三月四号那天，香港科技大学在上海办了个重要的会。这个会的名字很直接，叫“AI for Discovery：从范式革命到产业重构”。听着就很不一样。很多有名的院士、顶尖的学者，还有一些大公司的负责人，都来了。大家坐在一起，就是想好好聊聊AI怎么能帮助科学研究。以前我们总觉得AI就是个工具，帮我们算算数据，做点重复的事。但是现在，大家普遍有了一个新的看法。他们说，AI已经不再只是一个工具了。它正在变成科学发现的**“合伙人”。这意思就是，AI不只是帮你干活，它还会和你一起思考，一起做决定，甚至帮你找到新的东西。这事儿可真不简单，它预示着科研的方式正在发生根本性的变化**。
最近这段时间，国内的很多大学都在加快行动。他们围绕着AI for Science，我们叫它AI4S，做了很多系统性的规划。大学们不仅建立了新的平台，还开发了新的工具。所有这些努力，都是为了推动科研方法的大变革。这就像我们以前用手写信，现在直接用手机发信息，工具变了，做事的方式也完全不同了。
国内多所高校加速布局AI4S
尤其是在二零二六年年初，中国大学在AI4S领域展现了很多具体的进展。有一批新的科研基础设施，它们的核心是科研智能体，已经开始投入使用了。这标志着AI在科研中的角色变了。它不再只是辅助我们做研究。它开始深入参与，甚至主导整个科研的流程。这意味着，AI可以从头到尾都跟着你，帮你完成复杂的科研任务。
你看复旦大学。他们联合上海科学智能研究院，把**“星河启智科学智能开放平台”做了个大升级。这个平台里有个很厉害的超级科研伙伴，它的名字叫“大圣”。这个名字听起来就很神通广大。大圣有什么用呢？它能理解你用普通话说的科研任务。比如，你告诉它一个研究方向，它就能自己开始做。这是它的工作原理：它会先提出一个假设**。然后根据假设设计并进行实验。实验结束后，它会验证结果是不是对的。如果不对，它会根据反馈进行迭代和改进。整个“假设—实验—验证—迭代”的流程，大圣都能自己完成。这个过程通常是科学家要花大量时间去思考和操作的。大圣整合了好多东西：包括处理多种类型科学数据的大模型，还有三百多个像专家一样的科研技能模块（Skills）。这些模块就像是它掌握的各种专业知识和操作技巧。而且，它还有长期的记忆架构，能记住之前学到的东西，不断提升自己。这些都让它能自主思考，自主行动。
上海交通大学也做了类似的事。他们发布了一个通用科研智能体SciMaster。而且，他们还推出了SciMaster下面的核心科学模型，叫Innovator。这个系统功能很全，它构建了一个能覆盖科研全过程的能力。这包括搜集资料、读懂论文、算复杂数据、做实验、写研究报告。你看，这些都是科研中最基本也最耗时间的工作。SciMaster可以自动调用各种需要的科研工具，比如模拟软件或者数据库。这意味着科学家不用手动切换工具，AI自己就帮你搞定了。而且，他们还配套建立了一个智能体评测系统。这个系统可以评估智能体的工作效果。它会检查AI做出的结果是否准确，是否符合要求。它为以后更大规模地使用科研智能体，提供了一个标准化的基础。这样一来，科研人员就能把更多精力放在思考最重要的问题上，而不是被具体的操作困扰。
我在这次峰会上还听到一个消息。香港科技大学正在推他们的**“AI for Lab”计划。他们正在开发一个实验室智能体，它的名字叫AINA**。AINA的目标是，让AI能更好地进行主动推理。同时，它也能深度地自动化实验。这意思是，AINA不仅能自己思考，根据数据做出判断。它还能**“动手”**操作实验室的设备，自动完成实验。比如，它可以根据实验设计，自动调节温度、添加试剂、观察反应。这就像给实验室请来了一个非常聪明的机器人助手，它既有大脑，又有双手。它能帮你设计实验，然后自己去执行。这真的会大大改变未来实验室的工作模式。
效率大幅提升，跨领域协同突破
AI4S现在已经展现出很多实实在在的好处。它能突破传统科研效率的瓶颈。这是很重要的。以前科学家总要花大量时间做重复的工作，比如处理数据、重复实验。现在，人工智能可以承担这些任务。这样，科学家们就能把宝贵的创新精力省下来。他们可以去思考更深层次的问题，去探索未知。结果就是，整个科研周期大大缩短了。研究成果也能更快地从实验室走到实际应用中去。
郭毅可院士分享了一个很具体的例子。他们开发了一个智能体系统。这个系统只用了两天时间。它就自动完成了一个关于**“活化污泥水处理”的完整实验室工作流程。你想想，这在以前，需要很多人力、很多时间。这是它的工作原理：首先，智能体接到一个总任务。它会把任务拆解成很多小部分。比如，一个大任务可能包含数据收集、实验设计、报告撰写等。然后，它会根据这些小任务，自动生成报告**，说明如何去做。接着，它还会自己去走授权批准的流程。在实验过程中，如果发现问题，它能自动修改方案。比如，某个参数不对，它会自己调整。最后，它会拿出最终的报告。整个过程，从教授给出指令，到最终成果产出，都是全自动运行的。这大大提高了实验室的科研效率。科学家们几乎不用介入具体的操作。他们可以把更多时间用于更高层次的思考和分析。
复旦大学的**“大圣”智能体也表现很出色。它在RNA分类与设计方面，准确率高达96%。这意味着，它能很准确地识别不同类型的RNA，并且设计出合适的RNA结构。而且，在siRNA设计中，它能把实验成功率提高超过50%。siRNA的设计很复杂，成功率低。现在，AI能让实验成功的机会大了一半。这很了不起。而且，大圣智能体还支持了一项实际的研发。它帮助开发了新型补锂剂**，这个成果的市场转化价值有两千万元。不仅如此，它还帮助发现了FIC类药物。FIC类药物是全新的药物，它们能治疗疾病，而且以前没有人发现过。这种药的潜在价值高达五亿美元。这些例子都说明，AI不仅能提高科研效率，还能帮助科研成果更快地变成有价值的产品。
上海交通大学的通用科研智能体SciMaster也展现了很高的效率。它的厉害之处在于，它工作六个小时。这段时间做出的科研成果，可以比得上一个有资深经验的理论物理学博士，连续一到三个月饱和工作的量。你想想看，一个博士要花几个月才能完成的工作，AI六小时就搞定了。这就像给科研工作加了**“自动驾驶”**功能。科学家可以把那些耗时耗力的计算和模拟交给AI，自己腾出时间来思考更深远的物理问题。比如，复杂的粒子模拟、材料计算等，AI可以快速完成。
而且，AI4S还能跨领域地实现科研突破。香港科技大学副教授陆萌茜的团队，她也是香港科技大学潘乐陶气候变化与可持续发展中心的主任。她的团队利用AI技术，改变了我们对地球系统科学可预报性的认识。他们现在可以提前一个月预测台风的数量。而且，预测的实测误差只有0.5个。这在气象预报领域是很大的进步。你想想，如果能更准确地预测台风，比如知道未来一个月会有多少个台风，就能更好地做准备，减少财产损失，甚至挽救生命。
中国科学院院士张统一的团队也做了很棒的工作。他是上海大学材料基因组工程研究院的创院院长。他的团队通过AI做了多目标优化。这成功解决了材料强度与韧性相互制约的行业难题。这是什么意思呢？以前很多材料，想要它硬，就很难让它韧。想要它韧，就很难让它硬。这就像跷跷板的两端，很难同时达到最佳。AI通过计算和模拟，找到了一个平衡点。它能在满足材料强度的同时，也保证了它的韧性。这推动了新材料研发取得了重要进展。这些例子都清楚地告诉我们，AI不仅能让单个领域的科研变得更快，它还能帮助不同学科之间互相找到解决问题的新方法。
起步阶段，存在诸多瓶颈
大家普遍都承认，AI已经从一个工具，变成了科学发现的**“合伙人”。它正在重新定义我们生产知识的方式**，也在改变科研的方法。这是一个巨大的变化，就像从印刷术发明到互联网时代一样。
从底层的理论来说，AI之所以能发现科学，因为它能模仿我们人类大脑的认知逻辑。而且在某些方面，它甚至能做得更好。郭毅可院士提出了一个观点。他说我们人的大脑，它本身就是一个基于贝叶斯原理工作的生成模型。我们是怎么学习新东西的呢？我们通过预测一些事情，然后看我们的预测是不是有误差。如果错了，我们就更新我们的认知。而AI做科学研究的核心逻辑，就是主动推理。主动推理就是用来消除这些认知误差的手段。这正是AI能够面向“发现”的机制原理。它能主动探索，而不是被动地接收指令。
伦敦大学学院的汪军教授的研究也支持这个观点。汪军教授说，强化学习是主动推理的核心技术。这种学习方法，能高效地解决科学研究中的高维空间搜索问题。比如，在找一个新的材料配方时，可能的组合有亿万种，人很难一一尝试。AI能更快地找到最佳的。它也能解决复杂的优化决策问题。通过强化学习，AI智能体能通过不断地**“读写学习”，实现持续的自我演化**。这让AI发现科学的能力变得更强了。它就像一个永远在学习，永远在进步的学生。
但是，专家们也都很直接。他们说，目前的AI4S发展，还只是起步阶段。还有很多问题需要解决。这些问题，就像一道道坎，挡住了它大规模应用的路。
首先一个问题是：“硬件掉链子与实验反馈慢”。汪军教授指出，在科学实验中，经常会出现机械臂损坏的情况。或者其他实验设备突然出故障。这些问题都会让整个实验停下来。你想想看，AI再聪明，如果没有好的“身体”来执行，也是白搭。而且，像化学、材料这些领域的实验，得到结果往往需要很长时间。一个实验可能要等几天、几周才能知道结果。比如，合成一种新材料，可能需要漫长的反应和检测周期。这和AI那种希望快速推理，立刻得到反馈的特性，是互相矛盾的。目前，我们缺乏新的理论和方法来解决这种时间上的不匹配。
其次是：“模型的可解释性与物理融合不足”。陆萌茜副教授说，现在很多AI模型，是纯数据驱动的。它只看数据，找出数据里的规律。但是，像气候、材料这些复杂系统，它们背后有很深刻的物理规律。纯数据驱动的AI模型，很难完全捕捉到这些规律。举个例子，如果气象预报超过十五天，AI模型的准确性和稳定性就明显变差了。这是因为它没有很好地理解天气变化的物理机制，比如大气环流的物理定律。所以，我们需要让AI和物理模型深度融合。它不仅要看数据，还要懂得物理世界的运行规则。这样才能做出更准确、更可信的预测和分析。
最后，也是一个很重要的问题：跨学科人才太稀缺了。AI4S的发展，它需要一种特别的人才。这种人既要懂专业领域知识，比如他要是个化学家或者物理学家，对他所在的领域有深入的理解。同时，他还要掌握AI技术，要会用AI模型，会写代码，能把科学问题转化为AI能处理的形式。这种既懂科学又懂AI的复合型人才，现在市场上非常少。这成为了行业发展的一个重要限制。因为没有足够的人来把AI和科学真正结合起来，很多好的想法就很难落地。我们不能光有好的工具，还得有会用工具的人。
