人工智能賦能科研（AI for Science, AI4S）是當前科技發(fā)展的新興領域，也是科技變革的關鍵因素。關于AI for Science的發(fā)展與阻礙，近期三思派邀請了國內知名高校院所的多位青年專家座談，本文為觀點整理，供參考。

董楠卿

上海人工智能實驗室科學智能中心聯(lián)合負責人

AI4S的發(fā)展需要技術與組織模式創(chuàng)新兼顧，2025AI4S突破口可能在自主科學發(fā)現(xiàn)與“冷門”學科

“堆數(shù)據(jù)、堆算力就能解決AI問題”的觀點值得質疑。科研組織方式、環(huán)境和政策在AI發(fā)展中扮演著關鍵角色。以美國貝爾實驗室和IBM實驗室的輝煌時期為例，其實驗室產(chǎn)出的突破性科研成果不僅依賴于充沛的科研物質基礎（例如當今的數(shù)據(jù)和算力），更得益于良好的科研環(huán)境和組織模式。其他國家的類似經(jīng)驗也表明資源堆砌并不保證產(chǎn)出頂尖的科研成果。而“撒胡椒面”式的科研資源分配策略和領域權威建議下的科研布局模式可能導致資源分配效率低下和科研環(huán)境僵化。相比之下，利用有限資源“集中力量辦大事”進行單點突破的單位可能取得更好的創(chuàng)新成果。科研合作方面，打破學科和團隊壁壘、促進高水平團隊合作是關鍵。政策和機制的引導至關重要。

“AI for Science”和“Science for AI”的學科視角有很大差異，前者是構建通用大模型，力圖解決多個科學問題，后者則是從具體科學問題出發(fā)反向構建模型。這反映了AI與科學研究的認知差異。關于2025年AI突破，按技術路線AI4S可分為三類：數(shù)據(jù)驅動型（如Science封面文章EVO對DNA序列進行了大語言模型建模）、計算驅動型（如氣象大模型預測）、創(chuàng)新驅動型（如2024年提出的自主科學發(fā)現(xiàn)框架AI Scientist）。雖然最近幾年數(shù)據(jù)驅動型和計算驅動型的AI4S在學界和產(chǎn)業(yè)皆已取得亮眼成果，但進一步的顛覆性突破還需要更長的時間積累。預計2025年最有可能突破的是創(chuàng)新驅動型，即AI推動的科學發(fā)現(xiàn)，當前還處于藍海。從學科角度，2025年AI4S學科領域突破可能來自冷門學科。當前AI4S主要通過AI模型解決已知問題，相較于醫(yī)學、材料學、合成生物學等廣受關注的學科，一些“冷門”學科因資源和關注度等原因發(fā)展較慢，在AI賽道上尚有追趕空間，可能迎來意外突破。

封凱棟

北京大學政府管理學院公共政策系主任

對AI4S的政策支持應從AI重構科學研究的實踐本質出發(fā)

在科技政策研究領域，學者對人工智能普遍持樂觀態(tài)度，但我個人卻還有一些疑慮。特別是基于復雜理論的文本驅動方式，解決問題并生成“智能”尚缺乏理論依據(jù)。從政策研究角度來看，人們首要需要明確各階段AI應用的實質及其演進發(fā)展目標。就現(xiàn)階段AI的發(fā)展水平而言，AI for Engineering（AI4E）和AI for Science（AI4S）之間的差異尤為關鍵。AI4E任務目標明確，AI能從基于人們的經(jīng)驗中更好地做方案篩選、或基于經(jīng)驗做推理，幫助人們更好地選擇和發(fā)展技術方案；；而AI4S還有更大的挑戰(zhàn)尚未解決，因為科學探索本質上是從已知的條件走向未知的目標，這就決定了科學探索的過程和工具都難以完全預先規(guī)劃。所以在AI在發(fā)展出真正的“智能”之前，它對科學探索當然有很大的幫助，但也決定了它的功能主要是面向特定類型活動的、很有可能是哪些基于經(jīng)驗的、易于在邏輯上拓展的活動。

所以，在科技政策中對AI4S的討論，首先應該界定在引入AI之后，從事科學探索的人和AI之間關系是如何重構的。這不僅僅是個重要的認識問題，同時也是一個政策問題。因為只有了解了引入AI后人機關系的重構，科技政策才能更有效地定位于那些能夠為科研團隊、為國家提高科學能力、帶來戰(zhàn)略性優(yōu)勢的領域。目前數(shù)據(jù)質量、數(shù)據(jù)主權和算力等問題得到了同行們廣泛的認同，這些基礎設施能力固然非常重要，但它們并不是引入AI后科學活動內在結構的全部。如果我們僅僅聚焦于將數(shù)據(jù)和算力堆積到極限，那就意味著我們事實上期待于產(chǎn)生一個高度“集中化”的科研結構：由國家來集中，或者由商業(yè)的“算力/數(shù)據(jù)平臺”來集中。而這是人們所期待的科學前景嗎？科研的多樣性、科學工作者的創(chuàng)造力、組織性的協(xié)作真的在未來的圖景中不重要了嗎？

要想解答這些問題，我們依然需要逐步摸索、并嘗試對引入AI之后科研活動的形態(tài)做“模式化”分析。中國雖然在AI應用上已有顯著進展，但政策討論多停留在數(shù)據(jù)、算力和人才層面，未深入到AI對科研方法和活動的影響。未來政策應關注如何通過合理的體系和支持，推動AI在科學探索中的創(chuàng)新應用。

盧靜宜

華東理工大學信息科學與工程學院教授

小數(shù)據(jù)環(huán)境和多樣化復雜需求，是目前工程實踐中AI4S面對的兩個難點

在化工過程系統(tǒng)工程領域，數(shù)字化智能化的相關工作起步較早。早在二十年前即開始討論數(shù)據(jù)機理融合的智能建模、智能調控等方法，賦能制造過程提升運行效率。盡管AI4S以及AI for Engineering的概念還沒有提出，相關的工作已經(jīng)在開展。近年來，生成式人工智能、大語言模型等技術的發(fā)展進一步推動了化工新材料智能設計、自主研發(fā)等前沿方向的發(fā)展。

在與工業(yè)界合作過程中，我們發(fā)現(xiàn)化工新材料企業(yè)對于AI4S的需求是多樣化的。這些需求不限于生成式AI所探討的新結構、新配方等的發(fā)現(xiàn)。為推進AI4S的在材料領域的工程落地，我們需要更關注企業(yè)的實際需求。與此同時，在不同的任務中，我們都注意到一個共性的難題，即數(shù)據(jù)資源的匱乏。工業(yè)領域數(shù)據(jù)收集、標注成本高、具有較高的商業(yè)價值以及較強的私有性。這樣的固有屬性所導致的數(shù)據(jù)資源的局限可能是一個長期難以突破的難題。因而，從研究的角度，我們需要更多的去關注小樣本數(shù)據(jù)學習的相關研究，以及人工智能算法與領域知識的融合，考慮通過引用領域知識，降低對數(shù)據(jù)規(guī)模以及質量的要求，從而提升AI4S的實際應用效果。

王冬冬

北京深勢科技有限公司藥物發(fā)現(xiàn)事業(yè)部聯(lián)席副總裁

RDMTA系統(tǒng)能夠有效形成AI4S數(shù)據(jù)飛輪

在AI與科學結合的領域，有幾個關鍵問題需要關注。首先，AI適合解決的問題需要具備三個條件：高維空間、目標函數(shù)明確，數(shù)據(jù)足夠。這確保了AI在科學研究中的有效應用。數(shù)據(jù)問題主要集中在兩個方向：一是如何利用大語言模型和多模態(tài)技術深度挖掘現(xiàn)有數(shù)據(jù)，二是如何通過物理計算和濕實驗產(chǎn)生新數(shù)據(jù)。因此，如何將自動化實驗系統(tǒng)和科研過程中的RDMTA（研究數(shù)據(jù)管理和傳輸架構）框架進行結合，并形成數(shù)據(jù)飛輪是AI4S發(fā)展的關鍵問題。

AI4S領域的產(chǎn)學研合作面臨政策性障礙，尤其在知識產(chǎn)權（IP）分配上。企業(yè)間合作時可以采取項目集體攻關并共享IP的方式。但是高校的科研項目管理制度不允許項目IP共享，只能是縱向項目（IP歸學校）或者橫向項目（IP給企業(yè)）的形式存在，這種分歧使得合作難以推進。盡管國家政策鼓勵合作，實際操作中，學校和企業(yè)常因合同和IP問題而停滯。因此，AI與科學結合不僅需解決數(shù)據(jù)，組織模式問題，還需克服產(chǎn)學研合作中的結構性障礙，以推動科學研究的高效發(fā)展。

王戴琦

上海市未來產(chǎn)業(yè)生物制造專家委員會秘書長

以數(shù)據(jù)的完整性、規(guī)模化、標準化和高質量促進AI4S發(fā)展

近年來，合成生物學和生物制造領域快速發(fā)展，尤其是生命科學與信息技術（IT）的深度融合，推動了酶、蛋白質和材料等領域的進步，為科學問題和工程化應用提供新方案。跨學科協(xié)作成為促進創(chuàng)新的關鍵。然而，盡管科研機構投入大量資金用于自動化設備和大科學裝置等設施建設，數(shù)據(jù)質量仍是AI4S發(fā)展的核心制約因素。AI模型的有效性不僅依賴算法，還需高質量的訓練數(shù)據(jù)支持，若數(shù)據(jù)的完整性、規(guī)模化和標準化和高質量無法保證，AI效果會大打折扣。

例如，微生物數(shù)據(jù)庫中，不同環(huán)境下的微生物數(shù)據(jù)差異巨大，確保數(shù)據(jù)的完整性和標準化是亟待解決的挑戰(zhàn)。跨領域數(shù)據(jù)整合和標準化，尤其在合成生物學等前沿領域，關鍵在于突破AI4S瓶頸。此外，科學研究不僅關注成功數(shù)據(jù)，失敗數(shù)據(jù)同樣具有重要價值。負向數(shù)據(jù)可幫助科學家識別問題并避免錯誤路徑，推動技術進步。

在醫(yī)學領域，IBM沃森機器人通過整合大量高質量數(shù)據(jù)，提升診療效率，減少主觀判斷錯誤，展示了數(shù)據(jù)質量對AI系統(tǒng)有效性的影響。同時，數(shù)據(jù)安全性與質量的平衡也是AI4S發(fā)展的關鍵。保護數(shù)據(jù)安全的模糊化處理可能影響數(shù)據(jù)質量，因此，確保數(shù)據(jù)安全同時保證數(shù)據(jù)質量是推動AI4S應用的挑戰(zhàn)，必須在數(shù)據(jù)收集、處理和分析中采取有效措施。

王宇光

上海途深志合人工智能科技有限公司創(chuàng)始人,CEO

AI4S的發(fā)展離不開政府支持，尤其在科研資源整合，人才培養(yǎng)和科研轉化方面

AI for Science（AI4S）作為跨學科領域，尤其在合成生物學和人工智能交叉應用中具有巨大潛力。源自鄂維南老師的研究，AI4S通過深度學習解決高維方程，為科學預測提供了理論基礎，尤其在物理學驗證和預測方面展現(xiàn)了能力。隨著DeepMind和OpenAI的進展，AI在化學、生物學等領域的應用潛力日益顯現(xiàn)，AI4S的可行性也逐漸明確。

然而，AI4S的實施面臨跨學科合作和數(shù)據(jù)采集的挑戰(zhàn)。該領域涉及多個學科，如人工智能、計算機科學、生物技術等，迫切需要匯聚多學科人才，包括算法工程師、生物信息學專家和科研人員。此外，數(shù)據(jù)采集與整合也是關鍵問題。雖然已有進展，數(shù)據(jù)清洗、整合和優(yōu)化仍需加強，尤其是在多個模態(tài)數(shù)據(jù)的處理上取得顯著成效。此過程對于單個企業(yè)難以完成，跨團隊合作和政策支持尤為重要。

在科研轉化方面，上海交通大學提供了開放的創(chuàng)業(yè)政策和資金支持，但企業(yè)仍面臨實際問題，如如何將高校畢業(yè)生培養(yǎng)為適應企業(yè)環(huán)境的工程師。學生從學術到企業(yè)的轉變需要學校與企業(yè)共同探討。AI4S的發(fā)展離不開政府支持，政府需在科研資金、跨學科合作、數(shù)據(jù)共享和企業(yè)協(xié)作上發(fā)揮積極作用，尤其在人才培養(yǎng)和科研轉化方面，推動AI4S的長期發(fā)展。

楊光

上海耀途資本創(chuàng)始合伙人

AI4S潛力巨大，但技術和商業(yè)化問題讓它難以拿到投資者“大錢”

AI for Science（AI4S）是一個新興領域，盡管發(fā)展周期較長，但已在醫(yī)藥、材料等領域取得顯著進展。早期的投資主要集中在硬件和基礎設施公司，但隨著技術發(fā)展，AI4S在不同應用場景中的潛力逐漸凸顯。

AI4S的成功依賴于幾個關鍵因素。首先，明確的業(yè)務場景和客戶支持至關重要。例如，天鶩科技通過與大型藥廠合作，獲得了實際的需求支持，這為技術落地提供了基礎。其次，數(shù)據(jù)質量和數(shù)據(jù)源的豐富性也非常重要，天鶩利用公開和非公開數(shù)據(jù)，確保技術在數(shù)據(jù)有限情況下順利發(fā)展。

現(xiàn)在AI4S公司拿前幾輪投資容易，但是拿到長期穩(wěn)定的“大錢”比較難。一方面，科研進展周期長，尤其對于尚處于科研階段的公司，商業(yè)化前景不明確；另一方面，國內投資的可持續(xù)性問題亟待解決。政府的政策支持，如成本承接和資金鏈保障，能夠有效減輕早期企業(yè)的壓力。此外，數(shù)據(jù)共享和標準化工作對于技術成熟和產(chǎn)業(yè)發(fā)展也至關重要。

楊少青

上海瀚諾威生物科技有限公司首席科學家

如何利用人工智能提煉和發(fā)現(xiàn)自然規(guī)律是AI4S的下一個挑戰(zhàn)

在AI4S的應用中，蛋白質工程、結構預測和文本翻譯等領域已受益顯著，主要得益于大規(guī)模數(shù)據(jù)集的存在。然而，在許多其他產(chǎn)業(yè)，受限于硬件和數(shù)據(jù)集的瓶頸，人工智能的應用仍受到制約。在蛋白質工程的研究中，當前的工作已涵蓋從上游到下游的各個環(huán)節(jié)，主要通過整合現(xiàn)有人工智能軟件和個人創(chuàng)新，推動工程應用。盡管結構預測已有較高準確度，但在科學原理的深度研究方面，人工智能更多地扮演了工具角色，而非提供根本性的突破。

當前人工智能的一個主要問題是其“黑箱”特性，大量參數(shù)難以解讀，使得算法無法總結出真正的科學規(guī)律。在過去十年，人工智能在某些領域推動了進展，但在科研中，尤其是在最基本的化學和物理原理研究方面，其局限性顯而易見。人工智能的優(yōu)勢在于其能夠通過大量數(shù)據(jù)進行總結和歸納，但它的局限性在于無法推導出全新的原理或結構，無法從根本上改變現(xiàn)有的科學框架。因此，盡管人工智能在科學研究中扮演了重要角色，但在真正推動基礎科學進展和理論創(chuàng)新方面，仍需依賴傳統(tǒng)的科學方法和基礎研究，未來的挑戰(zhàn)在于，如何在有限的數(shù)據(jù)集下推動更深入的科學發(fā)現(xiàn)，而不僅僅是通過同源建模等方法進行精細化的預測。

周冰心

上海交通大學自然科學研究院助理研究員

AI4S領域亟待更細分精準的科研組織與評價方式

AI for Science（AI4S）可分為AI for Science和AI for Engineering兩大方向，二者在研究重點、評估方式及周期上存在顯著差異。AI for Engineering側重工程應用，數(shù)據(jù)明確且問題清晰，因此能較早實踐并快速見到成果。然而，在一些已有成熟工具的領域（如蛋白質結構預測），新工具的開發(fā)需求相對較低，性價比不高。而AI for Science處理的是復雜、開放的科研問題，許多問題尚處于探索階段，且沒有現(xiàn)成的解決方案。例如，早期生命的形成或微生物群落差異等問題需要在數(shù)據(jù)不完全和方法不成熟的情況下進行探索，使得AI4S的應用周期較長，且難以用傳統(tǒng)工程化標準評估其進展。

此外，AI4S的發(fā)展依賴于與科研團隊的合作，特別是在缺乏現(xiàn)成數(shù)據(jù)集的領域。例如，探討不同生物環(huán)境中的微生物群落差異需要跨團隊合作和數(shù)據(jù)共享，這種合作模式對單一研究者不可行。

公眾往往誤解AI4S，過度關注大數(shù)據(jù)和大模型，然而并非所有科研問題都需要依賴大模型，尤其是需要自由探索的課題。科研多樣性和創(chuàng)新思維應得到尊重。同時，青年科研人員面臨職稱和資歷限制，往往難以獲得足夠支持，這也影響了AI4S的創(chuàng)新和發(fā)展。因此，AI4S的成功需要技術突破、跨學科合作、數(shù)據(jù)共享及對科研多樣性的重視。

諸葉清

北京深勢科技有限公司生態(tài)合作總監(jiān)

AI4S科技企業(yè)面對AI的規(guī)模效應，需要數(shù)據(jù)和算力等方面支持性政策以保障良好發(fā)展

在當前科研和AI應用領域，單純依賴“堆數(shù)據(jù)、堆算力”來解決問題并不可行，尤其在政策、資金和商務等方面，企業(yè)和研究機構面臨許多挑戰(zhàn)。雖然像AlphaFold這樣的成功案例證明了算力和研究底蘊的重要性，但這些成果背后有充足的資金支持和較大的試錯成本，這使得研究能多次嘗試并轉化為實際應用。然而，許多初創(chuàng)企業(yè)和年輕研究機構缺乏資源和資金支持，面臨更大壓力。

AI for Science（AI4S）和AI for Engineering的區(qū)別在于，傳統(tǒng)科研服務于工程應用，而如今，工程需求逐漸轉化為科學需求。純科學研究無法直接帶來經(jīng)濟回報，只有將科研成果轉化為商業(yè)化產(chǎn)品，才能為科研提供資金支持，促使科研與工程更緊密結合。

數(shù)據(jù)使用和共享方面，盡管生成了大量高質量數(shù)據(jù)，企業(yè)和機構通常優(yōu)先用于自身應用，而非共享給他人。集中化的資源分配可能對科研生態(tài)產(chǎn)生不利影響，因此，政府或資本方的干預至關重要，以促進數(shù)據(jù)共享并降低使用成本。資金分配機制也未完全適應科技發(fā)展。以材料研發(fā)為例，企業(yè)需要大量算力，但現(xiàn)有資金池無法覆蓋這一支出，限制了企業(yè)發(fā)展。政策層面需推動配套措施的完善。

對于AI4S的成功標準，當前評估標準不明確。不同領域的科研成功標準應根據(jù)實際情況靈活評判，尤其是基礎科研的評價，應關注階段性成果而非最終產(chǎn)品的落地。

本文由上海市科學學研究所吳琪博士組織整理。文章觀點不代表主辦機構立場。

◆ ◆ ◆

編輯郵箱：sciencepie@126.com