人类“第二大脑”推动科研范式新变革

被誉为人类“第二大脑”的科学人工智能（AI for Science）正在改变全球科研的基本模式，也成为全国两会期间代表委员讨论的热点议题。

3月7日，全国政协十四届四次会议第二次全体会议上，全国政协委员、中国科学院院士周志华呼吁，要通过人工智能推动科研范式的革新。

3月8日，全国政协委员、工信部原副部长王江平在接受《科技日报》采访时表示，人工智能已不再只是科研中的一个辅助工具，而是驱动科技进步的“核心引擎”，未来这一趋势将重塑科研模式和产业格局。

会内会外，很多代表委员都认为，人工智能正为全球科技创新带来巨大活力，但在具体应用和转化过程中遇到的难题同样值得重视。

AI热潮席卷，科研资源与成果转化遭遇“拥堵”

像AlphaFold模型让两位非生命科学领域的专家获得2024年诺贝尔奖，“大原子模型计划”则广泛用于半导体、合金、有机分子等材料的研发……

周志华指出，无论在国内还是国际上，AI赋能科学研究已经取得了初步成效，说明人工智能不仅能加快破解长期难题，还有望改变科学探索的传统路径。

但在AI for Science推动科研成果快速涌现的同时，也浮现出新的问题。周志华介绍，目前由于缺少统一权威的大规模科学数据集，加上获取科学数据的成本高、标准不一、共享不够等问题，AI模型难以高效训练，可靠性也难以保证，重复建设和资源浪费现象尤为明显。

王江平也关注到算力资源的问题。他在调研中发现，比如材料探索图形网络（GNoME）模型能够预测38万种新型材料，但实际仅有736种完成实验验证，验证率还不到0.2%。“也就是说，AI短时间内大量的预测成果，人类可能需要十年以上才能全部验证，这导致科研和计算资源使用效率很低。”王江平认为。

他还补充道，大量AI预测成果只是停留在论文层面，没能转化到实际产业，这既浪费资源，又阻碍科技进步的落地转化。

王江平形象地比喻这一现象为“堰塞湖”——上游AI预测能力异常强大，下游实际验证和产业化的通道却非常狭窄，“湖水”越积越多，难以疏通和流动。

他还分析，造成AI在科学研究领域出现“梗阻”，主要源于预测模型自身的局限性、缺乏统一标准和评估体系，以及实验验证能力严重不足。针对这些症结，需要有系统性的解决对策。

基础创新能力需提升，复合型人才培养迫在眉睫

所以，面对AI for Science前沿技术布局，我国应着重在哪些方面发力，又该如何打破现有的瓶颈？

周志华建议，首要任务是完善政策引导，全面提升基础创新能力。他提出，要优化人工智能科学研究的总体布局，加强对AI基础算法的研究支持，聚焦一批战略性、前瞻性的基础研究项目，同时鼓励原创性科研，吸引企业和社会资本参与，不断拓宽投入渠道。

针对懂科研又懂AI的复合型人才极度稀缺的问题，周志华建议，从人才培养源头着手，搭建AI赋能科学研究的复合型人才培养体系。比如，可在重点高校试点“博士+硕士”双学位项目，让博士在攻读AI学位的同时跨学科学习科学专业硕士课程，尝试推动跨学科融合的新式研究生培养模式。

王江平则提出，要构建高质量数据集、高价值知识中心和AI预测成果评估体系三大关键平台。他建议在重点产业领域组建公共高价值数据资源中心，发展高精度、多样化的公共数据集，以减少重复研发。同时，相关部门要尽快建立权威的AI预测结果评估体系，为科技成果的筛选和流转提供依据。

王江平呼吁，推动AI for Science和AI for R&D（研发）协同前进。前者以基础科研突破为目标，后者力求科技成果产业化。他提议推动“揭榜挂帅”模式，由企业提出实际难题，科研团队联合攻关，并探索政府沙盒监管措施，赋予研发环节更大自主权，释放创新动力。