◎本報記者 朱虹
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%。
清華大學智能產業研究院與北京水木分子生物科技有限公司聯合推出的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現到候選藥物設計的全過程，將傳統需數年之久的研發周期縮短至小時級。
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布的《AIforScience創新圖譜》顯示，全球AIforScience學術研究正快速增長。2019—2023年，全球AIforScience論文發表年均增長率為27.2%。其中，生命科學、物理學和化學等領域發表的人工智能應用論文數量最多。
中國科學院科技戰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節，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，帶來科研管理各環節深層次的變革。
復合型人才培養是關鍵
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。
在哈爾濱工業大學人工智能學院執行院長張偉男看來，AI與其他領域或學科的結合主要面臨三重挑戰。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，歸根結底需要培養既精通行業和領域知識，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問題以及開展跨學科合作的成效。同時，特定行業和學科對AI技術的接納態度，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新。
還有更多高校行動起來。浙江大學聯合復旦大學、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；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、跨領域的創新人才培養體系。
仍需應對三方面挑戰
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性破解技術、數據、制度三方面挑戰。
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可解釋的AI模型，使用決策樹、規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、科研機構和行業協會共同制定科研數據的標準格式和元數據規范，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，可成立數據共享聯盟，制定數據共享的規則和激勵機制，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、統一的數據平臺和完善的政策法規，可以促進AI與科研深度融合，推動科研創新發展，從而實現從“工具輔助”到“范式革命”的跨越。
晉公網安備 14090202000008號 
