近期国务院发布的《关于深入实施人工智能+行动的意见》（以下简称《意见》），提出加快实施六大重点行动，“人工智能+科学技术”排在首位。

　　这释放了什么信号？AI到底怎样颠覆传统的科研模式？“科学大模型”和我们熟悉的ChatGPT、DeepSeek有啥不一样？AI怎么打破数学、物理、化学等“学科壁垒”？未来5到10年，科研形式会发生翻天覆地的变化吗？

　　本期嘉宾来自AI for Science（人工智能赋能科学技术）领域的先行者——北京科学智能研究院，我们邀请到了研究院院长李鑫宇，他将以生动的语言，带我们踏上一次“科研未来之旅”，深入了解这场正在发生的“科研范式革命”。

本期嘉宾：北京科学智能研究院院长李鑫宇

　　对话AI摘编：

　　主持人：国务院《关于深入实施“人工智能+”行动的意见》将“人工智能+科学技术”放在六大行动首位，在您看来这传递了什么信号？

　　李鑫宇：首先国家敏锐把握到了它对社会发展的重要意义。从历史角度看，“科学技术是第一生产力”一直是核心，把它放在首位和整体发展逻辑一致，它是“AI+各行业、各领域”的底层支撑。这是重新梳理二者关系的重要政策——这次是把科学技术重新拉回视野，找回“以科技突破为底层带动各领域发展”的核心结构，这点特别重要。

　　主持人：很多人知道AlphaFold的案例，您能讲讲AI引领的科研范式革命吗？什么是科研范式？又“革”了传统科研方法什么“命”？

　　李鑫宇：“科研范式”是托马斯·库恩在《科学革命的结构》里提的，简单说就是科研共同体的共同信念——大家相信用什么方法能解决科学问题，形成共识就是范式。历史上就这么几类：最早是“实验”，靠观测总结经验；后来牛顿等人用“理论推理”演绎世界；计算机来了，“计算”成了重要方式；互联网时代，“数据驱动”成为主流。现在聊任何科学问题，科研人员都会问“AI能不能帮我”，所以AI for Science成了新范式。

　　至于“革命”，其实不是革谁的命，而是像计算机一样，给了我们更强的工具——过去想做却做不到的事，现在能做了。比如蛋白质折叠，之前有生物信息学方法、蛋白质结构数据库，始终没找到高效预测蛋白质结构的工具，直到加入人工智能、深度神经网络，这个问题得以解决。现在各个行业、领域都有可能通过这种方式实现科学突破，这就是科研范式革命带来的机会。

　　主持人：目前是不是所有领域都能用AI赋能，基本没有不能的？

　　李鑫宇：得看科学研究的流程。如果从查文献、梳理前人成果开始，AI已经普遍赋能了——过去一个人一辈子能读的论文、了解的工作有限，但现在大语言模型能全量吸收知识，甚至未来可以在深度解析所有文献后，输入新想法就能知道前人有没有研究过，能精准定义“人类知识边界”，这效率提升太大了，从这点看AI影响是全方位的。

　　但聚焦具体科研问题，得看三个维度。一是问题定义清不清？比如蛋白质结构预测，和真实结构“像不像”有明确标准。二是数据够不够？数据、工具积累不到位，AI也没法发力。三是AI能带来颠覆性突破还是只是渐进式演进？得结合领域重要性看。不是所有问题都能靠AI解决，有些领域的传统瓶颈根本不在AI能发力的地方。

　　主持人：《意见》提出要“加速科学发现进程”，特别是“从0到1”的突破。能否分享一个最让您兴奋的、AI助力重大科学发现的具体案例？

　　李鑫宇：“0到1”的突破大多公众不熟悉，最典型的就是大家认可的蛋白质结构预测——有诺贝尔奖背书，确实是重大突破。但其实很多领域都在发生：比如AlphaGO的核心是在巨大的决策空间找最优解，科研里这类事不少。像电动汽车动力电池的电解液配方——电解液是正负极间的导电介质，配方特别复杂，锂盐和辅助导电物质的比例难拿捏，过去只能靠大量实验，成本高、周期长。现在用计算模拟加AI，能在海量配方里快速筛选出“还不错”的方案，再用少量实验验证，效率提升太多。国家强调“0到1”，就是看到了我们有大量这样的机会。

　　主持人：《意见》提到，“加快科学大模型建设应用”。能不能用普通人能理解的方式解释，什么是科学大模型？科学大模型能否像“超级显微镜”和“超级望远镜”一样，成为一种全新的科研利器？

　　李鑫宇：ChatGPT像个“厉害的普通人”，能写报告、处理日常事务；科学大模型得像“厉害的科学家”，有三个核心能力：第一，“看得懂科学家能看懂的东西”——科学大模型必须能识别比如电镜图、核磁谱图、天文图像这些专业数据；第二，“像科学家一样推理”——科学家观察现象后，能顺着科学体系和逻辑框架推导结论，这种“科学长链条推理”能力它得有；第三，“会用科学家用的工具”——例如科学大模型得能操纵显微镜拍照、用计算模拟软件做仿真。同时具备这三点才叫科学大模型，这对科研生产力提升是革命性的。

　　和通用大模型的区别？未来追求通用人工智能（AGI）的话，两者可能殊途同归，都是“全知全能”的智能体。但现在受训练方法限制，科学大模型能走“垂直突破”路线——写诗作画虽不如通用模型，但科研能力却远超它。

　　主持人：目前国内外科学大模型发展处于哪个阶段？

　　李鑫宇：核心瓶颈还是在“数据”上。现在我们会把简单科学文本数据喂给基础大模型，微调后让它有一定科研能力，但没触到科学大模型的本质——科学数据不是“有没有”的问题，是“能不能用”。过去通用大模型靠“人工标注高质量数据”，标注门槛低，但科学数据标注门槛高：很多化学分子式只有学化学的能认，天文图像只有天文学者能解读，得领域专家来标，这个过程会很长。不过这对我国是大机会——我们是全世界本科及以上教育人数最多的国家，有足够专业人才做标注。

　　主持人：除了人工标注，现有科学数据量够不够？是不是还缺数据？

　　李鑫宇：AI发展已经进入“下半场”，划分标准就是存量和增量数据的比例——存量数据差不多挖透了，剩下的要利用，得更深度标注。比如很多科学数据存在数据中心、图书馆，但那是在“没有AI”的背景下建的，没考虑过AI能用，现在要给AI用，得先把“人类能看懂”的数据改成“AI能理解”的，这是第一步。

　　另外，现在很多科学仪器每天都产新数据，我们得改造这些仪器，让它们从“源头”就产高质量、符合AI需求的数据，这也是长期过程。过去做数据是为了“人类查阅”，现在是为了“喂给AI（神经网络）”，数据的“出口”变了，形式、标准也完全不同。我们正在建“数据与AI共同进化”的体系，但还不完善，一旦建成，AI赋能科研的能力会大幅提升，速度也会更快，它将进入到一个迭代循环的发展逻辑。

　　主持人：《意见》提到“强化人工智能跨学科牵引带动作用，推动多学科融合发展”。请您给我们分享一些案例，AI是如何充当“粘合剂”，打破数学、物理、化学、生物等传统学科壁垒的？

　　李鑫宇：先回顾学科起源——科学研究最初从哲学分化出来，核心原因是“人的生命有限”，一辈子研究不了所有领域，只能聚焦细分方向。久而久之，不同学科有了自己的方法、工具甚至语言体系，壁垒越来越深。AI的出现让我们有了打破壁垒的能力：一是知识获取快了，能涉猎更多领域；二是能“以问题为核心”而非“以学科为核心”整合知识。比如“找新药”：化学叫“计算化学”，物理叫“计算物理”，生物叫“计算生物学”，数学叫“应用数学”，但本质都是解决“新药设计”。过去学科语言不同，同样方法可能有不同称呼，沟通成本高；现在有语言模型能“内容对齐”，轻松知道其他学科的相关成果，不用先学“对方术语”。这种“以问题为导向”的跨学科研究，过去不是不想做，是没能力做——大家都认可融合重要，但受限于知识效率和语言壁垒，推进不了。AI正好起了“牵引”作用，让“想做的事能落地”，所以意见里“强化牵引带动作用”的措辞特别精准，没有AI，跨学科可能只是“想法”。

　　主持人：《意见》独到地提出了“创新哲学社会科学研究方法”。这是否是AI for Science概念的进一步拓展？

　　李鑫宇：哲学、社会学和自然科学最初也没割裂，比如社会学也研究“科技哲学史”，后来渐行渐远，是因为长期社会发展是“线性演进”，没出现颠覆认知的科技革命。回顾历史，农耕时代取代原始社会、蒸汽时代取代农耕时代，每次科技革命都会让哲学、社会学“重新思考”——社会组成、伦理道德、责任主体等核心假设都会变。现在AI快速发展，又是一次“颠覆性科技革命”，自然给哲学、社会学带来新问题。比如，出现“全知全能的AI”，社会结构会变吗？AI的伦理责任怎么界定？这些问题比过去复杂。

　　所以，首先，哲学、社会学的“研究范围”会随AI拓展——不能只聚焦当下的“AI伦理挑战”，要站在“科技革命重塑社会”的视角重新思考核心命题。这里我想呼吁：现在讨论AI伦理、哲学问题的多是AI技术研究者，但长期做科学哲学、社会学的学者，可能有更深刻理解，却常被当成“技术门外汉”排除在外，这是损失。其次，研究方法也可能改变——现在能用AI做“虚拟社会实验”，比如建一个“多智能体社会”，观察它的演进规律，这在过去不可想象。从这点看，AI确实拓展了哲学社会科学的研究边界，算是AI for Science理念的延伸。

　　主持人：展望未来五到十年，被“AI+”重塑后的科研会是什么样？刚入行的年轻科学家，工作方式、思维模式会和现在有啥大区别？

　　李鑫宇：可以先想个场景：你有了新科研想法，不用花几个月写“文献综述”。只需输入模型，立刻就能得到答案：这个想法在人类知识边界内吗？前人研究过吗？这会彻底改变科研的起点。过去写文献综述是“确认前人研究范围”，要花大量时间查文献；未来这个过程会被AI简化，年轻科学家能把更多精力放在“创新”上，不是“重复验证”。第二，年轻科学家能调动的“科研工具”会远超现在。比如今天的年轻化学家，本科要花很久学“试管滴定”，手抖的人甚至做不了实验；但未来的自动化实验室里，只要编程设定“滴多少试剂”，AI就能精准操作。换句话说，“动手能力弱”不再是科研的障碍——哪怕你擅长理论推导，不擅长做实验，AI也能帮你补齐短板，让“脑力优势”充分发挥。这种变化会非常快，不会等十年，可能三五年内，年轻科学家的工作方式就会有明显不同。

　　主持人：作为AI与科研融合前沿的年轻院长，您对关注这场科技革命的青年研究人员、学子有什么建议？他们该怎么更好拥抱AI？

　　李鑫宇：眼下最重要的是“保持开放包容的心态”，同时“持续保持好奇心”，做科研时不给自己设限，就不会有真正的限制。把AI当成“伙伴”，用它去加速自己的研究进度，拓展自己的研究边界。