➤在積極利用AI提升知識積累效率的同時，我們需審慎思考，如何確保科學成果的質量與深度不被速度稀釋，並將最終的解釋權、決策權等“認知主動權”牢牢掌握在人類自己手中

  文 |《瞭望》新聞周刊記者 錢沛杉

  11月27日晚，DeepSeek發布其最新數學模型DeepSeekMath-V2，以自驗證方式突破了目前AI在深度推理方面的局限，展現了強大的定理推理能力。DeepSeek方面&&，Math-V2讓大模型在數學領域不再只是“做題家”，而有可能依靠自身全面、嚴謹的數學推理能力對科學研究産生深遠影響。

  將AI引入科學研究並非全新事物。在國內，2018年，中國科學院院士、北京大學國際機器學習研究中心主任鄂維南率先引入AI4S（人工智能驅動科學研究）概念，認為傳統科研模式效率較低、學科間壁壘較高，AI可以實現跨學科融合，加速突破。

  特別是，當傳統物理模型在極端複雜的系統前束手無策時，數據驅動範式可以跳過對微觀機制的繁瑣推演，利用算法直接從海量數據中尋找規律、構建“隱性”模型，為應對氣候變化等緊迫挑戰，提供可行路徑。

  這種模式已影響滲透到科學研究的多個環節，在多個領域催生重大突破，實現科研效率的指數級提升。

  在生命科學領域，去年獲諾貝爾化學獎的“阿爾法折疊2”AI模型（Alpha Fold2）將蛋白質結構預測周期從數十年縮短至數天，解決了領域內長期困擾的折疊難題；在材料科學領域，科研人員利用AI模擬不同元素組合的性能，縮短新材料設計周期；在環境科學領域，AI實現多模態數據的自動對齊與分析，為森林火災的預防、監測與生態恢復等提供了更準、更快的解決方案……

  一系列顯著成果，“刺激”多國加速布局發展AI4S：2024年以來，美國通過行政令、政策文件及專項報告系統性提升AI4S戰略地位；歐盟自2022年起開始布局科學AI發展，2025年加快進度，發布“人工智能大陸行動計劃”，持續布局歐洲科學AI戰略；建設科學AI在線服務平台AI-on-Demand並推動成立AI科學專家組。

  我國同樣高度重視AI4S發展，從國家部委到地方政府層面積極應對，陸續推出支持政策。國家層面，2023年科技部會同國家自然科學基金委啟動“人工智能賦能科學研究”專項部署工作後，今年8月國務院印發《關於深入實施“人工智能+”行動的意見》，第一項重點行動即“人工智能+”科學技術，要求加快探索人工智能驅動的新型科研範式，加速“從0到1”重大科學發現進程。《中共中央關於制定國民經濟和社會發展第十五個五年規劃的建議》也提出，以人工智能引領科研範式變革。

  地方層面，今年7月上海、北京均&&了支持AI4S發展的專項計劃，推出了科學智能“百團百項”工程和《加快人工智能賦能科學研究高質量發展行動計劃（2025—2027年）》等舉措。

  政策層面的高度重視支持推動了該領域的快速發展，但與此同時，AI預測成果無法快速轉化為實際生産力、數據孤島問題仍存、複合型人才缺口較大等情況仍存。

  學界與業界呼籲，構建包含複合型人才培養體系、多領域協作的開放平台等在內的新型科研生態，並恪守科學倫理，堅持以人為本、科技向善。

在浙江烏鎮舉辦的 2025 年世界互聯網大會“互聯網之光”博覽會現場，一家企業工作人員展示人形機器人同步模仿精細動作（2025 年 11 月 6 日攝）   黃宗治攝 / 本刊

  AI挑戰科學研究“游戲規則”

  過去，科學家們主要通過理論推導、實驗觀察和計算機模擬來探索世界。如今，AI4S帶來了科學研究的另一種可能，即從海量數據中尋找規律。

  “海洋科學作為一門實驗科學，其經典理論框架已趨於完善。當前學科的一個重要發展方向是追求更高分辨率的觀測，旨在通過精細化的尺度研究來突破傳統大尺度理論的瓶頸。”中國海洋大學物理海洋教育部重點實驗室教授陳顯堯介紹。

  以預測厄爾尼諾-南方濤動（ENSO）現象為例，受系統混沌性和大氣海洋耦合過程季節變化等因素影響，ENSO在春季的預測準確度明顯低於其他季節，成為氣候預測中的一大難點。2019年，科學家運用機器學習模型突破了這一難題，將可預測時間長度延長數月，並為解釋其物理過程提供了新思路。

  “AI並非擁有了超乎人類的知識，而是關注到了被人類研究者因先驗知識和經驗而忽視的物理過程。這些過程雖被觀測記錄，但傳統上被視為‘噪音’而非關鍵因子。AI的無偏見學習揭示了這些次要因素在長期預測中的決定性作用。”陳顯堯認為，AI的引入絕非簡單的工具性應用，而是推動動力學理論與觀測數據的有機融合。它突破人類思維的可能局限，幫助科學家發現新的科學&&，推動理論創新。

  這一模式挑戰了傳統科學研究的“游戲規則”，在學界引發諸多爭議。“經典科學範式是‘自上而下’的，數據驅動範式是‘自下而上’的。”受訪者説，在經典科學範式概念下的科學發現，目標是“理解因果”優先，而AI4S的目標則是“實現預測”優先，兩者標準存在根本性差異。

  標準的調整引發科研體系形態變化——

  科研基礎設施上，AI4S的根基從傳統的精密儀器，轉向了以大型計算中心、專用算法庫和高質量數據庫為核心的新型基礎設施。這源於其對海量數據和強大算力的根本依賴。

  科研人才角色上，一些科學家的工作重心發生轉變。過去科研中軟體是被動工具，而生成式AI和強化學習模型，更像是能自主設計實驗、提出假設的“能動夥伴”。科學家的核心任務從“如何操作”轉變為“如何定義問題、評估結果和引導方向”，形成“人機混合智能”協同探索模式。

  科研組織方式上，受上述變動影響，科研活動從傳統PI制（課題組長負責制）的“小作坊”模式，向跨學科、平台化、網絡化的大團隊協作轉型。

  多位學者認為，AI4S不是對傳統科研範式的替代，而是深度融合。中國工程院院士孫凝暉認為，AI4S的終極目標不是替代科學家，而是通過工具進化賦能人類認知進化，“正如望遠鏡擴展了人類的視野，顯微鏡打開了微觀世界的大門，AI正在成為人類探索未知的‘第三隻眼睛’”。

  克服現實推進阻礙

  中國科學院高能物理研究所研發的Dr.Sai多智能體協同系統，實現高能物理分析全流程自動化，並成功復現四夸克粒子發現過程；北京大學開發的DeepFlameRocket火箭燃燒智能倣真軟體，實現對火箭發動機的全流程數值模擬……

  如果將2024年稱為AI4S的發展元年，2025年，AI4S從概念驗證和工具普及進入深度融合和規模化應用的發展階段，在基礎設施構建、平台工具研發、交叉學科應用等方面取得進展。

  受訪者認為，當前，AI4S不再僅局限於個別案例，而是滲透影響到了各個基礎學科和工業研發的毛細血管中，科學發現進入人機協同、加速創新時代。但作為新生事物，在現實推進過程中，仍面臨幾方面阻礙。

  打通數據孤島。高質量AI-Ready的科學數據稀缺是我國AI4S發展的核心挑戰。據了解，AI-Ready數據集是指經過系統化處理、標注和結構化的數據集合，專為人工智能模型的訓練和評估設計。這類數據集通常具備高質量、標準化格式和清晰的標注，能夠顯著降低數據預處理的門檻，幫助研究人員和開發者快速投入模型開發。

  北京大學深圳研究生院副院長、科學智能學院執行院長田永鴻認為，海量、高質量的科學數據是AI4S發展的基礎，但此類數據仍嚴重短缺。

  一方面，高質量數據集的獲取成本高昂。在生命科學領域，有業內人士統計，僅單一類別的蛋白質結構實驗數據，採集成本就超過8萬元，訓練AI模型通常需要百萬量級的樣本，其成本遠超普通科研團隊承受範圍。

  另一方面，數據標注環節存在突出瓶頸。以冷凍電鏡圖像為例，其標注工作需依賴結構生物學家或電鏡專家等專業人員，耗時較長。業內人士透露，國內某生物物理研究機構曾組織20名博士，全職工作6個月，才完成1萬張圖像標注。這種高度依賴專業人力的標注模式，在效率和規模上難以滿足AI訓練需求，成為制約AI科研應用的關鍵因素之一。

  此外，AI4S領域數據共享存在制約。田永鴻介紹，科研活動長期以課題組或機構為單位開展，數據分散在不同實驗室、機構、個人的電腦中，形成“數據孤島”。數據所有權、知識産權以及科研競爭關係等因素，阻礙了科學數據的開放共享。

  例如，生命健康領域的醫療數據因隱私保護限制，科研可用率較低；材料科學領域數據“碎片化和孤島化”現象嚴重，數據規模小，共享機制不完善。

  一位長期從事科學數據管理的專家&&：“數據質量直接決定AI模型的可靠性。如果沒有足夠多、足夠好的數據，再先進的算法也是無源之水。”

  人類驗證能力成瓶頸。工業和信息化部原副部長王江平在相關論壇發言中&&，“AI一天的預測成果，人類需要十年驗證”的現象在AI4S領域普遍存在，“AI科學發現能力指數級增長，人類的實驗驗證和産業化應用能力仍在線性爬坡，這種巨大的能力鴻溝導致海量AI預測成果如同洪水被堵，淤積在實驗室無法轉化為實際生産力。”

  王江平分析，造成“堰塞湖”現象的主要原因一是標準缺失，AI預測結果缺乏統一評估體系；二是驗證瓶頸，自動化實驗能力不足，“預測—驗證”鏈條不暢；三是政策約束，倫理審查嚴、審批周期長，加之投資風險高，抑制了企業投入意願。

  田永鴻認為，這一現象屬於長期待解決的難題，有望通過AI計算設計實驗方案，自動化平台執行並反饋結果，形成“設計—執行—驗證”的循環，縮小科研與産業化的鴻溝。

  複合型人才短缺。AI4S及更廣泛的人工智能所需的複合型人才短缺，是當前我國科技産業發展面臨的核心挑戰之一。

  金融機構高盛在《全球人工智能産業布局》報告中預測，到2030年，中國人工智能産業的人才缺口將超過500萬；麥肯錫報告中提到的數字同樣不容樂觀：到2030年，中國的AI人才供應僅市場需求的1/3。

  複合型人才缺口體現在數量上，也在質量上。田永鴻説，傳統人工智能人才培養側重於編程、數學和計算機基礎，而科學智能要求學生不僅掌握AI技術，還須具備紮實的數理基礎與特定學科知識，包括物理、化學、生物等，“這意味着學生需要同時理解科學問題的本質和AI的求解方法，是典型的多學科深度交叉領域”。這種人才標準的升級，加劇了複合型人才的緊缺狀況。

  構建科研新生態

  AI4S帶來的挑戰，是“游戲規則”變換在撞擊現有體系時産生的結構性張力。

  應對這些挑戰，有學者認為，需在現有科研組織方式上，構建面向人工智能時代的新型科研生態。這包括培養既懂AI又懂專業的複合型人才，推動數據開放共享以破解“數據孤島”，並建立適應人機協同的科研評價與倫理治理體系。

  構建複合型人才培養體系。轉變傳統的“專門人才”培養模式，積極構建面向AI4S的複合型人才培養體系。一方面重視培養具備深厚AI技術理論基礎和實踐應用能力的專業人才；另一方面完善交叉學科人才培養體系，促進科研人員跨學科學習。

  北京大學深圳研究生院聚焦AI4S人才短板，設立科學智能學院，推行“雙導師制”。

  田永鴻介紹，“雙導師制”是由一位科學導師與一位AI導師共同指導學生，科學導師負責把握重要科學問題方向，AI導師則設計技術路線。雙導師從一開始即共擔責任，解決合作意願與知識産權分配問題。同時，學院設立專門的交叉學科學位評定分會，從制度上保障跨學科論文的評審質量，使學生歸屬清晰、評價有據。

  “這一模式將交叉人才培養從過去的零散合作轉變為系統化、制度化的體系，為複合型創新人才的成長提供了堅實基礎。”田永鴻説。

  陳顯堯認為，人才培養的關鍵，在於引導學生從傳統的理論思維範式，轉向並掌握一種與AI相結合的思維方式，“我們正處在實踐的初級階段，有效的方法是讓學生從解決具體科學問題入手，在實踐中親眼見證這種新方法的可行性，從而逐步建立新的科研思維路徑。”

  平台建設向平台模式轉變。傳統的個體科學家或單一研究團隊開展科學研究的“作坊模式”已不能適應AI4S的研究方式，“平台模式”能夠整合來自不同領域的多元主體，形成研究網絡。培育AI4S創新聯合體，促進數學、計算機科學、建模仿真與各學科的協作，是打造世界領先創新集群的關鍵。

  國內高校和研究機構已布局多家AI4S研發平台。如，中國科學院建立ScienceOne基於科學基礎大模型的智能科研平台；北京科學智能研究院研發的“玻爾科研空間站”AI科研平台集成“讀文獻—做計算—做實驗—多學科協同”等功能等。

  但AI4S領域的共性技術平台建設仍側重於基礎支撐層，成果仍以個別研發案例為主，缺少針對半導體、新能源、新材料等細分場景下單一類別的專業支撐平台。

  對此，受訪者建議，應面向重點應用領域，構建一批AI4S共性技術研發平台，依託雲廠商，以及醫藥健康、新材料、工業等重點領域優勢企業，協同高校院所、科研機構和創新企業組建各領域創新聯合體，探索通過成立合資公司、共建乾濕閉環實驗室、搭建高能級創新平台等，加速科技工程創新突破。

  推動科研數據共享。田永鴻認為，數據共享是釋放AI4S潛力的基礎，須加快打破“數據孤島”，推動科研數據的有效整合與開放共享。

  受訪者建議，加速推進AI4S關鍵領域“科研數據可信空間”建設，促進醫藥健康、新材料、工業等領域的高質量科學數據和合成數據資源的集中，加強科學數據的標準化建設，創新數據資源共享的技術和制度，引導數據的可信流通和交易。

  田永鴻建議加強數據、工具、人才、模型四要素的協同進化——數據需要標準化工具加工，通過人才訓練模型，模型再反哺數據更新。“未來，我們希望能集研發數據採集、模型訓練、科學發現與實驗驗證閉環融合，成為全流程智能化實驗設施與設備，打造覆蓋主要研究機構、科學設施和實驗室的數智雲化協同科學研究平台網，讓科學家遠程調用資源，最大化發揮數據價值。”田永鴻説。

  推動科學倫理治理。在倫理治理方面，需要從科學共同體自治走向社會共治。AI4S帶來算法不透明性、算法歧視、數據隱私問題以及結果的不可解釋性等倫理挑戰。需強化AI4S的科技倫理治理研究，加強科技倫理宣傳與教育，建立健全AI4S的社會共治體系和機制。

  受訪者&&，當前階段，AI的主要作用是加速科學發現，其優勢是在現有範式下進行高效預測與計算。但真正顛覆性的科研突破，仍依賴人類獨有的科學直覺、對複雜事實的深刻辨析，以及融入了情境與文化背景的宏觀判斷。

  在積極利用AI提升知識積累效率的同時，我們需審慎思考，如何確保科學成果的質量與深度不被速度稀釋，並將最終的解釋權、決策權等“認知主動權”牢牢掌握在人類自己手中。□