隨著AI在科學(xué)研究中占據(jù)越來越重要的位置，科學(xué)范式正悄然改變。

文|錢學(xué)勝

復(fù)旦大學(xué)智慧城市研究中心高級研究員，《科學(xué)畫報》編委會人工智能專委會副主任委員，上海中小學(xué)前沿科學(xué)前沿技術(shù)創(chuàng)新課程平臺專家。

人工智能賦能科學(xué)研究（AI for Science，簡稱AI4S）浪潮席卷全球，“智能范式”正在加速崛起。作為被認(rèn)為繼實驗科學(xué)、理論科學(xué)、計算科學(xué)、數(shù)據(jù)密集科學(xué)之后的第五種全新科學(xué)范式，AI4S極大地降低了科學(xué)探索的時間成本和經(jīng)濟成本，改變了科研所需的知識結(jié)構(gòu)，更深刻重塑了學(xué)科知識的應(yīng)用方式，變革了科學(xué)研究的系統(tǒng)方法，引發(fā)了關(guān)于科學(xué)本質(zhì)的全新討論。

01.

翻轉(zhuǎn)科學(xué)邏輯

我們在基礎(chǔ)教育中接觸到的科學(xué)發(fā)現(xiàn)，幾乎都遵循著“觀察—假設(shè)—實驗—驗證”的研究路徑。正是這種“假設(shè)—演繹”的推理路徑與還原論的分解策略，確立了近代科學(xué)的主流根基。

然而，我們的客觀世界并不總是線性的，各變量不都是孤立的，而是更多呈現(xiàn)出整體大于部分之和的系統(tǒng)特性。因此，在面對氣候變化、生物結(jié)構(gòu)、腦神經(jīng)網(wǎng)絡(luò)等復(fù)雜系統(tǒng)時，上述傳統(tǒng)科學(xué)邏輯就顯得捉襟見肘。

AI4S改變了這一局面。得益于AI在海量混沌的“數(shù)據(jù)洪流”中直接捕捉高維非線性規(guī)律的能力，科學(xué)家現(xiàn)在不必事先構(gòu)建完整、精確的理論模型，就可以嘗試將海量數(shù)據(jù)“喂”給AI，繼而由AI自動挖掘出隱藏在數(shù)據(jù)背后的規(guī)律。這類由數(shù)據(jù)反向生成科學(xué)假設(shè)的路徑，也被概括為“數(shù)據(jù)驅(qū)動發(fā)現(xiàn)”。

不僅如此，這種使用AI的全局性分析還特別適合捕捉涌現(xiàn)行為。例如，用圖神經(jīng)網(wǎng)絡(luò)模擬分子動力學(xué)，我們不僅能知道單個原子的動力學(xué)特征，還能看到整個蛋白質(zhì)分子如何像“呼吸”一樣發(fā)生整體構(gòu)象變化。這使科學(xué)邏輯不僅限于自上而下的推導(dǎo)，更多了自下而上的涌現(xiàn)式的發(fā)現(xiàn)。

這一變革“翻轉(zhuǎn)”了經(jīng)典的科學(xué)邏輯，讓研究者可以從數(shù)據(jù)中先識別模式、生成候選假設(shè)，再回到理論與實驗中檢驗，突破了科學(xué)假設(shè)需要依賴人類認(rèn)知、經(jīng)驗?zāi)酥林庇X的局限，同時也讓科學(xué)研究超越了傳統(tǒng)線性思維，邁向?qū)?fù)雜系統(tǒng)不同因素間深層關(guān)聯(lián)的探索。

02.

消融學(xué)科界限

如果說近代科學(xué)發(fā)展的趨勢是不斷的細(xì)分，那么AI的出現(xiàn)則按下了跨學(xué)科融合的“快進鍵”。2024年諾貝爾獎給我們帶來的震撼記憶猶新——當(dāng)AI科學(xué)家也能獲得諾貝爾物理學(xué)獎、化學(xué)獎，傳統(tǒng)的學(xué)科邊界因AI而變得不再“涇渭分明”。

原本不管是物理學(xué)、化學(xué)，還是生物學(xué)、天文學(xué)，都有著基于自身獨特知識的“語言體系”，而AI4S正在創(chuàng)造一種全新的“元范式”：無論是預(yù)測分子性質(zhì)、模擬氣候系統(tǒng)，還是分析天文圖像、設(shè)計藥物分子，底層用的都是相似的神經(jīng)網(wǎng)絡(luò)架構(gòu)、優(yōu)化算法和表示學(xué)習(xí)。通過構(gòu)建學(xué)科間數(shù)據(jù)、理論和實驗的橋梁，AI幫助科學(xué)跨越知識的壁壘，越來越成為智能時代科學(xué)研究的“通用語言”。

在最新的研究中，我們看到物理學(xué)家用AI預(yù)測材料分子的生物毒性，生物學(xué)家用AI結(jié)合量子化學(xué)計算蛋白質(zhì)的動力學(xué)變化。AI與傳統(tǒng)學(xué)科的深度融合，正在催生一系列“AI+”的全新交叉領(lǐng)域。或許，未來的科學(xué)界將不再嚴(yán)格區(qū)分物理學(xué)家、化學(xué)家、生物學(xué)家，取而代之的是融合多領(lǐng)域知識和AI能力的“跨界科學(xué)家”。

03.

破局復(fù)雜計算

計算科學(xué)時代的最大困局，不是“有沒有公式”，而是“有公式，也算不動；能算，也算不完”。這就是“維數(shù)災(zāi)難”：問題越來越復(fù)雜，變量數(shù)量迅速增加，相應(yīng)可能的組合會呈指數(shù)級膨脹，這使得傳統(tǒng)計算方法難以應(yīng)付。

例如：材料開發(fā)中，組分、結(jié)構(gòu)、溫度、壓力等變量交織，實驗和模擬難以窮盡；藥物分子設(shè)計空間極其巨大，理論上可供探索的小分子數(shù)量幾乎是天文數(shù)字；在天文觀測和粒子物理中，海量數(shù)據(jù)流要求系統(tǒng)具備自動篩選、識別與建模能力。以上這些問題的計算，動輒需要超級計算機運行數(shù)月甚至數(shù)年。

AI恰好具備了處理高維復(fù)雜問題的驚人能力。機器學(xué)習(xí)可以通過訓(xùn)練得到近似模型，用更低的成本完成原本昂貴的模擬任務(wù)；深度學(xué)習(xí)能夠在高維空間中提取有效特征，縮小搜索范圍；生成模型可以直接生成候選分子、材料結(jié)構(gòu)或反應(yīng)路徑，無須盲目遍歷；強化學(xué)習(xí)可用于優(yōu)化高維參數(shù)空間中的計算資源配置。

總的來說，AI4S增加了復(fù)雜問題的可處理性，使科學(xué)家能在更短時間內(nèi)從海量可能性中逼近更優(yōu)答案，讓“維數(shù)災(zāi)難”不再那么令人望而生畏。

04.

突破實驗瓶頸

實驗是科學(xué)探索中最昂貴、最耗時、最受資源約束的環(huán)節(jié)，不少領(lǐng)域還需要反復(fù)通過“試錯”來“碰運氣”。例如：研發(fā)一款新藥通常需要10年時間和10億美元，發(fā)現(xiàn)一種新材料需要嘗試數(shù)百萬種化合物，驗證一個核聚變反應(yīng)堆的設(shè)計則需要建造耗資巨大的實驗裝置。

AI4S正在改變這一局面。生成式AI能快速設(shè)計、生成出虛擬的全新對象（如新蛋白結(jié)構(gòu)、新材料結(jié)構(gòu)），并在計算機中進行成千上萬次的仿真模擬測試；AI驅(qū)動的自主實驗室可以不眠不休地快速完成科學(xué)實驗的自動化閉環(huán)。除此之外，AI還能極大地優(yōu)化實驗設(shè)計、加速實驗流程。它能告訴科學(xué)家：下一步最值得嘗試的實驗參數(shù)是什么，哪條合成路徑成功率最高且成本最低。

AI的參與讓科學(xué)研究的實驗周期從“年”縮短到了“月”甚至“天”，并大大降低試錯成本，使原本周期長、成本高、成功率低的實驗不再那么艱難，也使科學(xué)家能從煩瑣的實驗中抽身，回歸到定義問題與機理解釋等更高層級的智力活動中來。

05.

進化科研工具

長期以來，我們習(xí)慣于把算法當(dāng)作協(xié)助科學(xué)探索的工具。隨著越來越多的專家級AI4S基礎(chǔ)設(shè)施平臺的推出，AI已經(jīng)進化為能“自動有為”，甚至“主動作為”的“科研合伙人”。研究者與AI之間的關(guān)系，不再只是命令與執(zhí)行，而轉(zhuǎn)向了啟發(fā)和協(xié)同。未來的實驗室也許也不再是“導(dǎo)師+學(xué)生+儀器”，而是“研究團隊+自動化平臺+科學(xué)大模型”的混合系統(tǒng)。

與此同時，我們也要清醒地認(rèn)識到，AI這位科研伙伴仍然存在幻覺、黑箱等問題，在科學(xué)探索中，還有可解釋性不足、結(jié)果不可復(fù)現(xiàn)、因果推斷困難等局限。更關(guān)鍵的是，AI不具備真正的科學(xué)理解能力，更無法獨立承擔(dān)科學(xué)責(zé)任。它生成的結(jié)果可能有用，但未必正確；它提出的假設(shè)可能新穎，但未必可證。因此，AI越像伙伴，就越需要我們?nèi)祟惐３种鲗?dǎo)的地位和審慎的態(tài)度。

歸根結(jié)底，科學(xué)從來不只是為了“得到答案”，更在于探索未知的歷程本身。無論陪伴探索的工具如何迭代，真正驅(qū)動科學(xué)前進的始終是人類對未知世界永不熄滅的好奇心，以及在不確定中堅持求真的科學(xué)精神。

*本文刊登于《科學(xué)畫報》2026年第5期，更多相關(guān)內(nèi)容歡迎訂閱。

全年訂閱