AI带给科学的5点“大不同”

随着AI在科学研究中占据越来越重要的位置，科学范式正悄然改变。

文|钱学胜

复旦大学智慧城市研究中心高级研究员，《科学画报》编委会人工智能专委会副主任委员，上海中小学前沿科学前沿技术创新课程平台专家。

人工智能赋能科学研究（AI for Science，简称AI4S）浪潮席卷全球，“智能范式”正在加速崛起。作为被认为继实验科学、理论科学、计算科学、数据密集科学之后的第五种全新科学范式，AI4S极大地降低了科学探索的时间成本和经济成本，改变了科研所需的知识结构，更深刻重塑了学科知识的应用方式，变革了科学研究的系统方法，引发了关于科学本质的全新讨论。

01.

翻转科学逻辑

我们在基础教育中接触到的科学发现，几乎都遵循着“观察—假设—实验—验证”的研究路径。正是这种“假设—演绎”的推理路径与还原论的分解策略，确立了近代科学的主流根基。

然而，我们的客观世界并不总是线性的，各变量不都是孤立的，而是更多呈现出整体大于部分之和的系统特性。因此，在面对气候变化、生物结构、脑神经网络等复杂系统时，上述传统科学逻辑就显得捉襟见肘。

AI4S改变了这一局面。得益于AI在海量混沌的“数据洪流”中直接捕捉高维非线性规律的能力，科学家现在不必事先构建完整、精确的理论模型，就可以尝试将海量数据“喂”给AI，继而由AI自动挖掘出隐藏在数据背后的规律。这类由数据反向生成科学假设的路径，也被概括为“数据驱动发现”。

不仅如此，这种使用AI的全局性分析还特别适合捕捉涌现行为。例如，用图神经网络模拟分子动力学，我们不仅能知道单个原子的动力学特征，还能看到整个蛋白质分子如何像“呼吸”一样发生整体构象变化。这使科学逻辑不仅限于自上而下的推导，更多了自下而上的涌现式的发现。

这一变革“翻转”了经典的科学逻辑，让研究者可以从数据中先识别模式、生成候选假设，再回到理论与实验中检验，突破了科学假设需要依赖人类认知、经验乃至直觉的局限，同时也让科学研究超越了传统线性思维，迈向对复杂系统不同因素间深层关联的探索。

02.

消融学科界限

如果说近代科学发展的趋势是不断的细分，那么AI的出现则按下了跨学科融合的“快进键”。2024年诺贝尔奖给我们带来的震撼记忆犹新——当AI科学家也能获得诺贝尔物理学奖、化学奖，传统的学科边界因AI而变得不再“泾渭分明”。

原本不管是物理学、化学，还是生物学、天文学，都有着基于自身独特知识的“语言体系”，而AI4S正在创造一种全新的“元范式”：无论是预测分子性质、模拟气候系统，还是分析天文图像、设计药物分子，底层用的都是相似的神经网络架构、优化算法和表示学习。通过构建学科间数据、理论和实验的桥梁，AI帮助科学跨越知识的壁垒，越来越成为智能时代科学研究的“通用语言”。

在最新的研究中，我们看到物理学家用AI预测材料分子的生物毒性，生物学家用AI结合量子化学计算蛋白质的动力学变化。AI与传统学科的深度融合，正在催生一系列“AI+”的全新交叉领域。或许，未来的科学界将不再严格区分物理学家、化学家、生物学家，取而代之的是融合多领域知识和AI能力的“跨界科学家”。

03.

破局复杂计算

计算科学时代的最大困局，不是“有没有公式”，而是“有公式，也算不动；能算，也算不完”。这就是“维数灾难”：问题越来越复杂，变量数量迅速增加，相应可能的组合会呈指数级膨胀，这使得传统计算方法难以应付。

例如：材料开发中，组分、结构、温度、压力等变量交织，实验和模拟难以穷尽；药物分子设计空间极其巨大，理论上可供探索的小分子数量几乎是天文数字；在天文观测和粒子物理中，海量数据流要求系统具备自动筛选、识别与建模能力。以上这些问题的计算，动辄需要超级计算机运行数月甚至数年。

AI恰好具备了处理高维复杂问题的惊人能力。机器学习可以通过训练得到近似模型，用更低的成本完成原本昂贵的模拟任务；深度学习能够在高维空间中提取有效特征，缩小搜索范围；生成模型可以直接生成候选分子、材料结构或反应路径，无须盲目遍历；强化学习可用于优化高维参数空间中的计算资源配置。

总的来说，AI4S增加了复杂问题的可处理性，使科学家能在更短时间内从海量可能性中逼近更优答案，让“维数灾难”不再那么令人望而生畏。

04.

突破实验瓶颈

实验是科学探索中最昂贵、最耗时、最受资源约束的环节，不少领域还需要反复通过“试错”来“碰运气”。例如：研发一款新药通常需要10年时间和10亿美元，发现一种新材料需要尝试数百万种化合物，验证一个核聚变反应堆的设计则需要建造耗资巨大的实验装置。

AI4S正在改变这一局面。生成式AI能快速设计、生成出虚拟的全新对象（如新蛋白结构、新材料结构），并在计算机中进行成千上万次的仿真模拟测试；AI驱动的自主实验室可以不眠不休地快速完成科学实验的自动化闭环。除此之外，AI还能极大地优化实验设计、加速实验流程。它能告诉科学家：下一步最值得尝试的实验参数是什么，哪条合成路径成功率最高且成本最低。

AI的参与让科学研究的实验周期从“年”缩短到了“月”甚至“天”，并大大降低试错成本，使原本周期长、成本高、成功率低的实验不再那么艰难，也使科学家能从烦琐的实验中抽身，回归到定义问题与机理解释等更高层级的智力活动中来。

05.

进化科研工具

长期以来，我们习惯于把算法当作协助科学探索的工具。随着越来越多的专家级AI4S基础设施平台的推出，AI已经进化为能“自动有为”，甚至“主动作为”的“科研合伙人”。研究者与AI之间的关系，不再只是命令与执行，而转向了启发和协同。未来的实验室也许也不再是“导师+学生+仪器”，而是“研究团队+自动化平台+科学大模型”的混合系统。

与此同时，我们也要清醒地认识到，AI这位科研伙伴仍然存在幻觉、黑箱等问题，在科学探索中，还有可解释性不足、结果不可复现、因果推断困难等局限。更关键的是，AI不具备真正的科学理解能力，更无法独立承担科学责任。它生成的结果可能有用，但未必正确；它提出的假设可能新颖，但未必可证。因此，AI越像伙伴，就越需要我们人类保持主导的地位和审慎的态度。

归根结底，科学从来不只是为了“得到答案”，更在于探索未知的历程本身。无论陪伴探索的工具如何迭代，真正驱动科学前进的始终是人类对未知世界永不熄灭的好奇心，以及在不确定中坚持求真的科学精神。

*本文刊登于《科学画报》2026年第5期，更多相关内容欢迎订阅。

全年订阅