赛迪前瞻：AI for Science崛起的机遇、挑战与建议

当前，人工智能在促进科学发现、解决复杂工程问题等方面展示出强大的潜力和实力，逐渐成为推动科技创新的强大引擎，正引发一轮科学研究的范式变革。赛迪研究院分析认为，AI for Science在变革科研范式、提升科学实验水平、解决高维复杂问题、加速跨学科融合和压缩创新链路等方面具有重要意义，但也面临高质量数据稀缺、AI算法短板、跨学科协作难题、高性能计算资源稀缺以及伦理监管等挑战，并据此提出发展建议，以期推动AI for Science高质量发展，助力我国前沿科学领域加速突破。

一、AI for Science发展为科学研究带来机遇

AI for Science是利用人工智能技术和方法，通过从海量数据中提取有价值的信息，构建模型以预测和解释自然现象，从而加速科学研究进程，其核心要素包括数据、模型、算法、算力以及科学问题选择、跨学科协作等。相比传统科学研究，AI for Science在处理海量数据、破除“维度灾难”和推进学科交叉研究等方面具备突出优势，为科学研究带来了新的路径和方法。

推动数据智能驱动的科研范式加速崛起。通过海量数据挖掘、复杂模式识别、自主推理与智能分析能力，AI技术能够直接从数据中发现潜在规律，甚至逆向生成科学假设，改变传统科研依赖于人工提出假设、设计实验、验证结论的线性流程，正推动科学研究的数据驱动范式加速崛起。一方面，现代科学研究通常产生大量复杂的数据集，利用人工智能技术快速处理和分析来自实验、观测、模拟及文献等渠道的海量科学数据，从中提取有价值的信息和知识，识别潜在的规律和趋势，特别是对实验数据进行实时分析和即时反馈，让研究人员迅速调整实验方案，优化实验参数、模型参数、算法参数和研究过程，提高研究效率和成果质量。另一方面，利用大语言模型处理图像、视频和音频的多模态能力将非结构化数据转化为结构化科研数据集，甚至利用AI合成新的科学数据，提升以科学数据支撑科学研究的能力。

提升科学实验设计和运行水平。近年来，人工智能技术发展推动研究人员探索AI驱动的自动化实验平台，通过自动化的实验设计、数据采集、结果分析等，利用强化学习动态调整实验方案，逐步将科学家从繁重复杂的假设、试错、验证的实验过程中解放出来，并通过算法模拟不同实验条件下的运行情况，优化资源配臵、减少实验次数、加速实验进程，以提高研究效率和减少资源浪费。特别是利用AI相关技术通过模拟极端物理环境以探索先前无法研究或无力研究的领域，如通过模拟核聚变、粒子加速器等昂贵、复杂、缓慢、危险的科学实验，减少对所需的设施、人员和资金的投入，加速实验进程，甚至能推动原型快速开发和测试，加速新领域突破和创新成果的转化应用。此外，AI自动化实验设计通过构建端到端学习的输入-输出模型，避免计算过程中人工输入特征的需要，能够减少人为误差，提升实验准确性。

推动复杂系统与高维问题跨越式突破。人工智能在解决高维复杂、目标明确和数据足够的问题上具有独特优势，通过深度神经网络捕捉多维数据中的隐性关联，构建超越人类直觉的系统模型，并利用机器学习和深度学习提炼模式和规律，能够处理和分析超出传统理论框架和人类认知范围的数据和信息，克服高维数据、非线性关系等传统科研方式的“维度灾难”，帮助科学家探索未知领域、发现新的规律和知识。同时，人工智能技术通过构建复杂的计算模型，模拟气候变化、宇宙演化、新药毒性测试和金融市场等自然界和社会系统中的高维复杂系统，并通过分析历史数据和现有知识，预测疾病爆发、自然灾害、经济危机等未来可能发生的现象，为解决复杂科学问题提供新的工具和方法，也为科学决策提供参考依据。

加速跨学科协同创新的模式升级。人工智能作为通用性技术基座，通过构建跨领域知识图谱、建立跨学科统一语义空间，利用强化学习平衡多学科研究目标，正逐步消解学科间的语义鸿沟与方法论壁垒，形成的“超学科”研究生态。在此基础上，各领域科学家专注于核心洞察力、提出高价值科学问题，而AI技术承担数据挖掘、研究方案设计等任务，形成学科专家与算法工程师的共生关系，并通过开放数据平台和共享工具促进学科间的合作与交流，促进计算机科学与物理、化学、生物、医学等众多学科的交叉融合，推动交叉学科研究从偶然突破转向系统性创新。与此同时，AI技术驱动的跨学科合作带来新的视角和思维方式，促进科学家从新的角度审视传统问题，寻找新的解决方案，也帮助科学家探索暗物质、引力波、脑科学等传统方法难以触及的未知领域，拓展科学研究边界。

压缩科学发现到产业化的创新链路。AI技术正逐步压缩从科学发现到技术应用的创新链条，加速基础研究到技术开发到应用落地的转化进程。传统创新链中，实验室成果需经历漫长的概念验证、小试、中试与工程化验证等过程，而AI驱动的智能化技术通过高通量虚拟筛选替代传统试错实验、通过生成式设计直接输出产品原型、通过数字孪生在虚拟空间中预演工程化应用过程等，精准识别产业化瓶颈并生成可落地的解决方案，大幅压缩试错迭代周期，并推动实验室成果跨越产业化应用的“死亡之谷”。同时，AI驱动科研范式正逐步重构产学研协作模式，使基础研究问题直接锚定产业需求，形成从产业需求到技术研发到科学问题再到技术方案的逆向创新路径，并通过数据流通实现科研端与产业端的实时反馈，推动前沿突破“即研即用”，加速创新发展与产业升级进程。

二、AI for Science发展与应用仍面临多项挑战

AI for Science发展前景广阔，但人工智能技术及其人工智能驱动的科学研究也并非万能，其发展面临着科学数据的稀缺性与质量难题、模型可靠性不足与算法偏见、跨学科人才缺乏、计算资源限制及伦理与安全监管等挑战，需要进一步推进 AI for Science适用范围、应用模式与方法以及具体堵点卡点的破解研究，加速培育AI for Science对科学研究的助推器作用。

高质量科学数据稀缺与数据治理挑战。数据是AI技术发挥其强大作用的基础，但科学数据的质量、数据共享和数据安全等问题仍然是AI for Science发展的关键挑战。一是数据质量。高效的AI for Science系统需要专业的科学数据库作为支撑，科学数据规模与质量直接影响模型训练效果和预测精度。科学数据的生成往往依赖于复杂的实验过程或高精度的观测设备，而现有科学数据往往存在噪声、缺失、不一致等问题，需要进行清洗、标注和预处理，因而高质量数据获取成本高昂且耗时。二是数据共享。科学数据的共享和开放是AI for Science发展的关键。然而，由于数据隐私、知识产权、利益分配等问题，科学数据的开放共享机制尚不完善，许多高质量数据集被视为研究机构的私有资源，限制了AI for Science的跨学科合作与知识传播。三是数据安全。随着数据量的增加，科学数据的安全性和隐私保护也不容忽视。黑客攻击和数据泄露事件可能导致研究数据的丢失和篡改，影响研究结果的可靠性；特别是在涉及人类基因组、医疗记录等敏感数据时，如何在保护个人隐私的前提下实现数据的有效利用，成为亟待解决的重要问题。

AI模型可靠性难题与算法偏见挑战。人工智能技术的算法缺陷也是目前制约学科应用的关键瓶颈，特别是模型可解释性、AI“幻觉”问题以及跨场景泛化能力等导致科学模型的稳定性和可靠性存疑。一是模型可解释性。目前很多人工智能模型，特别是深度神经网络模型，往往是“黑箱”模型，其复杂的网络结构与大量的参数使得其决策过程和预测结果难以解释，这种不可解释性在更加关注推理、运行和决策过程的科学研究中尤为棘手，阻碍了科学家对模型结果的信任与接受，限制AI模型在科学领域的应用。同时，训练数据来源的透明度、科学任务的标准化程度以及AI大模型的“幻觉”问题等可能带来科学研究重复性和可靠性难题，从而影响科学研究的整体可信度。二是算法偏见。AI模型可能会继承训练数据中的偏见，不同领域、不同维度的数据规模和数据质量的差异都可能导致预测结果出现偏差，进而产生虚假或误导性的输出，催生算法歧视，可能会加剧社会不平等。三是模型泛化能力。科学模型的泛化能力受限于训练数据的有限性与领域特异性，且训练数据不能完全代表现实世界的复杂性，因而特定领域训练的模型算法在其他领域难以实际应用，使AI for Science的普适性愿景面临严峻挑战。

复合型人才短缺与跨学科协作挑战。AI for Science需要既具备具体领域深厚科学知识又能掌握先进AI技术与计算方法的复合型人才，而目前相关人才的短缺和跨学科协作不足成为制约AI for Science发展的关键因素。一是复合型人才缺口问题。当前，教育体系与科研组织模式尚未形成有效的人才供给机制，传统科学教育侧重于理论知识的传授，而AI教育则往往聚焦于算法与编程技能，两者之间的融合不够紧密，导致AI专家难以理解科学问题的物理本质，而科学家则缺乏对机器学习算法架构和工程实现的系统性认知，具备跨学科背景的复合型人才的稀缺导致AI技术在科学研究中的应用受到限制。二是跨学科合作的挑战。AI for Science需要包括计算机工程师、学科科学家、数据科学家等多学科科研团队的协作，不同学科背景的研究者之间存在沟通障碍和跨学科合作壁垒，且需打通数据集、构建新型组织模式，目前也缺乏能够同时主导算法设计与实验验证的“桥梁型”研究者，难以形成有效的合作机制，如何组建和管理高效的跨学科科研团队成为一大挑战。

科研伦理治理难题与安全监管挑战。AI for Science在拓展科研边界的同时，一系列伦理与安全问题也逐渐浮现。如在基因编辑、神经科学等敏感领域，AI算法可能为实现目标通过逆向工程绕过安全监管协议，带来自主生成高危实验方案、输出歧视性研究结果等问题，而现行人类伦理审查和安全监管机制难以对超出认知的AI实验进行有效监督，可能带来伦理与安全风险。同时，人工智能主要被训练来执行特定任务，并不适用于推导全新的原理、开展自由探索，而大规模人工智能的应用可能导致更偶然的创新突破的缩减，也可能带来研究结果的逐渐同质化，甚至让科学家过度关注最适合人工智能的学科和问题，从而忽视科学问题本身的创新价值，陷入为AI而科研的误区。此外，AI驱动的科研成果知识产权归属、算法偏见导致的科学结论系统性偏差等问题，也对现有科研伦理规范与AI技术应用的匹配性带来挑战。

高性能计算资源稀缺与成本挑战。AI for Science的发展高度依赖于高性能计算资源。随着数据处理量不断增加以及模型复杂度的提升，训练与推理过程所需的超级计算机、云计算平台以及专用的AI加速器等计算资源需求大幅增加，特别是对GPU、TPU等高性能硬件资源的需求呈指数级增长。而目前，适用于AI领域的高性能芯片主要由英伟达等极少数供应商提供且价格极其昂贵，导致了人工智能高昂的计算成本，限制了AI for Science的普及与发展。特别是资金缺乏的发展中国家和中小型研究机构，高昂的硬件成本、能源消耗以及维护费用限制了AI技术在科研领域的应用。此外，科学研究中的算力需求不仅体现在计算规模上，不同科研领域对具体硬件和计算架构也存在多样化需求，需要选择甚至定制硬件产品，也带来成本投入的激增。

三、发展建议

强化研发支持与政策引导。将AI for Science发展布局纳入国家科技创新核心战略，加强科技、教育、产业等跨领域的政策协同，完善AI for Science技术发展与落地相关政策支持体系，通过政策引导、资源整合与生态培育形成系统性支撑。加大对AI for Science领域的研发支持，鼓励高校、科研机构和企业开展前沿研究，引导社会资本投入AI for Science领域。鼓励企业、科研院所等开展AI算法、模型和工具的研发，探索AI基础算法与科学场景的深度融合的基础与前沿研究，培育围绕AI for Science的产学研用一体化创新生态。

完善科学数据治理体系。推动数据基础设施、公共算力平台等算力基础设施建设，整合分散于产学研用各界的多模态数据资源，建立相应平台共享机制及数据统一标准要求，制定数据管理规范，提升科学数据集的质量和标准化水平。有序推进高校、科研机构和企业之间的数据共享，推动科学数据的有效开发与合规应用，提高数据利用效率。完善数据安全机制，加强联邦学习、密码算法、区块链等数据安全保障技术研发，防止数据泄露、篡改和滥用，保证数据安全和隐私保护。支持适用于AI技术的专有科学数据集建设，探索将科学数据标注、基准数据集建设纳入科研基金项目的考核范围。

提升基础软硬件支撑能力。加快基础软硬件技术研发与应用，推动高性能计算、高性能AI芯片等技术的发展，完善技术生态体系。加强对可解释AI的研究，发展更具透明度和可追溯的AI for Science建模方法，探索更加稳健的模型评估体系，增强对AI“幻觉”现象的识别与抑制能力，提升模型在科学推理中的可信度与科学性。通过迁移学习、联邦学习等手段，增强模型在不同领域、不同任务间的适应性，减少因训练数据局限性带来的性能下降问题。统筹建设国家新一代人工智能公共算力开放创新平台，开发智能算力调度平台，建设区域级智算中心集群，支持高性能计算中心与智算中心融合发展，优化高性能计算资源配臵，研究推出“算力券”等支持性措施，降低中小团队的算力应用门槛。

打造跨学科协同创新体系。以前沿科学问题为牵引，推动建立跨机构联合实验室和交叉学科中心，鼓励计算机科学家、科学领域专家等团队交流与合作，打破学科壁垒。加强高校和科研机构的跨学科人才培养，研究在高等教育中设立科学智能领域交叉学科，提升具体科学领域研究人员数据科学、算法开发等技术能力，鼓励科研人员积极利用和学习人工智能工具，并通过“双导师制”项目促进知识迁移，培养兼具领域洞见与技术素养的“T型人才”。在科研基金项目中，鼓励跨学科团队申报，完善成果署名规则，承认算法开发与数据贡献的学术价值。积极参与全球科学智能治理，吸引海外高端复合人才，与全球领先科研机构和企业共同探索AI for Science前沿技术与应用落地理论与实践。

完善伦理治理与监管框架。探索AI for Science技术与应用的伦理指导原则，按照算法可追溯性、风险分级管理等原则，对高风险研究进行前臵评估，并通过阶段性社会影响评估，及时优化调整研究方向和策略，确保数据隐私、算法公平性和透明性等方面的合规性。推动建立统一的科学AI应用标准与伦理规范，探索数据使用、模型评估、结果验证和责任归属等规范路径。研究建立AI技术在科学研究中的政策与监管机制，确保科学研究的透明性和可重复性，研究算法偏见导致的损害追责制度，促进AI技术的负责任使用。同时，要避免过度监管扼杀创新，可通过监管“沙盒”机制，在封闭环境中允许高风险探索，积累经验后再逐步推广，实现安全与创新的动态平衡。

来源 | 赛迪智库

编辑 | 办公室