破译人类基因组对遗传学来说是一个重要的认识，但它并没有像研究人员在进行研究时预测的那样，带来大量的个性化医疗治疗。

然而，就人工智能而言，我们有真正的理由相信改进是可能的，无论是在升级电视节目、发现新的抗生素，还是在旧的研究论文中发现隐藏的科学突破。最后一点尤其有趣。因为科学是一个迭代和进化的过程，你经常可以通过一系列的正式论文、调查和项目来追溯发现的历史。在几个案例中，人工智能给旧论文进行分析，准确地确定了突破的存在，这些突破在论文撰写时对我们来说是新的，但我们后来已经发现了。如果人工智能能够发现我们已经知道隐藏在文本中的创新，它就会增加发现我们人类错过的新想法的机会。

人工智能技术仍然很容易受到炒作周期的影响，但我越来越深刻地认识到，将其应用于人类活动是有利可图的。材料工程对现代世界至关重要，我们几乎从未停下来思考过。了解固体结构在纳米尺度上的行为对包括半导体在内的许多领域的现代进展至关重要。

麻省理工学院、俄罗斯和新加坡的研究人员正在使用人工智能来预测应变将如何影响材料性能，并探索哪种应变将产生何种影响。你们中有些人可能熟悉“应变硅”这个术语，它指的是在硅锗衬底上拉伸一层硅的过程。应变硅是在P4时代引入现代微处理器制造的，与非应变硅相比，它提高了CPU的整体性能。但是，正如麻省理工学院的作者所指出的，找到使用的精确程度和类型的菌株是极其困难的。

维基百科上关于应变硅的页面间接地暗示了这些变化的复杂性。它指出，虽然最初的应变硅工作采用了我刚才描述的形式，但后来对该技术的改进涉及到额外的复杂处理步骤。找到精确的工具来进一步提高这些材料的整体性能，显然是一个缓慢而艰苦的过程。这也是为什么半导体制造业的新特性和新能力的开发时间(或者说，电池容量的改进)往往是如此之长、如此之慢的原因之一。当我们讨论电池或改进的半导体技术时，我们讨论的许多改进基本上都是材料工程的改进。

根据研究小组的说法，他们的神经网络模型预测应变是非常准确的。这个团队把重点放在钻石上，它有许多优点，如果能改善它的一些缺点，它将成为一种优秀的半导体。也有可能在已经使用这种方法的产品中引入更多的应变，潜在地改变过程中的基本材料。

关于这类方法最有趣的事情是，它们是否可以扩展到成为我们进行材料研究的全新方法的程度。从理论上讲，一个人工智能驱动的研究引擎可以突破材料的排列，而这些排列需要一个专门的研究团队进行几周或几个月的测试。但确保我们的模型能够正确预测材料在各种条件下如何变形，是对“训练”人工智能的数据集的挑战，在最好的情况下，这似乎是一项艰巨的任务。

尽管如此，即使是一个可以将研究的想法从数亿减少到数千的模型也将是一个重大突破。有朝一日，像这样的人工智能资源的使用不仅是预期的，而且已经成为持续的科学进步的功能需求。