幾年前，科學家們還常為破解蛋白質三維結構絞盡腦汁，依賴X射線晶體學等復雜昂貴的實驗手段，花費數(shù)年時間才能解析一個蛋白質結構。而如今，一個人工智能（AI）模型只需幾小時甚至幾分鐘就能做到。DeepMind開發(fā)的AlphaFold，以原子級精度突破了困擾生物學界半個世紀的蛋白質折疊難題，將科研人員確定蛋白結構的時間大大縮短。更令人震撼的是，該團隊已經(jīng)將成果對外開放，大幅加速了藥物設計、合成生物學、新材料等領域的研究進展。這一案例生動顯示出AI在科學發(fā)現(xiàn)中釋放的巨大能量。

11月24日，美國發(fā)布總統(tǒng)行政命令，宣布啟動“創(chuàng)世使命（The Genesis Mission）”計劃，加速利用AI取得科學突破。白宮新聞稿稱，這一計劃的“緊迫性和雄心可與曼哈頓計劃相媲美”。前不久，中國政府網(wǎng)發(fā)布的《國務院關于深入實施“人工智能+”行動的意見》（以下簡稱《意見》），亦將“人工智能+科學技術”置于若干重點行動的第一位，明確提出，“加快探索人工智能驅動的新型科研范式，加速‘從0到1’重大科學發(fā)現(xiàn)進程”。而在《中共中央關于制定國民經(jīng)濟和社會發(fā)展第十五個五年規(guī)劃的建議》中，也要求“以人工智能引領科研范式變革”?？梢哉f，AI已經(jīng)被中美同時寄予了加速科學發(fā)現(xiàn)進程的厚望。

AI驅動科學發(fā)現(xiàn)的全球浪潮

近年來，AI賦能科研的浪潮已在全球各領域涌現(xiàn)出突破性成果。DeepMind聯(lián)合創(chuàng)始人德米斯·哈薩比斯（Demis Hassabis）博士指出，AI有望“加速科學進步，開啟生物、化學、數(shù)學乃至物理學全新的研究途徑”。除了前文提到的AlphaFold在生命科學領域的里程碑之外，AI還在多個科學領域的基礎研究中不斷創(chuàng)造驚喜。

在數(shù)學領域，DeepMind開發(fā)的AlphaTensor算法，通過強化學習自動搜尋算法空間，找到了矩陣相乘更高效的新方法，打破了人類塵封50年的算法紀錄。這一成果表明，AI有能力在龐大的“解題空間”中找到人類專家未及發(fā)現(xiàn)的創(chuàng)新解法。

在物理學上，AI同樣展現(xiàn)出非凡潛力。2022年，研究人員利用深度強化學習成功控制了核聚變反應堆中炙熱不穩(wěn)定的等離子體，實現(xiàn)了對托卡馬克裝置內等離子體形狀的自主調控，為可控核聚變研究開辟了新路徑。

在生物醫(yī)藥領域，科學家通過機器學習從逾1億種分子中篩選，發(fā)現(xiàn)了全新結構的廣譜抗生素Halicin，對抗結核桿菌及多種耐藥“超級細菌”表現(xiàn)出強效，這也是AI首次在未被識別為抗生素的分子庫中發(fā)現(xiàn)了抗生素活性，展現(xiàn)出AI在新藥發(fā)現(xiàn)上的巨大潛能。

從分子生物到基礎數(shù)學，從氣候預測到材料科學，AI正幫助科學界突破想象邊界——許多過去被視為“不可能”的難題，在人機結合的新范式下開始出現(xiàn)解決的曙光。

“從0到1”：AI催化原始創(chuàng)新

“從0到1”的重大科學突破，指的是從無到有、顛覆性的新發(fā)現(xiàn)或新理論。這樣的突破往往會改寫認知邊界，但也最具挑戰(zhàn)性。傳統(tǒng)的科學研究依賴于“假設—實驗—驗證”的閉環(huán)。這個過程漫長且昂貴，尤其是在面對高維度、多變量的復雜系統(tǒng)時，人類的“窮舉法”和“試錯法”顯得力不從心。

“AI+科學”帶來的第一個顛覆，就是將“經(jīng)驗驅動”轉向“數(shù)據(jù)驅動”和“智能驅動”。一方面，AI可以在海量復雜的數(shù)據(jù)中挖掘出隱含的模式與規(guī)律，為科學家提供全新的靈感來源；另一方面，AI擅長在超高維度的參數(shù)空間中進行搜索優(yōu)化，這使其有能力去嘗試人類無法窮盡的組合，發(fā)掘潛藏其中的“金礦”。前文提到的AlphaFold解決了生物學長期未解的謎題，AlphaTensor找到了前所未知的算法，這些都是典型的“0到1”式突破，由AI大幅縮短了實現(xiàn)路徑。

《意見》指出，要加快推動“從0到1”重大科學發(fā)現(xiàn)進程。這意味著，不僅要鼓勵AI在現(xiàn)有知識框架內提升效率，更要利用AI來探索前人未踏足的知識疆域。AI不是要取代科學家，而是要成為科學家的“超級大腦”和“不知疲倦的助手”，幫助我們從海量的可能性中，快速鎖定那個“0到1”的引爆點。

“從1到N”：AI促進多學科交叉融合

現(xiàn)代科學的重大突破，往往誕生于學科交叉之處。人工智能的到來，加速了不同領域知識的融合進程?！癆I+科學”最令人興奮的價值之一，就是《意見》所強調的“強化人工智能跨學科牽引帶動作用，推動多學科融合發(fā)展”。AI正在成為一門新的“通用語言”，打破傳統(tǒng)學科之間的高墻。

過去，一個生物學家可能很難理解一個量子物理學家的模型，一個材料學家也未必精通計算機科學的算法。但現(xiàn)在，他們都可以使用AI這個共同的“工具箱”。

AI模型可以“閱讀”物理學文獻，然后將其中的原理應用于設計一種新的生物傳感器；AI也可以分析地質學數(shù)據(jù)和氣象學數(shù)據(jù)，構建一個“地球孿生”模型，以前所未有的精度預測極端天氣。

這種“AI+X”的融合范式，正在催生一系列全新的交叉學科?！癆I+”的牽引作用，如同一個強大的“聚變反應堆”，將不同學科的知識和數(shù)據(jù)壓縮、碰撞，釋放出巨大的創(chuàng)新能量。

筑牢科學發(fā)現(xiàn)的“智能基座”

要讓“AI科學家”真正上崗，光有算法的“靈感”還不夠，必須要有堅實的“智能基座”?！兑庖姟窞榇司珳实刂该髁巳蠓较颍嚎茖W大模型、高質量數(shù)據(jù)集和智能化的重大科技基礎設施。類似地，美國“創(chuàng)世使命”計劃也提出，構建綜合性AI平臺，利用聯(lián)邦科學數(shù)據(jù)集訓練科學基礎模型，創(chuàng)建AI智能體以驗證新假設、自動化研究流程并加速科學突破。

1.核心“引擎”：從“語言大模型”到“科學大模型”

我們熟悉的ChatGPT和DeepSeek是語言大模型，而“AI+科學”需要的是“科學大模型”?？茖W大模型“吃”進去的不是人類的語言，而是宇宙的“語言”——物理方程、化學結構、基因序列、蛋白質折疊數(shù)據(jù)、氣象遙感圖譜。它要學習和理解的是萬物運行的基本規(guī)律。

《意見》強調“加快科學大模型建設應用”，AlphaFold就是蛋白質領域的“科學大模型”。如今，氣象領域的“盤古氣象”、“風烏”，生物醫(yī)藥領域的“神農(nóng)”，材料科學領域的各類模型，都在快速涌現(xiàn)。

這些大模型如同打造了不同學科的“模擬宇宙”?？茖W家可以在這個“模擬宇宙”中，低成本、高效率地進行預測和探索。比如，我們不再需要建造昂貴的風洞，就能在AI模型中測試新型飛機的空氣動力學；我們也不必合成上萬種催化劑，AI可以先幫我們“算”出最有潛力的那幾種。

2.寶貴“燃料”：打造開放共享的“高質量科學數(shù)據(jù)集”

如果說大模型是引擎，數(shù)據(jù)就是燃料。沒有高質量、大規(guī)模、標準化的數(shù)據(jù)，“AI科學家”就是無米之炊?！兑庖姟访翡J地指出了當前科研數(shù)據(jù)治理的痛點——“打造開放共享的高質量科學數(shù)據(jù)集，提升跨模態(tài)復雜科學數(shù)據(jù)處理水平?！?/p>

當前，科研數(shù)據(jù)分散分布在不同的單位、課題組和領域，“數(shù)據(jù)孤島”現(xiàn)象阻礙了知識的流動與綜合利用。同時還有“跨模態(tài)”的挑戰(zhàn)：如何讓AI同時理解一篇科研論文（文本）、一張顯微鏡照片（圖像）、一組實驗曲線（時序數(shù)據(jù)）和背后的化學方程式（符號）？

這要求我們必須加速建設國家級的科學數(shù)據(jù)中心和開放平臺。這不僅是技術問題，更是機制問題。需要建立有力的激勵和保障機制，讓科研人員愿意共享數(shù)據(jù)；還需要構建標準化的數(shù)據(jù)集與評測基準，確保數(shù)據(jù)“可用”且“好用”。

3.智能“駕駛艙”：會“思考”的重大科技基礎設施

《意見》還提到了一個極具前瞻性的方向：“推動基礎科研平臺和重大科技基礎設施智能化升級”。未來的大型科研設備，如射電望遠鏡、高能粒子對撞機、同步輻射光源等，將不再是“傻瓜相機”，而是一個個智能體。

過去的望遠鏡，是科學家指向哪里，它就看哪里，產(chǎn)生的數(shù)據(jù)等待科學家的后續(xù)分析。而“智能化”的望遠鏡，可以搭載AI模型，在觀測的瞬間就進行數(shù)據(jù)清洗和分析。甚至，AI可以根據(jù)剛發(fā)現(xiàn)的異常信號，自主調整望遠鏡的焦距和方向，進行“追逐式”觀測。

這實現(xiàn)了“實驗—分析—決策”的實時閉環(huán)。AI不再是科研的“下游”處理工具，而是嵌入到了“上游”的發(fā)現(xiàn)過程本身，成為了實驗的“智能駕駛艙”。這將使我們的重大科研設施從“數(shù)據(jù)生產(chǎn)機器”升級為“科學發(fā)現(xiàn)機器”，效率呈指數(shù)級提升。

結語：擁抱“AI+科研”新時代

《意見》為我們描繪的，不僅是一個技術應用的藍圖，更是一個科研思想變革的宣言。AI之于科研，已不再是簡單的輔助工具，而是深度嵌入創(chuàng)新鏈條的新引擎和新范式。不過，我們必須清醒地認識到，從“+AI”（把AI當作輔助工具）到“AI+”（把AI作為核心驅動范式）的轉變，絕非易事。

這需要勇氣，去挑戰(zhàn)根深蒂固的科研路徑依賴；也需要遠見，去長期投入科學大模型和數(shù)據(jù)平臺這些“慢”功夫；更需要智慧，去培養(yǎng)一大批既懂AI又懂學科的“跨界融合型”新一代科學家。

同時，我們還要認識到，AI沒有“上帝之眼”，也并非獨自創(chuàng)造科學奇跡的魔棒。它更像是放大鏡和試驗田：一方面放大我們搜尋創(chuàng)新的能力，另一方面提供虛擬試驗環(huán)境去快速驗證猜想。真正的原始創(chuàng)新仍需要人類科學家的洞察力與批判性思維，將AI提供的線索升華為理論突破?！癆I+科學”的關鍵在于人機優(yōu)勢互補：既發(fā)揮AI的算力和算法優(yōu)勢，又由科學家把關方向、提煉意義。通過這種良性互動，才能顯著提高取得顛覆性發(fā)現(xiàn)的概率。

（作者王翔為復旦大學數(shù)字與移動治理實驗室研究員）