当名为“阿尔法折叠2”的人工智能（AI）模型实现对蛋白质复杂结构的预测，人们意识到：一场由算法驱动的科研革命已悄然降临。实验室的深夜，即使灯已熄灭，但AI智能体仍在无声运转，优化抗癌药物的分子结构，分析海量蛋白质数据，甚至生成完整的药物设计报告。

　　“AI+科研”模式的兴起，在提高科研效率、拓展研究边界方面展现出巨大潜力。从海量天文数据的智能清洗，到蛋白质结构的秒级解析；从文献海洋的知识图谱构建，到药物研发的虚拟仿真实验……AI技术正以惊人的渗透力重塑科研全链条。那么，“AI+科研”要真正实现从“工具辅助”到“范式革命”的跨越，还要迈过几道坎？

　　“AI+”塑造科研新模式

　　“我们与中国科学技术大学携手研发的SCUBA-D算法，基于条件扩散模型，将成功设计蛋白质的所需时间从6个月缩短至不到1天。”在哈尔滨市科技局日前主办的第34期“周二有约”人工智能专题活动——“AI+科研”系列成果推介会上，黑龙江讯飞人工智能研究院副院长姜立峰介绍。

　　在姜立峰看来，AI对科研效率的提升主要体现在三个层面。一是借助大模型在文献研读、代码编写等方面的强大能力，提升科研基础工作效率；二是利用深度神经网络对科学任务实现端到端的精准刻画，进行科学任务建模；三是依托认知大模型学习领域知识，为科研实验方案提供辅助设计。

　　目前，AI已在众多研究领域小试牛刀。中国科学院文献情报中心与科大讯飞共同打造的星火科研助手，直击科研工作中调研耗时费力、文献阅读效率低、写作质量参差不齐等诸多痛点，推出成果调研、论文研读、学术写作三大功能，使科研人员的成果调研效率提升10倍以上，论文研读有效率和学术写作采纳率均超过90%。

　　清华大学智能产业研究院与北京水木分子生物科技有限公司联合推出的OpenBioMed智能体平台，打破了人类语言与生物分子语言之间的壁垒。科研人员只需输入一句自然语言指令，AI便能自动完成从靶点发现到候选药物设计的全过程，将传统需数年之久的研发周期缩短至小时级。

　　在提升科研效率的同时，AI还能处理人类难以完成的任务，不断拓展研究边界。例如，在天文学领域，AI通过对大量天文图像的学习，可助力科学家发现新的星体或现象。智能化数据处理方式不仅大幅提高了工作效率，还能挖掘出数据背后的隐藏信息，为科研人员提供更多研究方向。

　　中国科学技术信息研究所在2025中关村论坛年会上发布的《AI for Science创新图谱》显示，全球AI for Science学术研究正快速增长。2019—2023年，全球AI for Science论文发表年均增长率为27.2%。其中，生命科学、物理学和化学等领域发表的人工智能应用论文数量最多。

　　中国科学院科技战略咨询研究院院长潘教峰认为，人工智能正以前所未有的速度渗透到科研的每一个环节，深刻改变着科研的思维方式和工作模式，以及科学认知的速度、深度、广度和精度，更将重塑科研组织模式，带来科研管理各环节深层次的变革。

　　复合型人才培养是关键

　　然而，新范式的转换不会一蹴而就。其中，AI技术与多学科的融合问题备受关注。

　　在哈尔滨工业大学人工智能学院执行院长张伟男看来，AI与其他领域或学科的结合主要面临三重挑战。一是问题定义权归属问题。需明确是由AI研究人员还是相应领域研究人员来定义研究问题。二是对AI解决问题思路的认知问题。不同领域的研究人员对AI的理解和应用能力存在差异，需加强对AI技术的普及和培训。三是对AI能力边界的判断问题。这涉及使用者能否准确判断AI的能力、适用范围和局限性，以便在实际应用中做出合理的选择和判断。

　　张伟男认为，应对这三重挑战，归根结底需要培养既精通行业和领域知识，又熟悉AI技术的复合型人才。AI研究人员对特定行业和学科问题的理解程度，将直接决定其运用AI方法和模式解决行业问题以及开展跨学科合作的成效。同时，特定行业和学科对AI技术的接纳态度，以及其能否成功转变固有研究思路，对于跨学科合作也至关重要。

　　张伟男介绍，2024年，哈尔滨工业大学人工智能学院设立“AI+先进技术领军班”，实施“AI+X”学科交叉融合教育，通过多学科导师团队的引领，促进人工智能与新材料、新能源、新装备等领域的深度融合与创新。

　　还有更多高校行动起来。浙江大学联合复旦大学、中国科学技术大学、上海交通大学等高校共建全国首个跨校“AI+X”微专业；清华大学首批已有117门试点课程、147个教学班开展人工智能赋能教学实践，还将成立新的本科通识书院，着力培养人工智能与多学科交叉的复合型人才……诸多高校正在大力推进“AI+X”学科交叉融合教育，形成多层次、跨领域的创新人才培养体系。

　　仍需应对三方面挑战

　　除了人才问题之外，受访学者普遍认为，“AI+科研”的全面落地还需系统性破解技术、数据、制度三方面挑战。

　　从技术层面看，AI大模型常被视作“黑盒”，其决策过程往往不透明，而科研工作却要求严谨性。但问题所在之处也蕴含着潜力，一些科研团队已通过研究开发可解释的AI模型，使用决策树、规则学习等方法提高模型可解释性，增加模型透明度，使科研人员能更好理解和信任模型。例如，中国科学院大连化学物理研究所联合科大讯飞等单位推出的智能化工大模型2.0，在化工领域知识理解、催化剂性质、化工设备等十大评测维度上，平均准确率达61.94%。受访学者认为，尽管“AI+科研”面临诸多技术难题，但通过采取针对性解决方案，有望逐步克服困难，助力各领域取得更多创新性成果。

　　从数据层面看，“AI+科研”面临数据管理与共享难题。为解决这一难题，哈尔滨工程大学计算机学院教授王巍建议，可构建可信数据管理与流通平台。由政府、科研机构和行业协会共同制定科研数据的标准格式和元数据规范，使不同来源的数据能够在同一平台上进行整合和共享，提高数据的可信性和可用性。同时，可成立数据共享联盟，制定数据共享的规则和激励机制，给予数据贡献者一定经济奖励或学术认可，同时保护数据安全和隐私。

　　从制度层面看，知识产权与权益分配争议也是“AI+科研”不得不解决的问题。王巍认为，应完善知识产权与权益分配规则，明确科研数据的版权归属、AI模型的专利申请条件、科研成果商业化进程中的各方权益等。

　　受访专家认为，通过构建有效的沟通机制、统一的数据平台和完善的政策法规，可以促进AI与科研深度融合，推动科研创新发展，从而实现从“工具辅助”到“范式革命”的跨越。(朱 虹)