在柏林举行的第三届全球AI科研“黑客松”活动吸引了超过1200名来自世界各地的研究人员和开发者，共同探索如何将大型语言模型（LLM）应用于材料科学与药物研发。活动组织者本·布莱兹尼克是芝加哥大学的机器学习研究员，尽管本科学背景为材料科学，但他敏锐地意识到AI将重塑科研范式，于是决定通过一场48小时的线上与线下结合的竞赛加速这一进程。 参赛团队在短短两天内，借助ChatGPT等LLM工具，完成了从假设生成、数据管理到材料性质预测的多样化项目。超过100支队伍提交了2分钟的成果视频，部分作品甚至像专业动画短片。所有项目将被整合成一篇论文，展示AI在科研中的广泛潜力。然而，挑战依然存在：如何构建专门的数据管道，将分散、非结构化的科研数据转化为可训练AI的标准化格式。 来自柏林洪堡大学的材料科学家佩佩·马尔克斯表示，这类活动为科研人员提供了跳出日常工作的自由空间，激发创新灵感。尽管LLM能高效处理海量文献、提取“被锁在论文中的数据”，但其原始版本在科学领域并不可靠，必须通过微调才能胜任特定任务。 一位物理学博士生丹尼尔·斯佩克哈德此前从未接触过LLM，他与数据科学家、计算机专家和数学家组队，尝试用谷歌的T5模型预测晶体在不同能量状态下的结构松弛行为。他们仅用少量数据对模型进行微调，便取得了令人鼓舞的结果。更令人惊喜的是，团队利用其他LLM协助编写数据处理代码，原本需一个月的工作在两天内完成。斯佩克哈德坦言：“之前我以为AI会剥夺科研的乐趣，但现在我完全相信它能成为研究伙伴。” 其他团队开发了用于药品与材料制造质量追溯的AI代理，通过解析散落文档自动生成数字溯源标签；还有团队利用分子三维结构数据训练模型，辅助设计新药；更有“科研副驾驶”聊天机器人，调用现有化学AI工具提出创新假设。 洪堡大学的材料数据平台NOMAD汇集了超过1900万条材料数据，是此次活动中多个项目的依托。一些团队为NOMAD开发了智能导航聊天机器人，另一些则设计自动化数据提取工具，帮助科学家将实验结果快速录入平台。 数据管理专家安娜·贝拉斯克斯指出，她的职责正是让AI工具“化繁为简”——科学家只需上传文件，系统便自动完成分析，实现“一键式”科研。目前，32位来自学术界与企业的专家正在评审作品。布莱兹尼克计划为优胜团队对接导师与风投，推动原型落地。 活动也凸显了AI时代协作的重要性。德国联邦材料研究与测试研究所的软件开发者库特鲁阿尔普·塔泽菲丹感慨：“AI虽强大，但若无人协作，反而会让人孤立。这类活动正是我们所需要的。” 当队友因糖分过量而头脑不清时，他轻松回应：“别担心，我让ChatGPT来写。”