以下文章來源于“科技導報”僅做學術分享原文鏈接?https://mp.weixin.qq.com/s/gbe8FJMoT-AyEQRDlhp2KA隨著 AI for Science 科研基礎設施逐漸成熟干濕閉環(huán)的自動化、智能化實驗室建設已經成為新的熱點。科研的“安卓模式”即在新的基礎設施上通過垂直整合并開發(fā)一系列的智能體、技能和支撐框架來完成特定的科研任務正逐漸成為新的范式。今天推出鄂維南院士新近在《科技導報》AI4S?？l(fā)表的卷首語《AI for Science打破邊界重塑科研范式》。在8月2122日即將在京舉辦的2026科學智能大會上鄂維南院士作為“學術科協(xié)”科學智能專家委員會主任及大會主席將作重要學術報告“Science after AI for Science”及“人工智能的數(shù)理基礎”深度解讀 AI4S新科研范式。作者鄂維南北京大學數(shù)學科學學院講席教授、中國科學院院士?，F(xiàn)任北京科學智能研究院學術委員會主任、北京大學國際機器學習研究中心主任、“學術科協(xié)”科學智能AI4S專家委員會主任。主要研究方向為機器學習、計算數(shù)學、應用數(shù)學及其在化學、材料科學和流體力學中的應用。點擊視頻觀看會議主席與日程導覽傳統(tǒng)科研范式的問題傳統(tǒng)科研范式有兩方面問題一是生產力方面?zhèn)鹘y(tǒng)的科研方法無論是文獻閱讀、理論研究、計算方法或實驗手段其能力都受到很大限制二是生產關系方面盡管科研成果早已推動人類社會進入工業(yè)化時代但科研本身仍然是小作坊模式。由于這兩方面的原因科研一直都是一個低效率、高門檻的封閉體系。更為糟糕的是科研和社會需求往往是脫節(jié)的。以深度學習為代表的人工智能技術給科研范式變革帶來了新的希望。首先深度學習本質上是一種極為基礎的數(shù)學方法它處理的是函數(shù)、概率分布等最基礎的數(shù)學問題。但與傳統(tǒng)數(shù)學方法不一樣的是深度學習可以解決更復雜的問題。例如神經網(wǎng)絡是逼近高維函數(shù)的有效工具而傳統(tǒng)數(shù)學方法卻面臨維數(shù)災難的挑戰(zhàn)注意力機制可以有效模擬長程記憶和長程關聯(lián)而傳統(tǒng)數(shù)學工具更擅長處理無記憶的馬爾可夫過程和局部相關性。其次計算機科學中極為普遍的工程化思維對打破作坊模式也提供了有效幫助。從深度學習到大語言模型、智能體、技能skills、支撐框架harness等這一系列工程化思維驅動的人工智能新技術在很大程度上改變了人們的工作效率和工作方式。這種工程化思維是其他學科尤其是數(shù)學不太擅長和不太重視的。事實證明它對改變傳統(tǒng)科研范式也是必不可少的。以這兩點為基礎近10年以來AI for Science 主要沿著兩條路線發(fā)展。一是解決具體科學問題。這方面最醒目的成果是蛋白質結構預測。二是建立新的科研基礎設施。這方面最成熟的成果是玻爾Bohrium平臺。隨著 AI for Science 科研基礎設施逐漸成熟干濕閉環(huán)的自動化、智能化實驗室建設已經成為新的熱點?？蒲械摹鞍沧磕Ｊ健奔丛谛碌幕A設施上通過垂直整合并開發(fā)一系列的智能體、skills和 harness 來完成特定的科研任務正逐漸成為新的范式。短短幾年AI for Science 的理念和方法已經得到科學界的廣泛認可并且已經深入到許多重大科研計劃和基礎科研項目的核心環(huán)節(jié)如人類蛋白組計劃、植物星球計劃、數(shù)字細胞、材料基因組計劃等。一些企業(yè)也開始以這個理念和方法為基礎重新布局其研發(fā)體系。更為令人欣慰的是在這個過程中一大批有理想、有戰(zhàn)斗力的年輕人已經成長起來。這些年輕人正在引領 AI for Science 的發(fā)展積極推動科研范式的改變。什么才是 AI for Science 新范式什么才是 AI for Science 新范式除了“安卓模式”以外新的科研范式應該實現(xiàn)三個“打破”。一是打破學科與學科之間的界限。科學本來就是一個整體。在知識獲取門檻高、學習和研究效率低的時代不得不通過專業(yè)劃分來提高效率這直接導致了目前交叉學科機會多但門檻高的現(xiàn)狀。AI for Science的基礎設施使得知識獲取的門檻大幅度降低、研究效率大幅度提升。因此專業(yè)劃分已經正在成為一個不必要的枷鎖。這也意味著必須重新設計科學的教育和研究體系在不同學科的共同基礎方面下更大的功夫。二是打破理論與實驗之間的界限。這個界限在跨尺度特征比較突出的學科尤其明顯。例如材料科學理論和計算必須從原子模擬開始但科研人員真正關心的材料性能都是體現(xiàn)在宏觀層面的。人工智能賦能大幅度提升了理論和計算方法的能力。這些能力已經在許多方面例如新的表征算法得到了充分體現(xiàn)。但是要真正打破理論和實驗之間的界限還需要進一步提升理論和計算方法的能力。三是打破科研與產業(yè)之間的界限。傳統(tǒng)的科研模式下科研到產業(yè)的戰(zhàn)線極長以至于科研和產業(yè)之間形成了比較嚴重的脫鉤。事實上科學界已經構建起一個極其完整的、基于論文的評價機制和運行機制。這個機制之所以存在并且被廣泛接受是因為以真正解決問題作為評價機制是不現(xiàn)實的。人工智能賦能下科研效率的提升將有效地幫助科研人員解決這個問題。當然要真正實現(xiàn)這個目標僅靠科研能力的提升是不夠的。還必須在評價機制、組織形式上下功夫。這些已經成為 AI for Science 下一步需要解決的問題。結語未來幾年隨著人工智能賦能的科研基礎設施的不斷完善“平臺科研”的優(yōu)勢和具體形式將逐漸顯現(xiàn)出來產生兩方面的效果一是部分科研工作將變得越來越工業(yè)化二是最頂尖科研人才的作用將更為顯著。這樣的科研人才必須具備三方面的能力第一基于基本原理的思維能力。凡事能看到底層邏輯而不只是表面現(xiàn)象。第二深入了解社會的真實需求。第三對工程的理解和把控能力。如何建立新的頂尖科研人才培養(yǎng)體系將成為中國實現(xiàn)科技強國的主要問題。