一、大會情況

人工智能技術的快速發展正在深刻重塑科學研究范式，其對科學發現的加速作用備受關注。在MetaScience2025倫敦大會的全體會議上，圍繞主題"AI在科學中的應用：加速發現？"與會專家深入探討了人工智能在科學研究中的變革性作用，包括AI模型在藥物發現、生物醫學研究、材料科學等領域的突破性應用，傳統科學評估體系如何適應AI驅動的研究范式，AI生成科學內容的質量控制與倫理考量，以及全球科技發展不平衡背景下AI科學應用的公平性等關鍵問題。專家們從技術創新、政策制定、哲學思辨和科學計量等多個維度，分析了AI技術對科學發現模式的深層影響，強調在科學研究日益數據化和智能化的時代背景下，如何確保AI真正服務于科學發現而非僅僅追求技術炫技的重要性。

會議由倫敦大學學院(UCL)研究創新與全球參與副校長Geraint Rees主持，Google DeepMind影響力加速器負責人Anna Koivuniemi圍繞AI在科學領域的變革性應用作開幕主旨演講。倫敦大學學院神經學教授Parashkev Nachev，印度科學研究所DST政策研究中心高級研究員Moumita Koley，慕尼黑工業大學科學技術哲學與歷史教授、倫理數據倡議科學主任Sabina Leonelli，西北大學管理與組織學教授、科學學與創新研究中心創始主任王大順等五位來自不同國家和研究領域的頂尖學者組成主旨小組，分別從神經科學應用、發展中國家科技政策、科學倫理哲學以及科學創新計量分析等角度，深入探討了AI技術在推動科學發現過程中的機遇與挑戰。

二、主要內容

1.Google DeepMind的實踐案例與全球合作愿景

Google DeepMind影響力加速器負責人Anna Koivuniemi強調，AI的使命是負責任地構建AI以造福人類，科學研究是這一使命中的重要組成部分。通過天氣預測、蛋白質結構預測、AI科學家三個案例，Anna展示出AI理解復雜系統的強大能力和在科學發現中的巨大潛力。Google的"Weather Next Gen"模型成功預測颶風登陸德克薩斯州，比全球氣象機構更準確，并提前4天預警。AlphaFold解決了困擾科學界數十年的蛋白質結構預測難題。如今已向研究人員提供2億個結構，超過300萬研究人員受益，并對藥物發現做出巨大貢獻。Google推出的"AI科學家"模型與帝國理工學院合作，在幾天內發現了科學家多年研究才找到的抗生素耐藥性細菌假設。

在AI工具應用普及方面，AI工具在全球南方的應用存在較大數字鴻溝，非洲等地區AlphaFold使用率較低，主要因缺乏技能和經驗。Google正培訓這些地區研究人員，如喀麥隆研究員利用AlphaFold研究抗生素耐藥性的成功案例。

最后，Anna對AI for Science未來發展提出四大合作方向：1.定義21世紀重大科學問題、2.提高數據可獲得性、3.確保公平受益、4.開展元科學研究。在風險防控措施上，需要承認AI可能降低科學創造性、影響可靠性等風險，Google正開發相應防范工具并建立負責任實踐機制。

2.從資源約束到創新機遇：印度科研環境下的AI應用調研

來自印度科學院班加羅爾分校DST政策研究中心的高級研究分析師Moumita Koley針對全球南方國家使用AI的情況進行了調研，涵蓋了印度來自化學、數學、公共科學、政策和生物科學等不同領域的研究人員。她圍繞研究生命周期的五個階段提出了四個核心問題：1.研究人員在哪些階段使用AI、2.看到了什么機會、3.面臨什么挑戰，4.AI是否真正加速了科學發現。

調研結果顯示，在當前印度的AI for Science應用中，呈現明顯的階段性特征。在研究問題制定和研究設計階段，AI使用非常有限，主要是大語言模型的應用。在數據分析和解釋階段，部分學科開始廣泛使用AI，特別是機器學習技術。而在研究交流階段，幾乎所有研究人員都在使用大語言模型。

研究人員對AI持謹慎樂觀態度，特別是材料科學領域的研究者較為樂觀。然而，他們也表達了幾個主要擔憂：首先是資源問題，擔心AI工具過于昂貴，特別是對于印度等發展中國家的研究機構；其次是語言障礙，非英語母語研究者希望AI能幫助改善學術寫作質量；最后是內容質量問題，擔心AI生成的大量低質量內容會影響真正有價值的研究成果的可見度。

Moumita最后提到，當前的研究激勵制度可能是導致科學創新性下降的原因，建議可以利用AI處理常規工作，讓研究人員專注于思考更重要的問題。

3.批判性反思AI for Science的五大挑戰

慕尼黑工業大學科學技術哲學與歷史系主任Sabina Leonelli在發言中提出了AI在科學研究中應用面臨的五大核心挑戰，為當前普遍樂觀的AI科學應用討論提供了批判性視角。

一是創造性與常規工作的界限模糊。當前AI工具普遍基于"常規枯燥工作"與"創造性思維"的二元劃分，但科學史表明這種區分極其困難。以DNA雙螺旋結構發現為例，看似枯燥的X射線晶體學工作實際上成為了重大發現的源泉，這說明所謂的"常規工作"往往蘊含著創新潛力。

二是算法偏見和透明度不足。AI模型中嵌入的概念假設和偏見往往難以識別和評估，模型越復雜，這些問題越難察覺。

三是關鍵技能的潛在流失。過度依賴AI工具可能導致研究人員喪失閱讀、寫作和獨立思考能力。Leonelli特別強調了"便利"概念的復雜性——便利是主觀的、語境化的，在AI for Science場景應用中，需要明確的方案比較才能清晰評估。

四是資源偏見和技術壟斷。AI技術發展需要巨大的硬件資源和超算設施，只有大公司和少數機構能夠參與技術開發，普通研究者被排除在外。當前AI發展過分關注通用人工智能，而非科學應用的特定需求。

五是模型驗證和成果質量控制的高昂成本。AI模型的驗證、監控和質量評估需要大量人力投入，但這類工作往往報酬微薄、缺乏認可。

Leonelli強調，需要建立負責任的AI實踐，優先考慮生物、社會和科學多樣性，確保最脆弱群體的代表性，并思考跨學科、跨文化的合作形式，以確保AI技術的負責任發展。

4.AI驅動的的創新發現系統介紹

凱洛格管理學院技術學系主任王大順教授展示了如何利用數據分析發現隱藏的科研創新潛力。幾年前，西北大學領導層要求王教授研究本校的科研創新情況。通過整合大學的專利轉讓、授權信息、出版記錄、資助數據和人力資源數據，并結合全球研究創新數據集，他們構建了一個全流程的科研影響分析系統SciSciGPT。

醫學院教授Cathy Green的案例體現出分析系統的潛力，她擁有數百篇論文和數千萬美元研究資助，但從未申請過專利。然而，數據分析顯示，她的論文被其他專利大量引用作為重要先驗技術，特別是被一家德國免疫療法初創公司的十項專利所引用。當技術轉移辦公室主任與Cathy交流這一發現后，她在一周內就提交了首個專利申請，三年后還獲得了STTR資助并開始皮膚癌相關的創業項目。

西北大學內部已經發現了約100名類似的"隱藏創新者"，其他大學也有數百名這樣的研究人員。利用AI持續掃描和監控所有機構的研究成果，能夠持續挖掘隱藏在大學內的巨大創新潛力。現在項目成功獲得NSF2000萬美元資助，已與美國30所大學合作，并計劃將合作版圖擴展至其他國家。西北大學近期成立了創新研究所，獲得2500萬美元資助開發"創新智能"的大語言模型。王教授強調，科研效率哪怕提升5%，對人類健康和生活質量的影響都將是巨大的，這種AI驅動的創新發現系統將大幅提升機構和國家的科研成功率與全球競爭力。

5.從生產力危機到智能化解決方案

UCL腦科學教授Parashkev Nachev指出了當前科學研究面臨的嚴重生產力危機。以醫藥領域為例，從1950年到2010年，學術論文發表數量每九年翻一番，但能夠成功進入市場的新藥投資回報卻每九年減半，這表明傳統的科學評估體系存在根本性問題。現有的評估方法主要依賴引用數量和研究者聲譽等定性指標，無法有效預測研究的實際應用價值和社會影響。

為解決這一問題，Parashkev教授團隊在加州大學洛杉磯分校醫學研究中心的支持下，開發了基于內容分析的AI預測模型。他們分析了超過4000萬篇來自Microsoft Academic的學術論文，重點研究這些論文的標題和摘要內容與其是否被納入專利申請或政策文件之間的關系。

研究結果令人鼓舞。通過建立高維度的內容表征模型，他們發現論文內容與其實際應用價值之間存在明顯的結構性關聯。更重要的是，這種基于內容的AI模型在預測論文是否會產生實際影響方面，比傳統的引用指標表現出更高的準確性。該模型不僅能夠預測專利相關性，甚至可以識別與諾貝爾獎相關的研究工作，且這種預測能力在1991年以來的時間跨度內保持穩定。

Parashkev教授強調，這種方法的核心價值在于結合復雜的AI模型與人類專業判斷，通過深度分析研究內容來指導科學投資決策，從而在研究早期就能預測其潛在影響力。

AI正在科學系統中扮演越來越多元的角色——既是知識發現的加速引擎，也是科研體系自身的調度器與重構者。它既能參與生成新知識、提出假設、驗證模型，也正在被用于優化科研資源配置、評估潛在影響力、識別隱形創新者。在此過程中，AI不僅提升了科研效率，更重新塑造了我們理解科學的方式。未來的科研生態，將是人與機器共構、個體與系統協同的智能閉環。

本文由上海市科學學研究所科技與社會研究室博士后吳琪執筆。李輝，高繼卿，吳文偉參與潤色。文章觀點不代表主辦機構立場。

◆ ◆ ◆

編輯郵箱：sciencepie@126.com