随风今日头条今日热点资讯聚合 · 实时更新
实时 · 0.25s
首页 > 热点 > 正文
← 返回列表

刘铁岩:科学智能走向真实世界——人工智能赋能科学发现的关键跃迁

中国网信杂志 2026-11-17 15:25 评论 0 赞 0 原文


刘铁岩:科学智能走向真实世界——人工智能赋能科学发现的关键跃迁

刘铁岩

北京中关村学院党委书记、院长

中关村人工智能研究院理事长

习近平总书记强调,要“以人工智能引领科研范式变革,加速各领域科技创新突破”。国务院印发的《关于深入实施“人工智能+”行动的意见》将“人工智能+”科学技术列为重点行动,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”,并部署科学大模型建设、重大科技基础设施智能化升级和高质量科学数据集建设。这些重要部署表明,人工智能赋能科学研究已经成为提升国家创新体系整体效能的战略任务。

科学智能发展的阶段性进展

近年来,人工智能持续赋能科学研究,其影响已超出单一工具或局部环节的效率改善。从现实进展看,人工智能对科学研究的推动主要有三个方面。

人工智能显著提升既有科研流程的运行效率。科学研究包含大量目标明确、流程相对规范、结果可以检验的工作,包括文献梳理、数据处理、代码复现、参数搜索、候选筛选、实验记录和结果比较等。长期以来,这些环节占用了研究人员大量时间,也限制了科研迭代的速度和规模。随着大模型和科研智能体逐步具备任务分解、工具调用、代码执行、错误诊断等能力,人工智能可以自主执行部分科研流程并实现自动迭代,从而拓展科研人员和科研团队的有效工作带宽,使科研人员的专业判断能够集中用于科学问题选择、研究方案设计、证据评价和理论解释等更加重要的环节。

人工智能正在推动垂直领域若干已知关键问题的突破。此类问题通常具有较为明确的研究对象、目标函数和评价标准,同时积累了相对丰富的数据、理论约束或实验结果。蛋白质结构预测、气象预报、基因组建模、材料性质预测等领域的使用进展表明,人工智能能够从大规模科学数据中提取传统方法难以显式表达的复杂规律,将长期依赖高成本科学计算、专家经验和反复试验的求解过程,转化为可以重复调用和持续优化的模型能力。其影响已经深入相关学科的研究工具体系,并开始改变相关领域提出问题、进行求解、开展验证的基本方式。

人工智能开始向人类现有知识边界之外进行外推,探索人类既有知识尚未充分覆盖的空间。人工智能可以在大规模数据、科学规律和领域约束的基础上,对人类经验尚未充分覆盖的空间开展系统搜索与推演,提出新的蛋白质序列、基因调控元件、材料结构和药物分子,并发现潜在的新规律、新关系、新解法。部分模型的研究成果已经通过计算分析和实验验证,显示出新的结构特征或功能表现。科学探索在依赖人类经验与既有数据库的基础上,进一步延伸至规模更大的假设空间、设计空间和组合空间,为研究未知问题提供了新的方法。

真实科研环境面临三项基础性挑战

前述进展大多建立在任务边界相对清晰、输入输出可以定义、评价标准较为明确的条件下。然而,开放世界的真实科学研究却具有不同的运行逻辑:研究对象往往无法被完整观测,问题边界会随新证据不断变化,实验反馈稀缺且具有较长时延,结论可能因条件变化进行重新审视。人工智能的学习范式尚未很好地解决这类复杂问题,并且面临着三项基础性挑战。

人工智能生成科研结果的速度,与真实世界验证的速度以及人类吸收知识的能力尚不匹配。现有人工智能依托大规模并行计算、搜索、预测与生成,可以在短时间内提出大量候选规律、设计方案和科学假设,迅速扩大科学研究的探索空间。这些科学成果是否真的成立,仍需经过观测、实验、复现和实践检验,否则就只能停留在“假说”阶段。但当前的科学智能体系尚未形成与发现能力相匹配的验证能力,尤其缺乏对候选结果进行优先级判断、开展判别性实验、组织多源证据验证的系统机制。发现端的快速扩张与验证端的能力不足导致结构性失衡,科研结果难以有效转化为可靠的知识增量。

基于历史数据和简化任务形成的模型能力,尚难解决真实复杂系统中的科学问题。现有人工智能擅长在变量范围、任务目标和评价标准预先确定的条件下,通过统计学习完成预测、分类与优化。然而,真实的科学问题通常涉及多尺度相互作用、动态反馈、未观测变量和多重约束,求解过程需要识别决定系统行为的关键因素,建立跨尺度、跨过程的有效表征,并据此开展推演、比较和决策。当前,人工智能模型在复杂状态表征、长程推理、科学约束融合和分布外泛化等方面仍存在不足,对局部任务的预测能力尚难转化为面向真实科学问题的系统求解能力。

面向单项任务形成的模型能力,尚未转化为跨周期、跨项目的科学积累能力。科学研究通过持续的证据积累,以及成功经验和失败路径的长期沉淀,推动知识体系不断演化。然而,现有人工智能模型的能力主要固化在训练参数中,任务执行依赖有限上下文,任务结束后,缺少持续保存研究状态、整合关联异质证据和更新知识结构的有效机制,科研过程因而容易被切割为彼此孤立的任务,难以形成持续增长的系统能力。

刘铁岩:科学智能走向真实世界——人工智能赋能科学发现的关键跃迁

2025年11月,北京中关村学院、中关村人工智能研究院与清华大学、西湖大学联合主办2025国际人工智能科学家大会。供图/北京中关村学院

科学智能走向开放世界的四项核心能力

面向未来,科学智能要持续参与开放世界的科学发现,需要构建一条更加强大的能力链:自主判断什么问题值得研究,建立对真实科学对象的有效认知,通过计算与实验获得新的证据,并将每一次研究转化为可以持续积累和演化的知识。北京中关村学院、中关村人工智能研究院(以下简称“中关村两院”)依托“极基础、极应用、极交叉”的科研理念,围绕问题发现、科学认知、证据获取和知识演化四个核心环节开展探索,相关方向取得突破。

形成自主发现高价值科学问题的能力。科学进步始于对未知的选择。现有人工智能主要在给定问题、既定目标和明确评价标准下开展工作。进入开放科学空间,需要系统主动识别知识体系中的空白、矛盾与异常,判断哪些问题具有基础意义和现实价值,并将其转化为可以研究、可以验证的科学命题。当前,人工智能自主发现并研判高价值科学问题仍面临较大挑战。高价值问题的识别往往依赖科学家经过长期研究形成的科学判断力,以及在持续观察、实验验证和现实交互中积累的隐性经验与情境认知,这些能力尚难通过既有知识训练或有限的人类反馈被人工智能充分获得。在北京市“AI+新材料”专项攻关任务中,中关村两院配合有关部门面向市属企业征集百余项实际问题,将市场需求转化为人工智能可解的材料设计、工艺优化和数字孪生任务。通过系统梳理产业问题,推动材料数据、计算模型、实验验证和工程场景结合,为未来提升人工智能自主问题发现能力提供实践基础。

形成面向真实世界的科学认知能力。真实尺度建模需要将科学对象置于其真实存在的尺度、过程和边界条件中,统一组织数据、机理、计算与环境约束,表述系统的结构、状态、演化及其相互作用,形成可用于科学解释、预测、设计和干预的整体表征。中关村两院围绕材料与生命科学领域开展探索,提升对复杂科学对象的规模化计算和结构表征能力。十万原子DFT计算系统(MegaDFT)项目是面向大体系第一性原理计算的尝试,在不损失任何精度的前提下,将密度泛函理论(DFT)电子结构计算推进至10万原子规模,较当前最先进水平提升了两个数量级;将含时密度泛函理论(TD-DFT)激发态计算推进至1万原子规模,较当前最先进水平也提升了两个数量级,为研究蛋白质、DNA等大规模生命科学系统以及缺陷、界面等复杂材料体系提供了坚实的计算基础。

形成进入现实世界获取科学证据的能力。科学发现须接受现实检验。人工智能需要将科学问题和模型判断转化为可执行的计算、观测与实验行动,通过科学软件、计算平台和实验系统主动获得新证据,并依据结果调整研究路径。这项能力决定了模型提出的判断能否越过计算空间,进入可验证、可复现的知识形成过程。中关村两院面向复杂科研流程,构建计算实验自动执行、专业领域工作流融合和真实实验反馈闭环能力。在计算实验层面,围绕人工智能驱动的科研流程自动化,AutoSOTA系统通过多智能体协同,实现目标设计、环境配置、资源准备、算法优化和错误修复等流程自动化。围绕专业领域科研任务,进一步探索科学智能体在材料科研流程中的应用,发布面向材料科学领域的智能体框架MatOS,将知识、工具、技能、智能体、工作流和实验室资源,统一抽象为具有扩展性与复用性的科学资产,为材料科学任务的智能化、稳定化执行提供系统支撑。围绕真实实验反馈闭环,布局建设面向未来的人工智能原生自主实验室,推动实验过程成为科学智能系统持续优化的重要来源。

形成推动科学知识持续演化的能力。科学能力源于长期积累。每次研究中的成功、失败、异常和矛盾证据,应成为后续研究的起点。长程科学记忆需要跨越单次任务、项目周期和团队边界,持续保存研究状态、整合新旧证据并修正既有认识,使科学智能的能力随研究过程不断增长。中关村两院从研究结果反馈和科研组织记忆两个方面开展探索,推动科研过程由一次性活动转化为可积累、可复用的知识资产。围绕反馈驱动的能力迭代机制,FutureWorld项目提出面向未来预测任务的在线训练环境,通过“问题生成—预测—结果揭晓—奖励回流—策略更新”的闭环,使智能体能够不断地从现实世界发生的事件中获取监督信号;Milkyway项目在此基础上探索基于内部反馈演化的预测智能体框架,持续更新可复用的驾驭层(Harness)组件提升任务表现。围绕科研组织经验积累,提出面向科研组织协作的智能体系统“碳硅 TeamLab”,自动接入会议记录、项目周报、共享文献等科研过程数据,形成覆盖研究者知识状态、项目关联关系和长期科研演化过程的多层组织记忆体系。系统已在包含5个科研项目、20名研究人员的真实研究环境中完成部署,共识别出4422个项目内潜在协作机会和1046个跨项目协作组合,为人工智能支撑科研组织协同提供探索路径。

科学共同体需要进一步回答的四个问题

随着人工智能参与问题提出、模型构建、实验设计和结果分析,一些新的开放性问题开始显现,值得科学共同体持续关注。

人工智能提出的科学命题如何接受检验。模型可以生成假设、解释和研究方案,但科学命题仍需明确适用条件、关键证据和可能推翻结论的观测结果。未来需要进一步讨论,如何评价模型提出问题的科学价值,如何设计具有区分力的验证路径,以及如何避免研究过程受到模型既有偏好的过度影响。

科学智能的可复现性如何界定。模型版本、训练数据、上下文、工具调用和实验环境都会影响研究结果;长周期智能体还会随着新证据不断调整研究路径。可复现的对象需要由单次实验扩展至完整的证据链和研究过程,其记录标准、复核方式与最小单元仍需探索。

在提升效率的同时如何保持科学探索的多样性。人工智能工具提升了科研人员的产出和影响力,但科学共同体的研究主题却呈现收窄趋势。数据丰富、反馈明确的方向更容易获得模型和资源的持续强化,非共识问题、稀疏领域和长期研究可能受到挤压。如何为高风险探索提供有效保护,是一个值得关注的问题。

开放合作与安全边界如何协调。科学智能依赖数据、模型、软件、算力和实验设施,部分能力还具有双重用途。跨机构协作中的数据权限、工具调用、成果归属和责任划分,需要在实践中逐步形成清晰规则。

面对科学智能深入发展,我国应加快建设高质量科学数据、基础模型、核心软件与智能实验平台,完善支持长期探索、包容失败和鼓励跨学科协同的评价机制,构建开放共享、安全可控、协同创新的科研生态。科学智能的意义直接关系到国家原始创新能力和未来科技竞争主动权,应以重大科学问题为牵引,以真实验证为准绳,以长期主义组织资源,使人工智能成为拓展人类认知边界、提升国家科技自立自强能力的重要支撑。

原标题:《科学智能走向真实世界:人工智能赋能科学发现的关键跃迁》

来源:《中国网信》2026年第10期

投稿:zhongguowangxin@vip.sina.com

评论 共 0 条 · 0.21s

暂无评论。