人工智能通识教程 课件 第7讲 跨学科融合应用

人工智能通识教程《人工智能》人工智能通识教程第7讲

跨学科融合应用章

节目标LEARNINGOBJECTIVES掌握利用AI进行模型预测、优化实验设计的方法；理解AI在数字人文领域的应用，能够借助AI分析理解文学著作；能够利用AI进行角色IP设计等艺术设计创作，了解AI创作存在的艺术伦理和风险；了解病例分析和诊断方面的AI模型及应用场景。7.1理工科：模型预测与实验设计优化人工智能通识教程第7讲

跨学科融合应用宋廷强等，《人工智能通识教程》，清华大学出版社，2026AI赋能理工科研究的主要特点01性质预测仅根据材料的化学组成和结构，即可高精度预测其物理化学性质，大幅缩减实验验证的周期与成本。02实验路径优化在海量潜在实验方案中智能筛选，推荐最优或接近最优的实验路线，让科研工作者聚焦于关键创新环节。03反向结构设计颠覆传统试错模式，从目标功能需求出发，反向推导并设计出具备该功能的理想分子或材料结构。04跨领域知识整合数秒内整合多学科海量文献与数据，打通知识壁垒，为复杂交叉学科问题提供创新视角与解决方案。AI正从辅助工具转变为科研合作者，通过这四大核心能力正在改变理工科研究的模式。7.1理工科：模型预测与实验设计优化宋廷强等，《人工智能通识教程》，清华大学出版社，20267.1理工科：模型预测与实验设计优化核心观点AI的角色正发生根本性转变：它不再仅是处理实验后数据的“分析工具”，而是前置到研究起点，成为能提出假设、设计方案的“先验设计伙伴”。角色演进传统阶段AI是实验的“总结者”，聚焦数据复盘；新范式下，AI跃升为实验的“规划师”与“预言家”，引领科研路径的探索方向。后验：数据复盘→转型：前置介入→先验：假设生成→目标：科学发现应用价值这种转变将科研流程从“实验-分析-总结”的线性模式，升级为“预测-实验-验证”的闭环，极大压缩试错成本，加速前沿突破。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：AI辅助新型防水材料的研发（一）平台与任务启动本示例以材料科学专用AI智能体MatChat为工具，演示如何利用AI完成从材料设计到性能预测的全流程。访问MatChat官网（/）并登录，其主界面提供了专业的材料科学对话入口，如研究目标是研发一种新型防水材料，则可直接在输入框内以自然语言下达指令：“合成新型防水材料”。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：AI辅助新型防水材料的研发（二）AI驱动的实验设计MatChat接收到指令后，并非进行简单的文献检索，而是启动其内嵌的生成式模型与材料知识图谱。MatChat返回了4种常见的制备方法及其应用，包括聚合物-纳米颗粒复合涂层、原子层沉积（ALD）与自组装单分子层（SAMs）、两性离子涂层和PDMS涂层。MatChat在数秒内整合了跨领域的知识（合成化学、表面物理、仿生学），提供了多角度的可行性方案，这是传统文献调研难以快速完成的。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：AI辅助新型防水材料的研发（三）结构可视化与性能关联分析为进一步理解材料的构效关系，MatChat自动生成了相应的结构示意图。如图7-4所示，“具有疏水特性的拉胀膜”展示了其独特的负泊松比微观结构；图7-5则呈现了“疏水拉胀表面模型”的三维构型。这些可视化结果不仅辅助研究者直观理解AI的推荐方案，更将抽象的“防水性能”与具体的“微观结构”联系起来，为后续的分子设计提供了参考依据。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：AI辅助新型防水材料的研发MatChatAI是松山湖材料实验室联合中国科学院多家机构开发的材料科学领域专用AI智能体。MatChatAI于2025年2月发布，是一款专注于材料科学领域的智能问答引擎，其支持预测材料合成路径、多格式文献解析与数据可视化分析。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：AI辅助新型防水材料的研发（四）分子层级的预测与验证在确定宏观设计思路后，研究可深入分子层级。输入指令“新型防水材料分子结构预测”，MatChat调用其分子性质预测模型，生成候选分子的二维或三维结构图，如图7-6所示。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：AI辅助新型防水材料的研发图7-7展示了“用于金属氧化物纳米颗粒的通用涂层平台”中可能涉及的各种聚合物单体的化学结构式。AI能够进一步预测这些分子的表面能、与基底的结合能、环境稳定性等关键参数，从理论上筛选出最优的候选分子，从而在进入耗时的湿实验前，大幅降低研发的不确定性。（四）分子层级的预测与验证关键词：材料筛选、药物发现、工艺优化、环保材料设计、科学研究智能化。AIforScience的典型应用领域1新能源领域利用AI技术高效筛选具备高容量、高稳定性的电池关键材料，同时辅助研发高效催化剂，加速新能源技术迭代。2生物医药领域借助AI算法从数百万级的化合物库中快速挖掘、筛选出具有潜在活性的候选药物分子，大幅缩短药物研发周期。3先进制造领域在3D打印过程中，AI实时监测并动态调整打印参数，有效减少产品缺陷产生，显著提升打印精度与成品质量。4环境科学领域AI辅助设计新型多孔材料，可高效吸附水体中的重金属离子与有机污染物，为生态环境治理提供创新解决方案。这种AIforScience的核心价值在于建立从“需求”到“设计方案”再到“性能预测”的快速迭代闭环，为包括新能源、生物医药在内的众多前沿科技领域提供了一种可借鉴的方法。AIforScience融合人工智能与基础科学研究，通过数据驱动与算法赋能，重塑科学发现的路径与效率。7.1理工科：模型预测与实验设计优化7.2文科：数字人文技术人工智能通识教程第7讲

跨学科融合应用7.2文科：数字人文技术核心观点AI正推动人文社科领域研究方法的革新，它不再是单纯的检索工具，而是进化为能进行深度文本分析、模式识别与文化解读的智能“研究伙伴”。技术核心依托自然语言处理（NLP）、知识图谱构建等技术，将海量分散的非结构化文本数据，转化为可计算、可分析、可可视化的结构化知识网络。海量文本数据→NLP深度解析→知识图谱构建→文化洞察与发现价值重塑将传统人文研究从定性、个案的解读，拓展为定量与定性结合、宏观与微观互证的全新研究模式。宋廷强等，《人工智能通识教程》，清华大学出版社，20267.2文科：数字人文技术AI在人文研究中的四大核心能力01实体识别从海量文本中自动识别并提取人物、地点、时间、事件等关键实体，为人文数据的深度分析奠定基础。02关系提取在识别实体的基础上，进一步挖掘实体间的亲属、社会、情感等语义关系，还原人文文本背后的复杂关联网络。03知识图谱构建将提取出的离散实体与关系进行系统整合，构建可视化的互联网络结构，直观呈现宏大且复杂的人文知识体系。04模式发现利用智能算法洞察长篇巨著或史料中隐含的宏观模式与动态演变规律，突破传统人文细读方式的认知局限。AI技术通过自动化与智能化手段，为人文研究打开了从微观实体挖掘到宏观规律探索的全新跨学科视野。宋廷强等，《人工智能通识教程》，清华大学出版社，2026数字人文主要平台成果展示|北京大学数字人文研究中心宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：ＡＩ分析《红楼梦》任务关系网１．基础关系提取与分析中国古典名著《红楼梦》人物众多、关系错综复杂，传统阅读难以全局把握。本示例展示如何利用AI大模型（如DeepSeek）对其中的人物关系进行量化分析与可视化呈现，从而解读其深层的社会结构与叙事逻辑。在DeepSeek对话框中输入“分析《红楼梦》人物关系”，AI会基于对全书文本的理解，首先返回一份结构化的人物关系摘要，如图7-8所示。该摘要不仅会列出主要人物（如贾宝玉、林黛玉、薛宝钗），更会概括他们之间的核心关系类型（如亲属、婚恋、主仆、盟友、敌对），并可能指出关键情节节点（如“宝黛初会”“抄检大观园”），为后续的深入分析奠定基础。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：ＡＩ分析《红楼梦》任务关系网宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：ＡＩ分析《红楼梦》任务关系网２．可视化关系图谱生成为清晰呈现《红楼梦》中的人物关系脉络，可输入更精确的指令“生成《红楼梦》人物关系图谱”。AI将调用其知识图谱构建能力，自动识别并关联文本中的人物实体与关系，生成一个交互式网络图，如图7-9所示。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：ＡＩ分析《红楼梦》任务关系网３．专题网络深度挖掘基于总图谱，研究者可进行更聚焦的专题挖掘。例如可以继续分析《红楼梦》社会联姻网络分析：指令可细化为“绘制以贾、史、王、薛四大家族为核心的联姻关系网络图”，平台会生成联姻关系网络。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：ＡＩ分析《红楼梦》任务关系网３．专题网络深度挖掘2继续细化指令为：“分析贾宝玉、林黛玉、薛宝钗三人的核心情感关系演变，”聚焦核心情感关系。AI不仅能生成三角关系示意图，如图7-11所示，还能结合章节内容，分析三人关系在不同情节阶段的动态变化与张力。通过DeepSeek对《红楼梦》人物关系进行量化分析与可视化呈现，可以清晰地看到数字人文研究上的革新。关键启示：文科研究正走向“人文洞察”与“数据智能”深度融合的新阶段，其分析逻辑可拓展至历史档案、社会网络史、法律文书关系梳理等广泛的人文社科领域。小

结7.2文科：数字人文技术7.3艺术类：角色IP设计与艺术伦理人工智能通识教程第7讲

跨学科融合应用宋廷强等，《人工智能通识教程》，清华大学出版社，2026核心价值突破创作者个体的想象力边界和技术技能壁垒，实现从文本描述到视觉呈现的即时转化，让创意表达不再受限于专业技法的掌握。变革核心以AI为赋能工具，重构艺术创作的全流程与行业生态，打破传统创作在时空、技术与资源上的多重限制，释放全民的艺术创造力。人人皆是设计师→创意构思极速化→艺术风格无边界→创作生态新融合未来展望AI并非要取代人类创作者，而是作为强大的协作伙伴，将创作者从技术实现的繁琐中解放，专注于更核心的审美判断、情感注入与思想表达。7.3艺术类：角色IP设计与艺术伦理宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：AI辅助大学校园IP形象设计１．概念构思与文案生成本节聚焦于“角色IP设计”这一兼具商业价值与艺术表达的典型场景，系统介绍了从概念构思到视觉生成的全流程AI辅助方法，并深入探讨由此引发的艺术原创性与伦理等核心问题。IP设计的起点是清晰的概念定位。以“大学校园IP形象”为例，设计师无须从零开始构思，可借助大语言模型（如Kimi）进行头脑风暴与文案生成。使用Kimi输入关键词“生成大学校园IP形象”。Kimi返回了一个名为“学小智”的完整IP设计方案。该方案结构清晰，涵盖四个维度。外观形象应用场景故事背景性格特点宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：AI辅助大学校园IP形象设计以下是应用Kimi完成的一个大学校园IP形象的创意设计，可以根据实际情况进行调整和完善。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：AI辅助大学校园IP形象设计2．生成IP形象文字概念需要转化为视觉形象，主要利用文生图AI模型（如即梦AI、Midjourney）实现。操作流程主要有三个步骤。（1）提炼关键词：从Kimi生成的文案中，提取用于图像生成的核心描述词，如“大学生热情开朗勤奋好学创新进取，校服徽章志愿者，自信微笑大眼睛，中景镜头，现代风格”或者类似的关键词。将上述提示词输入文生图平台：即梦AI网站（/）：宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：AI辅助大学校园IP形象设计2．生成IP形象（2）输入与生成：AI模型根据输入的内容，融合其训练数据集中的相关视觉特征，生成多幅符合要求的候选图像，如图7-13所示。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：AI辅助大学校园IP形象设计2．生成IP形象（3）选定与调整：从生成结果中，选取最符合预期的一幅作为IP形象基础，如图7-14所示。随后，可进一步通过“图生图”、局部重绘等功能进行细节微调，或生成同一形象的不同姿态与表情，构建形象资产库。生成的图片可以下载到本地用作校园IP形象。IP形象文案生成，Kimi文字转成成视觉形象，即梦AI网站IP形象选择与微调小

结角色IP设计还能在哪些场景能用到？选择感兴趣的领域进行设计。互动思考7.4医学：人工智能病理分析与诊断流程人工智能通识教程第7讲

跨学科融合应用2024年哈佛医学院在病理大模型领域开源了一系列模型，典型模型如下。UNI：理解病理学图像的基础模型。CONCH：视觉语言基础模型。CHIEF：一种临床组织病理学成像评估基础。TITAN：一种多模态WSI基础模型，7.4医学：人工智能病理分析与诊断流程当前国内推出的AI医疗影像诊断类典型大模型如表7.4医学：人工智能病理分析与诊断流程宋廷强等，《人工智能通识教程》，清华大学出版社，20267.5案例分析：人工智能在跨学科研究中的应用01为什么是蛋白质？蛋白质是生命的基石，其三维结构决定了生物功能。理解蛋白质结构是破解生命奥秘、开展新药设计与疾病治疗研究的关键前提。02传统实验方法的局限依赖X射线晶体学、冷冻电镜等技术，不仅耗时漫长、成本昂贵，还面临极高的技术门槛，难以实现大规模、高通量的蛋白质结构解析。氨基酸序列→AlphaFold2建模→三维结构预测→新药与医疗应用03AI带来的革命性突破以AlphaFold2为代表的AI模型，彻底解决了困扰科学界半个世纪的“蛋白质折叠问题”，预测精度可媲美实验测定，极大加速了生命科学研究进程。

蛋白质是生命活动的主要执行者，其三维结构直接决定了其功能。传统实验方法（如X射线晶体学）解析结构耗时数年且成本高昂。以

AlphaFold2

为代表的AI模型，革命性地解决了这一“蛋白质折叠问题”。

本节将展示一个融合了生物学、化学、计算机科学和物理学的典型跨学科AI应用—蛋白质结构预测。本案例以国产开源框架“飞桨”的模型为例，演示如何利用AI平台，零代码完成这项前沿科学任务。7.5案例分析：人工智能在跨学科研究中的应用7.5.1平台介绍：飞桨飞桨（PaddlePaddle）是中国首个自主研发、功能完备的产业级开源深度学习平台，由百度公司于2016年正式开源并持续运营。其官方网址是/。在服务科研与教育方面，飞桨专门建设了AIStudio学习与实训社区和官方模型库（ModelZoo）。AIStudio集成了在线编程环境、免费算力、丰富的公开数据集与课程，极大地降低了AI学习与实践的门槛。7.5.2操作流程1.访问平台与模型（1）访问飞桨官网，单击页面顶端的“模型库”链接，在打开的页面中登录百度账号。（2）单击左侧“开发广场”下的“模型库”，然后单击“科学计算”下的“蛋白质结构预测”，如图所示。7.5.2操作流程1.访问平台与模型（3）页面中返回一个蛋白质结构预测模型PP-HelixFold，如下图所示。（4）单击该模型，进入模型详情页面，如下图所示。7.5.2操作流程1.访问平台与模型（5）页面中提供了使用该模型的线上服务，如图所示，单击服务链接进入页面。页面会弹出右图所示窗口提示，可以体验全新发布的HelixFold3模型，本次选择不体验。7.5.2操作流程2.配置与提交预测任务（1）进入在线服务界面后，选择“蛋白单体结构预测”下的HelixFold-Single任务，如左图所示。（2）为降低门槛，可直接使用平台提供的示例数据（如709F_B）。在“预测名称”栏自定义任务名称（如“预测1”），单击“运行”按钮提交，如右图所示。7.5.2操作流程3.查看与管理结果（1）在“任务列表”中可查看任务状态，能够查看所有预测任务，“当前状态”栏显示“成功”即完成，如下图所示。7.5.2操作流程3.查看与管理结果（2）单击“查看