人工智能賦能科研（AI for Science, AI4S）是當前科技發展的新興領域，也是科技變革的關鍵因素。關于AI for Science的發展與阻礙，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合負責人

AI4S的發展需要技術與組織模式創新兼顧，2025AI4S突破口可能在自主科學發現與“冷門”學科

“堆數據、堆算力就能解決AI問題”的觀點值得質疑。科研組織方式、環境和政策在AI發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（例如當今的數據和算力），更得益于良好的科研環境和組織模式。其他國家的類似經驗也表明資源堆砌并不保證產出頂尖的科研成果。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：數據驅動型（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）、創新驅動型（如2024年提出的自主科學發現框架AI Scientist）。雖然最近幾年數據驅動型和計算驅動型的AI4S在學界和產業皆已取得亮眼成果，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新驅動型，即AI推動的科學發現，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

在科技政策研究領域，學者對人工智能普遍持樂觀態度，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。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展目標。就現階段AI的發展水平而言，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能從基于人們的經驗中更好地做方案篩選、或基于經驗做推理，幫助人們更好地選擇和發展技術方案；；而AI4S還有更大的挑戰尚未解決，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劃。所以在AI在發展出真正的“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、帶來戰略性優勢的領域。目前數據質量、數據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據和算力堆積到極限，那就意味著我們事實上期待于產生一個高度“集中化”的科研結構：由國家來集中，或者由商業的“算力/數據平臺”來集中。而這是人們所期待的科學前景嗎？科研的多樣性、科學工作者的創造力、組織性的協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據、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

小數據環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

在化工過程系統工程領域，數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據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，相關的工作已經在開展。近年來，生成式人工智能、大語言模型等技術的發展進一步推動了化工新材料智能設計、自主研發等前沿方向的發展。

在與工業界合作過程中，我們發現化工新材料企業對于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、新配方等的發現。為推進AI4S的在材料領域的工程落地，我們需要更關注企業的實際需求。與此同時，在不同的任務中，我們都注意到一個共性的難題，即數據資源的匱乏。工業領域數據收集、標注成本高、具有較高的商業價值以及較強的私有性。這樣的固有屬性所導致的數據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據學習的相關研究，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，降低對數據規模以及質量的要求，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現事業部聯席副總裁

RDMTA系統能夠有效形成AI4S數據飛輪

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、目標函數明確，數據足夠。這確保了AI在科學研究中的有效應用。數據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技術深度挖掘現有數據，二是如何通過物理計算和濕實驗產生新數據。因此，如何將自動化實驗系統和科研過程中的RDMTA（研究數據管理和傳輸架構）框架進行結合，并形成數據飛輪是AI4S發展的關鍵問題。

AI4S領域的產學研合作面臨政策性障礙，尤其在知識產權（IP）分配上。企業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）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據，組織模式問題，還需克服產學研合作中的結構性障礙，以推動科學研究的高效發展。

王戴琦

上海市未來產業生物制造專家委員會秘書長

以數據的完整性、規?；?、標準化和高質量促進AI4S發展

近年來，合成生物學和生物制造領域快速發展，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?？鐚W科協作成為促進創新的關鍵。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，數據質量仍是AI4S發展的核心制約因素。AI模型的有效性不僅依賴算法，還需高質量的訓練數據支持，若數據的完整性、規?；蜆藴驶透哔|量無法保證，AI效果會大打折扣。

例如，微生物數據庫中，不同環境下的微生物數據差異巨大，確保數據的完整性和標準化是亟待解決的挑戰。跨領域數據整合和標準化，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據，失敗數據同樣具有重要價值。負向數據可幫助科學家識別問題并避免錯誤路徑，推動技術進步。

在醫學領域，IBM沃森機器人通過整合大量高質量數據，提升診療效率，減少主觀判斷錯誤，展示了數據質量對AI系統有效性的影響。同時，數據安全性與質量的平衡也是AI4S發展的關鍵。保護數據安全的模糊化處理可能影響數據質量，因此，確保數據安全同時保證數據質量是推動AI4S應用的挑戰，必須在數據收集、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始人,CEO

AI4S的發展離不開政府支持，尤其在科研資源整合，人才培養和科研轉化方面

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，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據采集的挑戰。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，數據采集與整合也是關鍵問題。雖然已有進展，數據清洗、整合和優化仍需加強，尤其是在多個模態數據的處理上取得顯著成效。此過程對于單個企業難以完成，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業政策和資金支持，但企業仍面臨實際問題，如如何將高校畢業生培養為適應企業環境的工程師。學生從學術到企業的轉變需要學校與企業共同探討。AI4S的發展離不開政府支持，政府需在科研資金、跨學科合作、數據共享和企業協作上發揮積極作用，尤其在人才培養和科研轉化方面，推動AI4S的長期發展。

楊光

上海耀途資本創始合伙人

AI4S潛力巨大，但技術和商業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，盡管發展周期較長，但已在醫藥、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，數據質量和數據源的豐富性也非常重要，天鶩利用公開和非公開數據，確保技術在數據有限情況下順利發展。

現在AI4S公司拿前幾輪投資容易，但是拿到長期穩定的“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，商業化前景不明確；另一方面，國內投資的可持續性問題亟待解決。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的壓力。此外，數據共享和標準化工作對于技術成熟和產業發展也至關重要。

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現自然規律是AI4S的下一個挑戰

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，主要得益于大規模數據集的存在。然而，在許多其他產業，受限于硬件和數據集的瓶頸，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節，主要通過整合現有人工智能軟件和個人創新，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，大量參數難以解讀，使得算法無法總結出真正的科學規律。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。人工智能的優勢在于其能夠通過大量數據進行總結和歸納，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新方面，仍需依賴傳統的科學方法和基礎研究，未來的挑戰在于，如何在有限的數據集下推動更深入的科學發現，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，數據明確且問題清晰，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據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，且難以用傳統工程化標準評估其進展。

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

公眾往往誤解AI4S，過度關注大數據和大模型，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?？蒲卸鄻有院蛣撔滤季S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的創新和發展。因此，AI4S的成功需要技術突破、跨學科合作、數據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合作總監

AI4S科技企業面對AI的規模效應，需要數據和算力等方面支持性政策以保障良好發展

在當前科研和AI應用領域，單純依賴“堆數據、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，企業和研究機構面臨許多挑戰。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，許多初創企業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的區別在于，傳統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濟回報，只有將科研成果轉化為商業化產品，才能為科研提供資金支持，促使科研與工程更緊密結合。

數據使用和共享方面，盡管生成了大量高質量數據，企業和機構通常優先用于自身應用，而非共享給他人。集中化的資源分配可能對科研生態產生不利影響，因此，政府或資本方的干預至關重要，以促進數據共享并降低使用成本。資金分配機制也未完全適應科技發展。以材料研發為例，企業需要大量算力，但現有資金池無法覆蓋這一支出，限制了企業發展。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