白春礼：人工智能促进科学研究范式变革

白春礼（中国科学院原院长）|演讲

AI for Science是科技界当前非常热的话题。AI如何促进科学研究的发展？这次浦江论坛谈到AI、AGI如何促进科研范式的变革和跃迁。这个题目选得非常好，非常有价值，值得深入交流。

过去几年，人工智能的发展进入了明显加速阶段。关键突破不仅改变了技术本身，也开始影响科学研究的基本范式。我也在思考，人工智能发展的边界是什么？它到底能走多远？对科学的影响到底是什么？是仅仅停留在革新科研方法上，还是能够进一步颠覆人类认知世界的底层逻辑？围绕这个问题，也围绕这次年会的主题，我谈几点思考跟大家交流。

01

关于科研范式的历史迭代与AI的变革浪潮

从科学研究历史发展的长周期看，科学的发展本质上是人类认知工具不断演进的历史。新的方法与工具帮助我们不断突破认知边界。从实验科学的兴起到数学理论体系的建立，再到计算模拟与数据驱动科学的发展，人类不断取得科学突破。

17世纪，以牛顿为代表的科学先驱，通过实验方法和数学工具，将自然现象转化为可度量、可计算的对象，塑造了经典科学体系，带动了科学极大繁荣。19世纪，以麦克斯韦为代表的理论物理学家，将电磁现象统一为一组方程，推动科学从经验描述走向抽象理论。爱因斯坦通过相对论重构了时间与空间的基本认知框架，使理论科学进一步走向高度抽象与统一，形成又一次深刻的范式跃迁。这些都是科研范式变革的例子。

20世纪中叶，以冯·诺依曼为代表的科学家奠定了计算机体系，使人类可以通过数值模拟研究复杂系统。比如曼哈顿计划中，科学家首次借助计算手段模拟核反应过程。21世纪初，以人类基因组计划为代表的大科学工程，推动科学进入以数据为核心驱动的新阶段。随后，一大批“国之重器”重大科学基础设施拔地而起，带动科学探索不断向前沿发展。

每一次重大科学革命的突破，都伴随着认知世界方式的转变。当下AGI的发展所能引发的变革，极有可能正站在这样一个历史转折点上。科学研究体系当前面临三个结构性的重组。

02

科学研究体系面临的三个结构性重塑

在AI for Science理念提出之前，科学研究已经悄然发生了一些变化，为当下的AI for Science奠定了方法论基础。例如，计算模拟让机器得以参与对世界的感知和推演，高通量实验催生了数据洪流。在粒子物理领域，欧洲核子中心（CERN）的粒子对撞机每次实验产生海量数据，很多成果需要经过计算模型筛选，而不是依赖人工逐一剖析。当科学研究需要先由机器进行初步梳理，再由人类深度解读时，科学研究本身就已经发生了改变。这背后蕴藏着三个层面的结构性重组。

1.科学发现的机制正在发生根本性转变。

传统科学研究遵循“提出假设—实验验证”路径，高度依赖理论训练与经验积累，有时更靠长期积累的个人直觉，验证后发表文章。人工智能深度介入科学实验后，科学发现的起点正在前移，例如在材料科学、药物研发、天体物理等领域，研究者往往首先面对海量数据，通过模型在高维空间中学习潜在结构，再从模型生成假设并进行验证。科学发现路径正从“假设—验证”转向“数据—模型—假设—验证”。这个变化的本质在于：假设这一核心任务不再完全由人类产生，而是部分由模型产生。

这一判断已在前沿科学中得到验证。AlphaFold在蛋白质结构预测上取得成功，获得诺贝尔奖。在没有传统实验数据的情况下，人工智能成功预测出2亿多种蛋白质结构，解决了困扰生物学家多年的蛋白质折叠问题。2025年的升级版AlphaFold3，不仅能精准预测蛋白质结构，更能模拟蛋白质与DNA、RNA和小分子配体复合物的相互作用，准确率达98%。传统结构生物学研究发生了改变——这不仅是效率提升，更是从根本上改变了生命科学的研究路径。科学家可以基于AI的精准预测，直接靶向设计药物分子。这是第一个结构性重组。

2.科学组织的方式也在发生深刻变化。

机制变革的背后是组织模式的重塑。传统科研组织以课题组为基本单元，由学术带头人统筹，依托人工团队开展知识生产。在人工智能与自动化实验系统驱动下，一种全新的科研单元正在崛起——由人工团队、AI与自动化实验平台协同构建的复合系统。在一些自动化实验中，机器不仅承担数据分析，还能自主规划实验条件、执行实验流程。这个趋势在工业界与学术界均已落地实践。

例如，Google研发的系统可在无人干预下完成数千次化学反应实验，并自动优化反应路径。英国科学家打造的“机器人化学家”系统，能在封闭实验环境中自主提出假设并开展验证。中国科大也有很好的工作，上海人工智能实验室开源的“虚拟科学家”系统，能够模拟人类科学家的合作过程，研究科技创新规律。浦江实验室开发的“书生”（InternSci）科学多模态大模型，具备跨模态科学解析引擎，能够解析化学分子式、蛋白质结构、地震波信号等复杂科学数据。

这些实践表明，科研活动的基本单元正从“人”向“人机系统”转变。未来科研竞争的核心，或许不再是科研团队之间的较量，而是人机系统综合能力的比拼。科研组织变革的问题需高度重视。从历史经验看，组织变革的滞后往往是竞争力丧失的主要原因。

3.知识生产的方式也在转型

长期以来，科学知识以论文为主要载体。提出新理论，通过文本描述，数据作为辅助支撑，发表文章，用文字标注理论，数据作为附件。

但在人工智能时代，模型、数据、代码本身也逐渐成为重要的知识承载方式。在部分领域，模型本身已成为核心科研成果，价值甚至超越论文。比如DeepSeek VL系统，支持文本、图像、代码多模态检索，知识获取效率提升40倍，其能力集中体现在对语言知识与推理的综合呈现上。这一转变不仅革新了知识的表达形式，还将深度重塑科研评价和科研传播机制。美国硅谷的很多最新科研成果，不是发表在传统期刊上，而是率先在开放社区或推特平台上发表，以抢占先机。这些成果的表现形式包括论文、代码、文本、模型。

03

科学研究体系的新特征

从认识论角度，上述变化可以归纳为三个重要特征。

第一个特征：科学可能正在从“理解世界”走向“逼近现实”。传统科学强调对自然规律的解释能力，追求因果清晰与理论完备。在人工智能驱动的研究中，越来越多成果表现为“有效”却难以完全解释。深度学习模型在图像识别、气候预测等领域取得极高精度，但其内部机制难以完全解释。

例如气候科学领域，科学家引入AI模型开展天气预测，短期预测精度已超越部分传统物理模型，但这些模型并未完全解释气候系统的物理机制。我去年访问欧洲时，中科院大学大气所的所长跟我同行，他们用自己开发的AI模型预测天气，在欧洲一些小城市的预测比天气预报要准得多。复旦和上海智能研究院联合开发的“伏羲”气象预测模型也有很好效果，入选了2025年度中国十大气象科技进展。这表明科学的目标正在变化：从解释世界逐步走向逼近现实。

第二个特征：科学体系正从以因果逻辑为核心，逐步转向“相关性与因果相结合”的混合体系。传统科学研究强调通过理论解释因果关系，人工智能则擅长从数据中发现模式与相关性。在很多场景中，我们可以在尚未完全理解机制的情况下实现高效预测。

比如药物筛选领域，AI模型可以基于对分子结构的学习预测药效及毒性，而无需完全明晰其生物化学机制。2022年已有机构借助AI设计的候选药物顺利进入临床试验阶段。这意味着相关性重新回归科学体系核心，但同时也潜藏风险：我们可能在不明缘由的情况下运用正确的结果。

第三个特征，也是最根本的一点：科学认知主体的变化。传统科学以人类为唯一认知主体，而在人工智能时代，科学逐渐演变为人类与机器共同构建的认知系统。

例如在材料科学研究中，科学家利用AGI在数周内筛选出数十万种潜在材料候选，大幅缩短材料发现周期。在可控核聚变领域，AI通过实时控制等离子体稳定性，让人造太阳的商业化应用迈出关键一步。中国科学院推出的“盘古”科学大模型构建的数字细胞模型，实现了靶点发现全流程自动化。在这些过程中，知识生成并非完全由人类完成，而是人机协同的结果。知识生产主体正从人类转向人机系统。

这些变化并不意味着一个边界清晰的全新范式已然成型。我们当下洞察的这些特质，本质上仍处于动态演进过程，亟待在实践中持续探索、不断发掘。

04

目前面临的挑战和选择

在科研范式转型背景下，我们面临新的机遇与挑战，需要用新的视角和方法去面对。有几点思考：

第一，AI for Science的竞争，本质上是认知体系的竞争。当前讨论往往集中在算法、算力与数据规模等要素上，但这些更多属于实现层面的能力。从更深层看，真正的竞争在于不同的科研体系如何理解科学、如何认识世界。比如是以模型为核心，通过高维空间中的模式逼近现实；还是以理论为核心，强调机制解释与因果逻辑的严密性？是以数据驱动为主导，还是坚持从理论出发构建认知框架？这些看似方法层面的差异，实际上对应不同的科学观和认知路径，并将深刻影响未来科学的发展方向与知识结构。AGI for Science的竞争归根到底不是单一技术的竞争，而是谁能在新一轮范式转型中率先形成稳定且具有解释力的认知体系。

第二，科技界需要以更大力度推动科研组织体系的变革。现有科研体系很大程度上仍以学科划分、PI结构以及论文评价为基础。这一模式在传统科学阶段发挥了重要作用，但在AI for Science时代其适应性正受到挑战。随着科学问题日益复杂以及人工智能深度参与科研过程，未来的科研组织将更加面向重大问题，强调跨学科协同，并以人机系统作为基本运行单元。这不仅意味着组织形式的变化，也将带来科研评价方式、资源配置逻辑以及人才培养路径的系统性调整。这种变革面临巨大而复杂的挑战，会打破原有结构，需要科研领导者具有战略决心。

第三，中国的优势和机遇在于科技创新与产业创新的融合能力。我国在若干领域已具备很强的原始创新能力，同时拥有大规模科学数据资源，这提供了重要条件。中国还具备完整的产业体系和丰富的应用场景，能够使新技术在更大范围内快速验证和迭代。未来的竞争或许不在于某一个环节的领先，而在于能否在科学、工程与产业之间构建起高效联动机制，实现持续迭代与系统优化。伯文主任刚才也讲，我们人工智能实验室也面向从1到100，不仅是0到1，这方面要加强合作。

第四，在人工智能时代，要强化哲学与科学之间的深度对话。过去一段时间，随着技术快速发展，社会普遍将人文科学在一定程度上边缘化。但从科学发展长周期看，真正重大的突破往往伴随着对基本概念和认知框架的反思。在人工智能深度介入科学研究的背景下这个问题更加突出。比如，在自动化科研系统中，如果算法生成了错误结论，责任应如何界定？我一个礼拜前长了麦粒肿，查了一个人工智能模型，问怎么处理，它说热敷；我又查另一个模型，它说冷敷。我不知道到底热敷好还是冷敷好，没敢动，结果麦粒肿越长越大。后来到医院问大夫，大夫说你刚长的时候热敷，长大了就该冷敷。假如我搞错了，这责任是谁的？是人工智能模型的编制者，还是平台，还是我自己？哲学不应只是事后的反思，而应参与科学命题的形成，通过对基础概念、隐含前提以及科研范式的反思，帮助识别哪些问题值得提出。

在科学问题里，必然与价值判断、社会后果和长期风险交织在一起。在人工智能、生命科学等领域，哲学不应停留于事后的评判，而应与科学研究同步介入，通过对价值、目标、责任边界和人类处境的讨论，参与塑造技术发展的方向。科学家与哲学家的结合，不仅提升认知深度，更是为了在“无人区”探索中保持理性自觉，确保科技进步始终服务于人类整体福祉。

我在报告最后再次强调：在AI迅速发展的同时，人文思考不可或缺。科学不仅关乎能力，更关乎方向；不仅关乎发现，更关乎抉择。我们在推动技术进步的同时，更需以理性与善意拥抱科学，审慎思考它将引领人类驶向何方。

我就讲这么多，谢谢大家！

（注：本文所有图来自白春礼院士在第二届浦江AI学术年会上的演讲，内容未经本人编辑和许可，仅供学习交流。）

Deep Science预印本