余江1,2张越1,2*周易1,3

1 中国科学院科技战略咨询研究院

2 中国科学院大学 公共政策与管理学院

3 英国曼彻斯特大学 全球发展研究院

文章源自：

余江, 张越, 周易. 人工智能驱动的科研新范式及学科应用研究. 中国科学院院刊, 2025, 40(2): 362-370.

DOI: 10.16418/j.issn.1000-3045.20230411001.

人工智能驱动科研新范式的演化方向

AI驱动科研新范式的演化方向由“科研自动化”向“科研模型化”“科研智能化”发展，其在科研中应用的深度与范围不断拓展（图1）。

图1 人工智能驱动科研新范式的演化方向

科研自动化——实验过程模仿复制

随着科研任务量的不断提升，高重复性、高精度的科研过程往往需要实验人员花费大量的时间，在重复进行实验的同时提升实验精度。科研自动化能够通过对实验操作过程的模仿复制实现对科研人员一定程度的替代，解决高强度、高重复、高频率、高精度的科学实验与试错问题。目前，根据自动化的程度和规模，实验室自动化大致可分为单模块形式自动化、工作站形式自动化、流水线形式自动化、机器人形式自动化4种类型。实验室自动化程序可根据预定好的模型和程序辅助科研人员执行相应科研任务，让科研人员集中精力投入创造性的科研工作中。在实验操作中，科研自动化适合进行高危高频高强度实验，可实现在高温、剧毒、黑暗等恶劣实验环境下对人力的替代。在高精度实验试剂的操作中能够提升克级、毫克级高通量试剂筛选中的效率与准确性。科研自动化能够最大程度地降低科学家或实验操作人员身体疲惫或情绪变化等主观因素带来的负面影响。

科研模型化——大模型探索应用

随着数据海量扩张、计算模型升级，实验所需计算维度呈指数级增长，解析难度和运算维度不断增加。通过对AI大模型的探索应用，优化实验设计，使高维计算和高效解析得以在短时间内实现，实现科研模型化。通过探索并依托特定领域模型训练，AI可以解决高维度科学问题，在短时间内推动生物学、物理学等领域的重要突破。已有科研范式往往以第一性原理理论为基础，从最基本的公理、命题或假设出发，逐步推导、演算出现实问题的一个或多个解决方法。测算化学结构、物化特性再到应用实践，要经过无数次结构、性能，以及应用维度的测算，这个过程往往面临极大的思考能力与计算能力的局限。AI在科研中的应用能够通过高维度的计算和高精准度的自主实验控制打破原有的科研瓶颈。在生物学领域，生命系统的复杂性隐藏了背后的原理，AI的应用有助于理解生命涌现原理。在物理学领域，AI改变了以往物质标定、解析，以及底层图谱处理的方式。以反应气体测量为例，中国科学院工程热物理研究所基于AI模型提出等效特征图谱法（ECSA），通过智能仪器和程序实现了对气体图谱的精准识别；通过多模态数据输入输出，以及多类型算法提升模型的有效性，实现高维度图谱矩阵的检测及解析，颠覆领域内原有的科研范式。

科研智能化——大模型深度应用

通过建立通用大模型训练平台并持续推动模型迭代与优化，“人工智能+科学”将实现高复杂度、高任务量科研的过程自主决策，推动科研范式的智能化发展。随着结构化科研数据库的不断完善，AI算法与算力的提升将支撑其实现更为复杂的分析能力与自主决策过程。深度学习、迁移学习、强化学习等算法与模型的不断改进和发展，在提升模型适用度的同时降低训练成本；科研数据、算法资源库的优化将提升AI计算精度与效率，实现高效高精度求解的复杂问题。AI的感知智能、认知智能和决策智能在基础设施层的提升和模型规律训练的基础上不断完善，从多方面、多角度与科研领域融合，推动实现科研智能化。在处理高任务量和高复杂度的科研工作中，通过智能大模型与科研设备的融合应用，促进复杂研究过程中智能决策能力的持续提升，实现科研智能化。例如，中国科学技术大学研发出覆盖收集信息、提出假设、分析处理等科研全流程的智能科研设备——机器人化学家“小来”（图2）。“小来”能够在智能查找并阅读文献过程中，将前人的论文、专利等文本通过自然语言形成机器可以“理解”的结构化数据，并以此为基础提出科学假说、设计实验方案。在实验配方优化过程中，由于缺少通用可预测物理模型，科研人员需要较长时间才能够合成合格样品。然而，通过机器学习驱动的AI学机器人，可以在没有物理模型的前提下优化离散和连续目标，并通过2个配方机器人平台自主完成复杂的合成程序，在无需人工干预的情况下执行半自动样品制备和表征。该种由机器学习自动触发的实验可以实现在15个工作日内找到符合要求的实验配方。

图2 机器化学家“小来”的工作流程