白春禮：人工智能促進科學研究范式變革

白春禮（中國科學院原院長）|演講

AI for Science是科技界當前非常熱的話題。AI如何促進科學研究的發展？這次浦江論壇談到AI、AGI如何促進科研范式的變革和躍遷。這個題目選得非常好，非常有價值，值得深入交流。

過去幾年，人工智能的發展進入了明顯加速階段。關鍵突破不僅改變了技術本身，也開始影響科學研究的基本范式。我也在思考，人工智能發展的邊界是什么？它到底能走多遠？對科學的影響到底是什么？是僅僅停留在革新科研方法上，還是能夠進一步顛覆人類認知世界的底層邏輯？圍繞這個問題，也圍繞這次年會的主題，我談幾點思考跟大家交流。

01

關于科研范式的歷史迭代與AI的變革浪潮

從科學研究歷史發展的長周期看，科學的發展本質上是人類認知工具不斷演進的歷史。新的方法與工具幫助我們不斷突破認知邊界。從實驗科學的興起到數學理論體系的建立，再到計算模擬與數據驅動科學的發展，人類不斷取得科學突破。

17世紀，以牛頓為代表的科學先驅，通過實驗方法和數學工具，將自然現象轉化為可度量、可計算的對象，塑造了經典科學體系，帶動了科學極大繁榮。19世紀，以麥克斯韋為代表的理論物理學家，將電磁現象統一為一組方程，推動科學從經驗描述走向抽象理論。愛因斯坦通過相對論重構了時間與空間的基本認知框架，使理論科學進一步走向高度抽象與統一，形成又一次深刻的范式躍遷。這些都是科研范式變革的例子。

20世紀中葉，以馮·諾依曼為代表的科學家奠定了計算機體系，使人類可以通過數值模擬研究復雜系統。比如曼哈頓計劃中，科學家首次借助計算手段模擬核反應過程。21世紀初，以人類基因組計劃為代表的大科學工程，推動科學進入以數據為核心驅動的新階段。隨后，一大批“國之重器”重大科學基礎設施拔地而起，帶動科學探索不斷向前沿發展。

每一次重大科學革命的突破，都伴隨著認知世界方式的轉變。當下AGI的發展所能引發的變革，極有可能正站在這樣一個歷史轉折點上。科學研究體系當前面臨三個結構性的重組。

02

科學研究體系面臨的三個結構性重塑

在AI for Science理念提出之前，科學研究已經悄然發生了一些變化，為當下的AI for Science奠定了方法論基礎。例如，計算模擬讓機器得以參與對世界的感知和推演，高通量實驗催生了數據洪流。在粒子物理領域，歐洲核子中心（CERN）的粒子對撞機每次實驗產生海量數據，很多成果需要經過計算模型篩選，而不是依賴人工逐一剖析。當科學研究需要先由機器進行初步梳理，再由人類深度解讀時，科學研究本身就已經發生了改變。這背后蘊藏著三個層面的結構性重組。

1.科學發現的機制正在發生根本性轉變。

傳統科學研究遵循“提出假設—實驗驗證”路徑，高度依賴理論訓練與經驗積累，有時更靠長期積累的個人直覺，驗證后發表文章。人工智能深度介入科學實驗后，科學發現的起點正在前移，例如在材料科學、藥物研發、天體物理等領域，研究者往往首先面對海量數據，通過模型在高維空間中學習潛在結構，再從模型生成假設并進行驗證。科學發現路徑正從“假設—驗證”轉向“數據—模型—假設—驗證”。這個變化的本質在于：假設這一核心任務不再完全由人類產生，而是部分由模型產生。

這一判斷已在前沿科學中得到驗證。AlphaFold在蛋白質結構預測上取得成功，獲得諾貝爾獎。在沒有傳統實驗數據的情況下，人工智能成功預測出2億多種蛋白質結構，解決了困擾生物學家多年的蛋白質折疊問題。2025年的升級版AlphaFold3，不僅能精準預測蛋白質結構，更能模擬蛋白質與DNA、RNA和小分子配體復合物的相互作用，準確率達98%。傳統結構生物學研究發生了改變——這不僅是效率提升，更是從根本上改變了生命科學的研究路徑。科學家可以基于AI的精準預測，直接靶向設計藥物分子。這是第一個結構性重組。

2.科學組織的方式也在發生深刻變化。

機制變革的背后是組織模式的重塑。傳統科研組織以課題組為基本單元，由學術帶頭人統籌，依托人工團隊開展知識生產。在人工智能與自動化實驗系統驅動下，一種全新的科研單元正在崛起——由人工團隊、AI與自動化實驗平臺協同構建的復合系統。在一些自動化實驗中，機器不僅承擔數據分析，還能自主規劃實驗條件、執行實驗流程。這個趨勢在工業界與學術界均已落地實踐。

例如，Google研發的系統可在無人干預下完成數千次化學反應實驗，并自動優化反應路徑。英國科學家打造的“機器人化學家”系統，能在封閉實驗環境中自主提出假設并開展驗證。中國科大也有很好的工作，上海人工智能實驗室開源的“虛擬科學家”系統，能夠模擬人類科學家的合作過程，研究科技創新規律。浦江實驗室開發的“書生”（InternSci）科學多模態大模型，具備跨模態科學解析引擎，能夠解析化學分子式、蛋白質結構、地震波信號等復雜科學數據。

這些實踐表明，科研活動的基本單元正從“人”向“人機系統”轉變。未來科研競爭的核心，或許不再是科研團隊之間的較量，而是人機系統綜合能力的比拼。科研組織變革的問題需高度重視。從歷史經驗看，組織變革的滯后往往是競爭力喪失的主要原因。

3.知識生產的方式也在轉型

長期以來，科學知識以論文為主要載體。提出新理論，通過文本描述，數據作為輔助支撐，發表文章，用文字標注理論，數據作為附件。

但在人工智能時代，模型、數據、代碼本身也逐漸成為重要的知識承載方式。在部分領域，模型本身已成為核心科研成果，價值甚至超越論文。比如DeepSeek VL系統，支持文本、圖像、代碼多模態檢索，知識獲取效率提升40倍，其能力集中體現在對語言知識與推理的綜合呈現上。這一轉變不僅革新了知識的表達形式，還將深度重塑科研評價和科研傳播機制。美國硅谷的很多最新科研成果，不是發表在傳統期刊上，而是率先在開放社區或推特平臺上發表，以搶占先機。這些成果的表現形式包括論文、代碼、文本、模型。

03

科學研究體系的新特征

從認識論角度，上述變化可以歸納為三個重要特征。

第一個特征：科學可能正在從“理解世界”走向“逼近現實”。傳統科學強調對自然規律的解釋能力，追求因果清晰與理論完備。在人工智能驅動的研究中，越來越多成果表現為“有效”卻難以完全解釋。深度學習模型在圖像識別、氣候預測等領域取得極高精度，但其內部機制難以完全解釋。

例如氣候科學領域，科學家引入AI模型開展天氣預測，短期預測精度已超越部分傳統物理模型，但這些模型并未完全解釋氣候系統的物理機制。我去年訪問歐洲時，中科院大學大氣所的所長跟我同行，他們用自己開發的AI模型預測天氣，在歐洲一些小城市的預測比天氣預報要準得多。復旦和上海智能研究院聯合開發的“伏羲”氣象預測模型也有很好效果，入選了2025年度中國十大氣象科技進展。這表明科學的目標正在變化：從解釋世界逐步走向逼近現實。

第二個特征：科學體系正從以因果邏輯為核心，逐步轉向“相關性與因果相結合”的混合體系。傳統科學研究強調通過理論解釋因果關系，人工智能則擅長從數據中發現模式與相關性。在很多場景中，我們可以在尚未完全理解機制的情況下實現高效預測。

比如藥物篩選領域，AI模型可以基于對分子結構的學習預測藥效及毒性，而無需完全明晰其生物化學機制。2022年已有機構借助AI設計的候選藥物順利進入臨床試驗階段。這意味著相關性重新回歸科學體系核心，但同時也潛藏風險：我們可能在不明緣由的情況下運用正確的結果。

第三個特征，也是最根本的一點：科學認知主體的變化。傳統科學以人類為唯一認知主體，而在人工智能時代，科學逐漸演變為人類與機器共同構建的認知系統。

例如在材料科學研究中，科學家利用AGI在數周內篩選出數十萬種潛在材料候選，大幅縮短材料發現周期。在可控核聚變領域，AI通過實時控制等離子體穩定性，讓人造太陽的商業化應用邁出關鍵一步。中國科學院推出的“盤古”科學大模型構建的數字細胞模型，實現了靶點發現全流程自動化。在這些過程中，知識生成并非完全由人類完成，而是人機協同的結果。知識生產主體正從人類轉向人機系統。

這些變化并不意味著一個邊界清晰的全新范式已然成型。我們當下洞察的這些特質，本質上仍處于動態演進過程，亟待在實踐中持續探索、不斷發掘。

04

目前面臨的挑戰和選擇

在科研范式轉型背景下，我們面臨新的機遇與挑戰，需要用新的視角和方法去面對。有幾點思考：

第一，AI for Science的競爭，本質上是認知體系的競爭。當前討論往往集中在算法、算力與數據規模等要素上，但這些更多屬于實現層面的能力。從更深層看，真正的競爭在于不同的科研體系如何理解科學、如何認識世界。比如是以模型為核心，通過高維空間中的模式逼近現實；還是以理論為核心，強調機制解釋與因果邏輯的嚴密性？是以數據驅動為主導，還是堅持從理論出發構建認知框架？這些看似方法層面的差異，實際上對應不同的科學觀和認知路徑，并將深刻影響未來科學的發展方向與知識結構。AGI for Science的競爭歸根到底不是單一技術的競爭，而是誰能在新一輪范式轉型中率先形成穩定且具有解釋力的認知體系。

第二，科技界需要以更大力度推動科研組織體系的變革。現有科研體系很大程度上仍以學科劃分、PI結構以及論文評價為基礎。這一模式在傳統科學階段發揮了重要作用，但在AI for Science時代其適應性正受到挑戰。隨著科學問題日益復雜以及人工智能深度參與科研過程，未來的科研組織將更加面向重大問題，強調跨學科協同，并以人機系統作為基本運行單元。這不僅意味著組織形式的變化，也將帶來科研評價方式、資源配置邏輯以及人才培養路徑的系統性調整。這種變革面臨巨大而復雜的挑戰，會打破原有結構，需要科研領導者具有戰略決心。

第三，中國的優勢和機遇在于科技創新與產業創新的融合能力。我國在若干領域已具備很強的原始創新能力，同時擁有大規模科學數據資源，這提供了重要條件。中國還具備完整的產業體系和豐富的應用場景，能夠使新技術在更大范圍內快速驗證和迭代。未來的競爭或許不在于某一個環節的領先，而在于能否在科學、工程與產業之間構建起高效聯動機制，實現持續迭代與系統優化。伯文主任剛才也講，我們人工智能實驗室也面向從1到100，不僅是0到1，這方面要加強合作。

第四，在人工智能時代，要強化哲學與科學之間的深度對話。過去一段時間，隨著技術快速發展，社會普遍將人文科學在一定程度上邊緣化。但從科學發展長周期看，真正重大的突破往往伴隨著對基本概念和認知框架的反思。在人工智能深度介入科學研究的背景下這個問題更加突出。比如，在自動化科研系統中，如果算法生成了錯誤結論，責任應如何界定？我一個禮拜前長了麥粒腫，查了一個人工智能模型，問怎么處理，它說熱敷；我又查另一個模型，它說冷敷。我不知道到底熱敷好還是冷敷好，沒敢動，結果麥粒腫越長越大。后來到醫院問大夫，大夫說你剛長的時候熱敷，長大了就該冷敷。假如我搞錯了，這責任是誰的？是人工智能模型的編制者，還是平臺，還是我自己？哲學不應只是事后的反思，而應參與科學命題的形成，通過對基礎概念、隱含前提以及科研范式的反思，幫助識別哪些問題值得提出。

在科學問題里，必然與價值判斷、社會后果和長期風險交織在一起。在人工智能、生命科學等領域，哲學不應停留于事后的評判，而應與科學研究同步介入，通過對價值、目標、責任邊界和人類處境的討論，參與塑造技術發展的方向。科學家與哲學家的結合，不僅提升認知深度，更是為了在“無人區”探索中保持理性自覺，確保科技進步始終服務于人類整體福祉。

我在報告最后再次強調：在AI迅速發展的同時，人文思考不可或缺。科學不僅關乎能力，更關乎方向；不僅關乎發現，更關乎抉擇。我們在推動技術進步的同時，更需以理性與善意擁抱科學，審慎思考它將引領人類駛向何方。

我就講這么多，謝謝大家！

（注：本文所有圖來自白春禮院士在第二屆浦江AI學術年會上的演講，內容未經本人編輯和許可，僅供學習交流。）

Deep Science預印本