原標題：“AI+科研”，科研范式革命真的來了？
當名為“阿爾法折疊2”的人工智能（AI）模型實現對蛋白質復雜結構的預測，人們意識到：一場由算法驅動的科研革命已悄然降臨。實驗室的深夜，即使燈已熄滅，但AI智能體仍在無聲運轉，優(yōu)化抗癌藥物的分子結構，分析海量蛋白質數據，甚至生成完整的藥物設計報告。
“AI+科研”模式的興起，在提高科研效率、拓展研究邊界方面展現出巨大潛力。從海量天文數據的智能清洗，到蛋白質結構的秒級解析；從文獻海洋的知識圖譜構建，到藥物研發(fā)的虛擬仿真實驗……AI技術正以驚人的滲透力重塑科研全鏈條。那么，“AI+科研”要真正實現從“工具輔助”到“范式革命”的跨越，還要邁過幾道坎？
“AI+”塑造科研新模式
“我們與中國科學技術大學攜手研發(fā)的SCUBA-D算法，基于條件擴散模型，將成功設計蛋白質的所需時間從6個月縮短至不到1天。”在哈爾濱市科技局日前主辦的第34期“周二有約”人工智能專題活動——“AI+科研”系列成果推介會上，黑龍江訊飛人工智能研究院副院長姜立峰介紹。
在姜立峰看來，AI對科研效率的提升主要體現在三個層面。一是借助大模型在文獻研讀、代碼編寫等方面的強大能力，提升科研基礎工作效率；二是利用深度神經網絡對科學任務實現端到端的精準刻畫，進行科學任務建模；三是依托認知大模型學習領域知識，為科研實驗方案提供輔助設計。
目前，AI已在眾多研究領域小試牛刀。中國科學院文獻情報中心與科大訊飛共同打造的星火科研助手，直擊科研工作中調研耗時費力、文獻閱讀效率低、寫作質量參差不齊等諸多痛點，推出成果調研、論文研讀、學術寫作三大功能，使科研人員的成果調研效率提升10倍以上，論文研讀有效率和學術寫作采納率均超過90%。
清華大學智能產業(yè)研究院與北京水木分子生物科技有限公司聯(lián)合推出的OpenBioMed智能體平臺，打破了人類語言與生物分子語言之間的壁壘。科研人員只需輸入一句自然語言指令，AI便能自動完成從靶點發(fā)現到候選藥物設計的全過程，將傳統(tǒng)需數年之久的研發(fā)周期縮短至小時級。
在提升科研效率的同時，AI還能處理人類難以完成的任務，不斷拓展研究邊界。例如，在天文學領域，AI通過對大量天文圖像的學習，可助力科學家發(fā)現新的星體或現象。智能化數據處理方式不僅大幅提高了工作效率，還能挖掘出數據背后的隱藏信息，為科研人員提供更多研究方向。
中國科學技術信息研究所在2025中關村論壇年會上發(fā)布的《AI for Science創(chuàng)新圖譜》顯示，全球AI for Science學術研究正快速增長。2019—2023年，全球AI for Science論文發(fā)表年均增長率為27.2%。其中，生命科學、物理學和化學等領域發(fā)表的人工智能應用論文數量最多。
中國科學院科技戰(zhàn)略咨詢研究院院長潘教峰認為，人工智能正以前所未有的速度滲透到科研的每一個環(huán)節(jié)，深刻改變著科研的思維方式和工作模式，以及科學認知的速度、深度、廣度和精度，更將重塑科研組織模式，帶來科研管理各環(huán)節(jié)深層次的變革。
復合型人才培養(yǎng)是關鍵
然而，新范式的轉換不會一蹴而就。其中，AI技術與多學科的融合問題備受關注。
在哈爾濱工業(yè)大學人工智能學院執(zhí)行院長張偉男看來，AI與其他領域或學科的結合主要面臨三重挑戰(zhàn)。一是問題定義權歸屬問題。需明確是由AI研究人員還是相應領域研究人員來定義研究問題。二是對AI解決問題思路的認知問題。不同領域的研究人員對AI的理解和應用能力存在差異，需加強對AI技術的普及和培訓。三是對AI能力邊界的判斷問題。這涉及使用者能否準確判斷AI的能力、適用范圍和局限性，以便在實際應用中做出合理的選擇和判斷。
張偉男認為，應對這三重挑戰(zhàn)，歸根結底需要培養(yǎng)既精通行業(yè)和領域知識，又熟悉AI技術的復合型人才。AI研究人員對特定行業(yè)和學科問題的理解程度，將直接決定其運用AI方法和模式解決行業(yè)問題以及開展跨學科合作的成效。同時，特定行業(yè)和學科對AI技術的接納態(tài)度，以及其能否成功轉變固有研究思路，對于跨學科合作也至關重要。
張偉男介紹，2024年，哈爾濱工業(yè)大學人工智能學院設立“AI+先進技術領軍班”，實施“AI+X”學科交叉融合教育，通過多學科導師團隊的引領，促進人工智能與新材料、新能源、新裝備等領域的深度融合與創(chuàng)新。
還有更多高校行動起來。浙江大學聯(lián)合復旦大學、中國科學技術大學、上海交通大學等高校共建全國首個跨校“AI+X”微專業(yè)；清華大學首批已有117門試點課程、147個教學班開展人工智能賦能教學實踐，還將成立新的本科通識書院，著力培養(yǎng)人工智能與多學科交叉的復合型人才……諸多高校正在大力推進“AI+X”學科交叉融合教育，形成多層次、跨領域的創(chuàng)新人才培養(yǎng)體系。
仍需應對三方面挑戰(zhàn)
除了人才問題之外，受訪學者普遍認為，“AI+科研”的全面落地還需系統(tǒng)性破解技術、數據、制度三方面挑戰(zhàn)。
從技術層面看，AI大模型常被視作“黑盒”，其決策過程往往不透明，而科研工作卻要求嚴謹性。但問題所在之處也蘊含著潛力，一些科研團隊已通過研究開發(fā)可解釋的AI模型，使用決策樹、規(guī)則學習等方法提高模型可解釋性，增加模型透明度，使科研人員能更好理解和信任模型。例如，中國科學院大連化學物理研究所聯(lián)合科大訊飛等單位推出的智能化工大模型2.0，在化工領域知識理解、催化劑性質、化工設備等十大評測維度上，平均準確率達61.94%。受訪學者認為，盡管“AI+科研”面臨諸多技術難題，但通過采取針對性解決方案，有望逐步克服困難，助力各領域取得更多創(chuàng)新性成果。
從數據層面看，“AI+科研”面臨數據管理與共享難題。為解決這一難題，哈爾濱工程大學計算機學院教授王巍建議，可構建可信數據管理與流通平臺。由政府、科研機構和行業(yè)協(xié)會共同制定科研數據的標準格式和元數據規(guī)范，使不同來源的數據能夠在同一平臺上進行整合和共享，提高數據的可信性和可用性。同時，可成立數據共享聯(lián)盟，制定數據共享的規(guī)則和激勵機制，給予數據貢獻者一定經濟獎勵或學術認可，同時保護數據安全和隱私。
從制度層面看，知識產權與權益分配爭議也是“AI+科研”不得不解決的問題。王巍認為，應完善知識產權與權益分配規(guī)則，明確科研數據的版權歸屬、AI模型的專利申請條件、科研成果商業(yè)化進程中的各方權益等。
受訪專家認為，通過構建有效的溝通機制、統(tǒng)一的數據平臺和完善的政策法規(guī)，可以促進AI與科研深度融合，推動科研創(chuàng)新發(fā)展，從而實現從“工具輔助”到“范式革命”的跨越。