我觉得“未知的未知”最难搞定！已经知道的未知，至少知道个方向，可以慢慢摸索。但对完全不知道的东西，真是两眼一抹黑，连从哪儿下手都不知道。这就像大海捞针，太需要灵感和创造力了，现在的AI在这方面还是差点意思。
数据问题也是一个很大的挑战。训练这种模型需要大量的、多领域的数据，而且这些数据需要是高质量的、标注正确的。数据的获取和处理成本都非常高。
在材料科学领域，AI可以通过与材料模拟器进行交互，设计新的材料，优化材料的性能，比如强度、导电性等等。这可以帮助我们发现一些具有特殊性质的新材料，用于航空航天、能源等领域。
我觉得目前AI在科学研究中最薄弱的环节可能是“提出假设”的能力。现在的AI更擅长分析数据和验证假设，但是原创性的、有洞见的假设往往还是需要人类科学家来提出。AI需要加强的方面还包括对科学研究伦理的理解和遵守，以及与人类科学家有效协作的能力。
从工程角度来看，SAGE架构的实现难度也很高。三个层次之间的协同和信息传递，底层硬件的支持，以及整个系统的可维护性，都是需要解决的问题。建议可以考虑模块化设计，降低系统的耦合性。
我觉得可以从人才培养的角度来理解这个问题。现在很多AI人才要么是只会调参的“调包侠”，要么是只会写论文的“学院派”，缺乏解决实际问题的能力。未来应该培养更多“T型人才”，既具备扎实的理论基础，又具备丰富的实践经验，能够将通用知识和专业技能结合起来，解决复杂的问题。对于AI模型来说，也是一样的道理，既要学习大量的通用知识，又要针对特定任务进行精细化训练，才能真正实现“通专融合”。
的确，现在很多AI4S项目都像是把炼丹炉搬进了实验室，数据一喂，卡一跑，结果一出，齐活儿！但总觉得缺了点啥，就好像只顾着追求效率，忘记了科学探索的本质。深度学习模型是好用，可要是过度依赖，科研人员会不会变得越来越懒，懒得去思考背后的原理，懒得去设计巧妙的实验？万一模型出了错，大家又看不懂，那岂不是集体翻车？而且，现在AI模型的结果展示很多都是“事后诸葛亮”式的，验证过去的有效，不代表就能预测未来，这个风险也得考虑。
学术一点的看法，三个挑战都重要，但“未知的未知”涉及的是AI能否进行真正的科学发现，而不仅仅是数据分析和预测。这需要AI具备独立思考、提出新假设的能力，目前AI在这方面还很初级，需要更深入地研究AI的认知机制和创造性。
个人觉得，AI4S想要更上一层楼，不能只盯着算法模型。应该更注重与实验的结合，让AI能够主动参与实验设计、数据收集和分析，形成一个闭环。比如，AI可以根据已有的知识，预测实验结果，然后通过实际实验验证预测，再根据实验结果调整模型。这样AI就能在实践中不断学习和进化。
我觉得可以考虑将符号主义和连接主义结合。深度学习是连接主义的代表，擅长处理数据，但缺乏逻辑推理能力。加入符号主义，让AI具备一定的知识表示和推理能力，或许能更好地应对专业领域的复杂问题。
我觉得三个层次都很重要，但如果非要说一个最关键的，我认为是融合协同层。基础模型层是基石，探索进化层是目标，但融合协同层是连接两者，实现“通专融合”的关键枢纽。它通过强化学习驱动的深度推理进化，协调“直觉快思考”和“逻辑慢思考”，让模型在泛化和专精之间找到平衡，这对于解决复杂科学问题至关重要。
同意楼上的说法，现在AI模型在处理“反常识”问题时经常出错，这说明AI还缺乏真正的理解能力，很难进行创造性的联想，如果AI不能在假设验证阶段给出合理的推论，那AI也很难在科研上帮助人类突破认知局限。
其实我觉得，与其讨论AI会不会取代科学家，不如讨论AI会如何改变科学研究的方式。比如，未来的科学研究可能会更加依赖数据驱动，更加注重跨学科合作，更加强调模型的验证和解释。AI的出现，可能会加速科学研究的进程，让更多人能够参与到科学发现中来。当然，这也需要我们重新思考科学家的角色和职责。
我觉得主要原因还是数据和知识的鸿沟。通用任务就像是高中知识，网上随便搜搜都能找到，但专业任务就像是博士级别的研究，数据少，知识更专业，模型自然就懵了。改进方向嘛，一是得有更多专业领域的数据喂给模型，二是得让模型学会像专家一样思考，能把通用知识和专业知识融会贯通。
除了协同问题，我觉得算力也是个大问题。SAGE 架构涉及大量的模型训练和推理，需要消耗巨大的计算资源。对于一些小型研究团队或者企业来说，可能难以承担这么高的成本。所以，如何降低 SAGE 架构的算力需求，提高其效率，也是一个需要解决的问题。
同意楼上的看法！另外，我认为模型结构和训练方式也有关系。现在的模型可能更擅长记忆和模仿，而不是真正的理解和推理，特别是在面对需要领域专业知识的任务时。所以，未来的模型可能需要在模型结构上加入更多先验知识，或者采用更有效的训练方法，让模型能够更好地进行专业领域的推理。
SAGE 架构听起来很美好，但实际应用肯定会遇到各种难题。我觉得最大的挑战在于这三个层次之间的协同。底层的基础模型要足够灵活，才能适应上层不断进化的需求；融合协同层要能够精确地平衡直觉和逻辑，避免模型走极端；顶层的探索进化层则需要足够的自主性，但又不能完全脱离人类的控制。如何保证这三个层次能够和谐共处，持续进化，是个大问题。
我觉得AI在科学发现中至少可以扮演这几个角色：
1. 数据挖掘者：从海量数据中发现隐藏的规律和关联。
2. 模型构建者：构建更精确、更高效的科学模型。
3. 实验设计者：设计更优化的实验方案，提高实验效率。
4. 假设提出者：基于现有知识提出新的科学假设。
当然，这些角色都需要人类科学家的指导和监督。
AI取代科学家？我觉得短期内不可能。AI更像是一个强大的助手，可以帮助科学家处理海量数据、加速实验进程、提出新的假设。但真正的科学发现，往往需要灵感和直觉，这是AI目前还无法企及的。未来，AI可能会承担更多重复性的工作，让科学家可以专注于更具创造性的研究。
个人认为数据安全和隐私也很重要。SAGE 架构需要访问大量的科学数据，其中可能包含敏感信息。如何保护这些数据的安全，避免泄露或者滥用，是一个必须考虑的问题。这可能需要在数据访问和使用上建立严格的规范和权限控制。