几年前，科学家们还常为破解蛋白质三维结构绞尽脑汁，依赖X射线晶体学等复杂昂贵的实验手段，花费数年时间才能解析一个蛋白质结构。而如今，一个人工智能（AI）模型只需几小时甚至几分钟就能做到。DeepMind开发的AlphaFold，以原子级精度突破了困扰生物学界半个世纪的蛋白质折叠难题，将科研人员确定蛋白结构的时间大大缩短。更令人震撼的是，该团队已经将成果对外开放，大幅加速了药物设计、合成生物学、新材料等领域的研究进展。这一案例生动显示出AI在科学发现中释放的巨大能量。
11月24日，美国发布总统行政命令，宣布启动“创世使命（The Genesis Mission）”计划，加速利用AI取得科学突破。白宫新闻稿称，这一计划的“紧迫性和雄心可与曼哈顿计划相媲美”。前不久，中国政府网发布的《国务院关于深入实施“人工智能+”行动的意见》（以下简称《意见》），亦将“人工智能+科学技术”置于若干重点行动的第一位，明确提出，“加快探索人工智能驱动的新型科研范式，加速‘从0到1’重大科学发现进程”。而在《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》中，也要求“以人工智能引领科研范式变革”。可以说，AI已经被中美同时寄予了加速科学发现进程的厚望。
AI驱动科学发现的全球浪潮
近年来，AI赋能科研的浪潮已在全球各领域涌现出突破性成果。DeepMind联合创始人德米斯·哈萨比斯（Demis Hassabis）博士指出，AI有望“加速科学进步，开启生物、化学、数学乃至物理学全新的研究途径”。除了前文提到的AlphaFold在生命科学领域的里程碑之外，AI还在多个科学领域的基础研究中不断创造惊喜。
在数学领域，DeepMind开发的AlphaTensor算法，通过强化学习自动搜寻算法空间，找到了矩阵相乘更高效的新方法，打破了人类尘封50年的算法纪录。这一成果表明，AI有能力在庞大的“解题空间”中找到人类专家未及发现的创新解法。
在物理学上，AI同样展现出非凡潜力。2022年，研究人员利用深度强化学习成功控制了核聚变反应堆中炙热不稳定的等离子体，实现了对托卡马克装置内等离子体形状的自主调控，为可控核聚变研究开辟了新路径。
在生物医药领域，科学家通过机器学习从逾1亿种分子中筛选，发现了全新结构的广谱抗生素Halicin，对抗结核杆菌及多种耐药“超级细菌”表现出强效，这也是AI首次在未被识别为抗生素的分子库中发现了抗生素活性，展现出AI在新药发现上的巨大潜能。
从分子生物到基础数学，从气候预测到材料科学，AI正帮助科学界突破想象边界——许多过去被视为“不可能”的难题，在人机结合的新范式下开始出现解决的曙光。
“从0到1”：AI催化原始创新
“从0到1”的重大科学突破，指的是从无到有、颠覆性的新发现或新理论。这样的突破往往会改写认知边界，但也最具挑战性。传统的科学研究依赖于“假设—实验—验证”的闭环。这个过程漫长且昂贵，尤其是在面对高维度、多变量的复杂系统时，人类的“穷举法”和“试错法”显得力不从心。
“AI+科学”带来的第一个颠覆，就是将“经验驱动”转向“数据驱动”和“智能驱动”。一方面，AI可以在海量复杂的数据中挖掘出隐含的模式与规律，为科学家提供全新的灵感来源；另一方面，AI擅长在超高维度的参数空间中进行搜索优化，这使其有能力去尝试人类无法穷尽的组合，发掘潜藏其中的“金矿”。前文提到的AlphaFold解决了生物学长期未解的谜题，AlphaTensor找到了前所未知的算法，这些都是典型的“0到1”式突破，由AI大幅缩短了实现路径。
《意见》指出，要加快推动“从0到1”重大科学发现进程。这意味着，不仅要鼓励AI在现有知识框架内提升效率，更要利用AI来探索前人未踏足的知识疆域。AI不是要取代科学家，而是要成为科学家的“超级大脑”和“不知疲倦的助手”，帮助我们从海量的可能性中，快速锁定那个“0到1”的引爆点。
“从1到N”：AI促进多学科交叉融合
现代科学的重大突破，往往诞生于学科交叉之处。人工智能的到来，加速了不同领域知识的融合进程。“AI+科学”最令人兴奋的价值之一，就是《意见》所强调的“强化人工智能跨学科牵引带动作用，推动多学科融合发展”。AI正在成为一门新的“通用语言”，打破传统学科之间的高墙。
过去，一个生物学家可能很难理解一个量子物理学家的模型，一个材料学家也未必精通计算机科学的算法。但现在，他们都可以使用AI这个共同的“工具箱”。
AI模型可以“阅读”物理学文献，然后将其中的原理应用于设计一种新的生物传感器；AI也可以分析地质学数据和气象学数据，构建一个“地球孪生”模型，以前所未有的精度预测极端天气。
这种“AI+X”的融合范式，正在催生一系列全新的交叉学科。“AI+”的牵引作用，如同一个强大的“聚变反应堆”，将不同学科的知识和数据压缩、碰撞，释放出巨大的创新能量。
筑牢科学发现的“智能基座”
要让“AI科学家”真正上岗，光有算法的“灵感”还不够，必须要有坚实的“智能基座”。《意见》为此精准地指明了三大方向：科学大模型、高质量数据集和智能化的重大科技基础设施。类似地，美国“创世使命”计划也提出，构建综合性AI平台，利用联邦科学数据集训练科学基础模型，创建AI智能体以验证新假设、自动化研究流程并加速科学突破。
1.核心“引擎”：从“语言大模型”到“科学大模型”
我们熟悉的ChatGPT和DeepSeek是语言大模型，而“AI+科学”需要的是“科学大模型”。科学大模型“吃”进去的不是人类的语言，而是宇宙的“语言”——物理方程、化学结构、基因序列、蛋白质折叠数据、气象遥感图谱。它要学习和理解的是万物运行的基本规律。
《意见》强调“加快科学大模型建设应用”，AlphaFold就是蛋白质领域的“科学大模型”。如今，气象领域的“盘古气象”、“风乌”，生物医药领域的“神农”，材料科学领域的各类模型，都在快速涌现。
这些大模型如同打造了不同学科的“模拟宇宙”。科学家可以在这个“模拟宇宙”中，低成本、高效率地进行预测和探索。比如，我们不再需要建造昂贵的风洞，就能在AI模型中测试新型飞机的空气动力学；我们也不必合成上万种催化剂，AI可以先帮我们“算”出最有潜力的那几种。
2.宝贵“燃料”：打造开放共享的“高质量科学数据集”
如果说大模型是引擎，数据就是燃料。没有高质量、大规模、标准化的数据，“AI科学家”就是无米之炊。《意见》敏锐地指出了当前科研数据治理的痛点——“打造开放共享的高质量科学数据集，提升跨模态复杂科学数据处理水平。”
当前，科研数据分散分布在不同的单位、课题组和领域，“数据孤岛”现象阻碍了知识的流动与综合利用。同时还有“跨模态”的挑战：如何让AI同时理解一篇科研论文（文本）、一张显微镜照片（图像）、一组实验曲线（时序数据）和背后的化学方程式（符号）？
这要求我们必须加速建设国家级的科学数据中心和开放平台。这不仅是技术问题，更是机制问题。需要建立有力的激励和保障机制，让科研人员愿意共享数据；还需要构建标准化的数据集与评测基准，确保数据“可用”且“好用”。
3.智能“驾驶舱”：会“思考”的重大科技基础设施
《意见》还提到了一个极具前瞻性的方向：“推动基础科研平台和重大科技基础设施智能化升级”。未来的大型科研设备，如射电望远镜、高能粒子对撞机、同步辐射光源等，将不再是“傻瓜相机”，而是一个个智能体。
过去的望远镜，是科学家指向哪里，它就看哪里，产生的数据等待科学家的后续分析。而“智能化”的望远镜，可以搭载AI模型，在观测的瞬间就进行数据清洗和分析。甚至，AI可以根据刚发现的异常信号，自主调整望远镜的焦距和方向，进行“追逐式”观测。
这实现了“实验—分析—决策”的实时闭环。AI不再是科研的“下游”处理工具，而是嵌入到了“上游”的发现过程本身，成为了实验的“智能驾驶舱”。这将使我们的重大科研设施从“数据生产机器”升级为“科学发现机器”，效率呈指数级提升。
结语：拥抱“AI+科研”新时代
《意见》为我们描绘的，不仅是一个技术应用的蓝图，更是一个科研思想变革的宣言。AI之于科研，已不再是简单的辅助工具，而是深度嵌入创新链条的新引擎和新范式。不过，我们必须清醒地认识到，从“+AI”（把AI当作辅助工具）到“AI+”（把AI作为核心驱动范式）的转变，绝非易事。
这需要勇气，去挑战根深蒂固的科研路径依赖；也需要远见，去长期投入科学大模型和数据平台这些“慢”功夫；更需要智慧，去培养一大批既懂AI又懂学科的“跨界融合型”新一代科学家。
同时，我们还要认识到，AI没有“上帝之眼”，也并非独自创造科学奇迹的魔棒。它更像是放大镜和试验田：一方面放大我们搜寻创新的能力，另一方面提供虚拟试验环境去快速验证猜想。真正的原始创新仍需要人类科学家的洞察力与批判性思维，将AI提供的线索升华为理论突破。“AI+科学”的关键在于人机优势互补：既发挥AI的算力和算法优势，又由科学家把关方向、提炼意义。通过这种良性互动，才能显著提高取得颠覆性发现的概率。
（作者王翔为复旦大学数字与移动治理实验室研究员）
还没有评论，来说两句吧...