随着AI（人工智能）技术越来越强大，它已经可以参与到科研工作中，成为科学家的超级助手。如果AI能够自己完成复杂的科学任务，那么对科研乃至社会生产都将产生巨大影响。
7月2日，在上海国投前沿论坛“智研未来AI4S”主题交流活动上，中国科学院院士、北京大学数学科学学院教授鄂维南以“AI for Science（科学智能）发展的一点战略思考”为题发表演讲，深入剖析了中美在该领域的发展路线差异以及中国当前策略面临的核心挑战。
科研“工业化”的两种路线
鄂维南在演讲中指出，科学智能的核心在于通过AI技术，让科研将逐渐摆脱传统的由科学家的直觉和经验产生假设、再通过实验验证和试错的模式，转变为如同工厂流水线一般的自动化产出。
以药物分子设计和筛选为例，学习了大量论文和分子结构功能数据的AI可以根据需要设计出符合要求的分子，再通过自动化实验室完成验证，极大地提升了研发效率。
AI模型的本质是预测数据之间联系。以语言大模型为例，通过大量文本的训练，AI将每个词语之间的联系概率“浓缩”在神经网络模型的节点权重中，从而获得了能在新的语境中产生最合理对话的能力。如今前沿的通用大模型使用了包括图片、数字等多模态的训练数据，已经展现出了跨领域的智能潜力。
如何让AI具备科研能力？是增强通用大模型的能力，使其涌现出科学思维，还是通过使用专门的科学数据以及算法调整训练“专才”模型？鄂维南介绍，这正是中美两国的路线差异。
他指出，美国在早期主要发展的是解决具体科学问题的专业模型，打造出了能够精准预测蛋白质结构的AlphaFold等明星产品。而在美国政府发布“创世纪计划”之后，科技巨头们转向了底层建设：一边提升通用AI大模型的能力，一边打造自动化机器人实验室等基础设施。
鄂维南介绍，中国的策略是走“平台科研+垂直整合”的路径，即先打造一套包含文献、数据、软件、算力和自动化设备的科学智能基础设施，再在具体的应用场景中进行垂直整合落地。
他指出，目前上述基础设施建设已初步成型。例如，集成了海量中外论文的“玻尔科学导航”AI平台能够写综述、拆解科学问题并提供研究方向，已服务全球超450万科研人员；在数学、化学、医学、生物、材料等领域已建成多个具有规模的数据库，如Matlas定理引擎、全球最大实验核磁数据库、材料计算晶体数据库等；各地涌现出多个自动化实验室平台，如宜宾的AI赋能材料中试平台（研发效率提升百倍）、深圳晶泰科技的AI+自动化合成平台、中科大机器化学家等。
通用模型能力须重视
尽管中国在垂直应用和部分基础设施上进展显著，但鄂维南也说，其中也面临着不容忽视的风险，首当其冲的便是基座模型能力的显著差距。
“目前，科学基座模型就是在开源的通用基座模型基础上，试图给它增加科学能力。但我们的尝试得出的结论是，这是一个伪命题。”鄂维南说。
他解释道，科学领域的推理、多模态数据处理以及复杂工具的调用，是当下大模型面临的最困难的问题。如果底层的通用大模型本身不具备这种强大的逻辑推理能力，仅仅依靠后期的微调和外挂改造，根本无法赋予它解决复杂科学问题的能力。
在一些基础数学推理等科学能力的评测集上，国内顶尖通用模型与国际前沿水平仍存在差距。“这是我们必须面对的现实，也是最大的风险点。”鄂维南说。
除了模型不够强，缺乏高端科学仪器设备也是竞争风险之一。鄂维南指出，提升AI的科学能力需要高质量的实验数据，获取它们离不开科学仪器，比如能看清分子的高分辨质谱仪。如果没有自己的精密仪器，就拿不到第一手的高质量数据，AI就成了“无米之炊”。而目前中国很多仪器还依赖进口。
重塑科研体制
生产力的变革必然要求生产关系的重塑。面对科学智能时代的到来，鄂维南呼吁科研体系必须实现“三个打破”：打破学科界限，如贯通物理、材料和力学的宏微观研究；打破理论与实验的界限；打破科研与产业的界限，解决高校缺乏产业机制、企业缺乏顶尖人才的矛盾。
为了适应这种新模式，传统的评价机制亟需改革。鄂维南建议建立多维度评价机制，充分认可科研人员在数据、软件开发和系统搭建上的贡献。他提出，可以参考早期建立高新区的模式，设立针对AI原生科研的“特区”，在特区内实行全新的机制，为创新松绑。
针对上海未来的科学智能发展，鄂维南给出了具体建议。他认为，上海若要打造全球科创中心，必须建设代表全球最高水平的自动化、智能化“超级实验室”。
“这不仅是一个设施配资信息网配资，更是带动整个人才培养和产业发展的引擎。”他建议上海可以依托自身基础，如在生命科学领域，可以建设AI原生的多组学中心，驱动虚拟细胞等技术的发展。
恒正网提示：文章来自网络，不代表本站观点。
