本文來自微信公眾號： 中國科學(xué)院院刊 ，作者：洪學(xué)海

原文刊載于《中國科學(xué)院院刊》2026年第7期“政策與管理研究”。本文為精簡版

洪學(xué)海

中國科學(xué)院計算技術(shù)研究所

當(dāng)前，AI正從科研“輔助工具”演變?yōu)椤翱蒲袇f(xié)作伙伴”，甚至演變成為自主型科學(xué)發(fā)現(xiàn)的系統(tǒng)“AI科學(xué)家”。隨著AI技術(shù)不斷創(chuàng)新及Agentic AI深入滲透科研過程，AI賦能科研的潛力邊界正在被不斷拓展，傳統(tǒng)科研組織管理模式需及時進(jìn)行適度改革。要構(gòu)建AI原生創(chuàng)新體系，以適應(yīng)AI帶來的科研范式革命。

1

AI賦能科研的“能”與“不能”

AI能極大地提升科研效率

2024年5月英國皇家學(xué)會發(fā)表的報告，調(diào)查了AI如何改變科學(xué)研究，得出的主要結(jié)論是：AI應(yīng)用可見于所有科學(xué)、技術(shù)、工程、數(shù)學(xué)（STEM）領(lǐng)域，并正在深刻重塑科學(xué)研究的范式、方法論和效率。Nature有文章調(diào)查指出，AI能超越人類閱讀極限，能實時監(jiān)控、分析與綜合全球每年數(shù)百萬篇新發(fā)表論文，揭示跨學(xué)科、跨時間尺度的宏觀研究趨勢與“暗知識”，可以快速梳理特定領(lǐng)域的知識脈絡(luò)、核心爭議、研究空白、生成新假設(shè)和啟發(fā)全新交叉研究課題等。2025年Science評選出年度十大科學(xué)突破，其中第7項是“大語言模型助力科學(xué)研究”，Science評論指出：大語言模型（LLM）已經(jīng)在眾多科學(xué)領(lǐng)域展現(xiàn)出了卓越的專業(yè)能力，例如，在化學(xué)領(lǐng)域，微調(diào)后的LLM僅用15次實驗就為一種未知的復(fù)雜反應(yīng)找到了最佳條件，省去了數(shù)百次耗時數(shù)周的實驗。

AI能有效應(yīng)對部分復(fù)雜科學(xué)問題

目前，AI賦能科研的內(nèi)在機(jī)理有“數(shù)據(jù)驅(qū)動、知識驅(qū)動和數(shù)據(jù)與知識融合增強(qiáng)”三種模式，核心在于將模糊的科學(xué)問題轉(zhuǎn)化為可計算的優(yōu)化與預(yù)測任務(wù)。李國杰將AI賦能科研領(lǐng)域的科技問題求解特點概括為6點，其中有2點指出了用AI求解的科技問題特征：

1.以復(fù)雜系統(tǒng)為主要研究對象，有效應(yīng)對計算復(fù)雜性非常高的組合爆炸問題；

2.面向非確定性問題，概率和統(tǒng)計推理在科研中發(fā)揮更大的作用。

孫凝暉指出，AI在突破人類認(rèn)知極限上，有無確定物理模型的數(shù)據(jù)驅(qū)動和有確定物理模型的機(jī)理內(nèi)嵌的2條典型技術(shù)路線。本文梳理了相關(guān)領(lǐng)域成果案例，如信息技術(shù)、化學(xué)、材料科學(xué)、生命科學(xué)、凝聚態(tài)物理、天文學(xué)和地球科學(xué)，顯示了AI賦能科研三種內(nèi)在機(jī)理模式在應(yīng)對復(fù)雜系統(tǒng)和非確定性問題方面具有顯著潛力，能夠通過數(shù)據(jù)驅(qū)動、物理機(jī)理內(nèi)嵌等技術(shù)路徑進(jìn)行應(yīng)用。這正是AI將數(shù)據(jù)驅(qū)動的“黑箱”探索能力，與機(jī)理內(nèi)嵌的“白箱”約束能力相結(jié)合，以應(yīng)對復(fù)雜系統(tǒng)的組合爆炸和非確定性問題帶來的挑戰(zhàn)。Google DeepMind公司（以下簡稱DeepMind）基于Gemini大模型和Aletheia智能體（AI數(shù)學(xué)研究系統(tǒng)）連發(fā)多篇數(shù)學(xué)方面的論文，包括Erd?s猜想、Max-Cut（最大割）、Steiner Tree（斯坦納樹）等數(shù)學(xué)問題。其中關(guān)于Erd?s猜想，涉及大量的圖論與數(shù)論問題，這些問題涉及海量的可能性組合，計算復(fù)雜度極高，Max-Cut、Steiner Tree問題屬于NP-hard問題，搜索空間極其龐大，具有典型的“組合爆炸”特征。AI數(shù)學(xué)家利用大模型的通用推理能力（知識驅(qū)動），進(jìn)行符號推理和邏輯演繹來生成答案，證明了AI大模型開始具備在高度復(fù)雜的離散結(jié)構(gòu)和符號系統(tǒng)中進(jìn)行邏輯推理和搜索的能力。

AI賦能科研的能力邊界

上述AI賦能科研取得的成就并不意味著當(dāng)前AI能夠解決所有科學(xué)技術(shù)問題。目前AI能夠解決科學(xué)問題的共性特征是：目標(biāo)函數(shù)明確、解空間清晰可控、高質(zhì)量數(shù)據(jù)支撐、計算可并行重復(fù)、科學(xué)規(guī)律具時空穩(wěn)定性、結(jié)果評價指標(biāo)可量化。事實上，AI的能力存在明確的邊界，這些邊界由計算復(fù)雜性理論、認(rèn)知科學(xué)原理及物理世界的根本特性所決定。目前AI無法解決的科學(xué)問題的共性特征是：

1.?計算復(fù)雜性本質(zhì)限制。雖然AI已能通過數(shù)據(jù)驅(qū)動和機(jī)理內(nèi)嵌的技術(shù)路徑，在芯片設(shè)計等非確定性多項式時間（NP）難問題上找到超越人類經(jīng)驗的帕累托最優(yōu)解，或在材料篩選中應(yīng)對高維復(fù)雜空間，但這主要是在實踐中采用近似求解、啟發(fā)式搜索或數(shù)據(jù)驅(qū)動預(yù)測的方式來“有效應(yīng)對”這些問題，而非在理論上攻克NP-hard的計算復(fù)雜度本質(zhì)。

2.?理論框架缺失。如量子引力、意識本質(zhì)等問題面臨理論框架的不完備。解決這些問題需要理論創(chuàng)新而非單純依賴數(shù)據(jù)增加和算力提升。在缺乏物理模型或領(lǐng)域知識支撐的“非確定性”領(lǐng)域，AI難以獨立完成理論突破。

3.實驗驗證困難。某些問題涉及無法實施的實驗或無法獲取的數(shù)據(jù)，如普朗克尺度、早期宇宙、生命起源等問題的研究缺乏實驗反饋，導(dǎo)致理論進(jìn)展困難，AI也因缺乏有效輸入而難以發(fā)揮作用。

4.數(shù)據(jù)稀缺性障礙。如稀有事件、長尾分布、歷史唯一性事件等問題面臨數(shù)據(jù)缺失。當(dāng)數(shù)據(jù)本質(zhì)上不可獲取且無法通過物理機(jī)理約束進(jìn)行補(bǔ)償時，AI方法往往失效。從計算理論角度看，哥德爾不完備性定理對AI意味著：任何基于規(guī)則的AI系統(tǒng)都有其無法解決的問題，存在AI無法證明但人類可以“看出”的真理，數(shù)學(xué)“洞見”超越算法。圖靈停機(jī)問題不可計算性也是對AI能力的制約。此外，認(rèn)知神經(jīng)基礎(chǔ)尚不完全清楚及熱力學(xué)和量子力學(xué)等物理定律的限制。這些共同決定了當(dāng)前AI賦能科研的能力邊界。

2

AI賦能科研的共性核心條件

科研對象的問題特征在一定程度上蘊(yùn)含了對科研核心條件的需求。本文通過對多個AI4S重大科研成果案例分析顯示，當(dāng)前AI賦能科研的共性核心條件至少有3個：

1.團(tuán)隊必須具備“將領(lǐng)域知識深度編碼進(jìn)AI”的雙向能力。團(tuán)隊核心必須具備將科學(xué)問題的本質(zhì)轉(zhuǎn)化為AI模型結(jié)構(gòu)的能力。例如，DeepMind公司的AlphaFold2的Evoformer架構(gòu)、Deep Potential勢函數(shù)模型的網(wǎng)絡(luò)設(shè)計，均是這種“深度編碼”的體現(xiàn)。

2.必須擁有或能構(gòu)建推動質(zhì)變的“領(lǐng)域數(shù)據(jù)/平臺”。通用大數(shù)據(jù)和AI開源框架是基礎(chǔ)，但不足以產(chǎn)生突破，關(guān)鍵在構(gòu)建能定義問題的專屬資產(chǎn)，包括定義性數(shù)據(jù)集和定義性平臺/工作流。數(shù)據(jù)集方面如DeepMind結(jié)構(gòu)生物學(xué)的PDB、用于訓(xùn)練勢函數(shù)的高質(zhì)量第一性原理計算數(shù)據(jù)集等，定義了問題的邊界；平臺/工作流方面如DeepMind材料科學(xué)DIVE的“文獻(xiàn)-數(shù)據(jù)庫-生成”全鏈路、自主實驗室的“AI設(shè)計-機(jī)器人合成-測試”閉環(huán)鏈路等，這些平臺/工作流將離散的AI能力整合為可重復(fù)、可擴(kuò)展的發(fā)現(xiàn)機(jī)器。

3.組織模式必須支持“快速人機(jī)迭代循環(huán)”。效率提升的本質(zhì)是極大縮短從假設(shè)到驗證的周期，這要求組織模式打破傳統(tǒng)學(xué)科和流程壁壘。即跨學(xué)科不是“合作”而是“熔合”，如芯片設(shè)計團(tuán)隊中，電子工程師必須能直接與圖神經(jīng)網(wǎng)絡(luò)專家對話（二位一體），共同定義模型輸出如何等價于物理設(shè)計。

3

AI賦能的科研組織模式——對DeepMind的科研組織解構(gòu)

DeepMind已經(jīng)連續(xù)在多個等跨學(xué)科領(lǐng)域取得系列重大科技成果。例如：生命科學(xué)領(lǐng)域的蛋白質(zhì)結(jié)構(gòu)預(yù)測AlphaFold系列、計算數(shù)學(xué)領(lǐng)域的高效的矩陣乘法算法AlphaTensor、計算機(jī)領(lǐng)域的AlphaCode、材料科學(xué)的GNoME、地球科學(xué)領(lǐng)域的天氣預(yù)報模型GraphCast，以及持續(xù)進(jìn)行的核聚變控制AI for Fusion和自動化科學(xué)實驗等，其科研組織體系是AI賦能科研的組織管理模式的最典型案例。

DeepMind的科研組織架構(gòu)本質(zhì)上是“任務(wù)型部落”與“中央平臺”的二元結(jié)構(gòu)。該架構(gòu)并非傳統(tǒng)的矩陣式或金字塔式，而是由兩部分高效協(xié)同組成。

1.前沿研究“任務(wù)型部落”由多個高度自治、聚焦于特定“登月”式任務(wù)的團(tuán)隊構(gòu)成，如AlphaFold團(tuán)隊、AI for Science團(tuán)隊、強(qiáng)化學(xué)習(xí)團(tuán)隊等都是“任務(wù)型部落”。這些團(tuán)隊規(guī)模精干，由世界級的首席研究員（PI）領(lǐng)導(dǎo)，擁有極高的自主權(quán)來決定技術(shù)路徑。2021年后，前沿研究任務(wù)型“部落”更加裂變與專業(yè)化。例如，AI for Science團(tuán)隊裂變出多個高度專業(yè)化的“部落”，包括GNoME（材料科學(xué)）、GraphCast（地球科學(xué)）等，每個“部落”都像一個獨立的創(chuàng)業(yè)公司，都能在各自領(lǐng)域內(nèi)實現(xiàn)極致的創(chuàng)新?！安柯洹苯M織上表現(xiàn)為“AI專家+領(lǐng)域科學(xué)家”的嵌入式聯(lián)合工作組。

2.規(guī)?；こ獭爸醒肫脚_”由公司強(qiáng)大的中央工程與研究團(tuán)隊支持，他們不隸屬于具體項目，而是負(fù)責(zé)構(gòu)建和維護(hù)統(tǒng)一的、標(biāo)準(zhǔn)化的可復(fù)用的世界級大規(guī)模計算基礎(chǔ)設(shè)施、軟件框架和工具鏈。這確保了每個研究團(tuán)隊都能立刻調(diào)用萬級TPU算力，并能復(fù)用高效的分布式訓(xùn)練、實驗跟蹤和數(shù)據(jù)分析平臺。

DeepMind的科研項目組織展現(xiàn)出高度成熟的?“工業(yè)級科研范式”?。不再是單純的學(xué)術(shù)探索，而是一種將科學(xué)發(fā)現(xiàn)視為可規(guī)劃、可執(zhí)行、可交付的工程項目的精密組織過程。在科研項目選題階段，采用“3D”篩選漏斗選題標(biāo)準(zhǔn)（即：難度上是不是“登月級”挑戰(zhàn)？清晰度上有沒有“金標(biāo)準(zhǔn)”做裁判？價值上能否“重塑領(lǐng)域”或“造福人類”？），只有3個強(qiáng)制性問題答案皆為“是”，項目才會進(jìn)入“模擬驗證”先行的機(jī)制（“沙盒關(guān)卡”），對預(yù)選的一個科學(xué)問題，首先在“游戲”或“模擬器”中驗證其AI方法論是否可行。如果經(jīng)過驗證表現(xiàn)出“超越人類”的潛力，并能“遷移”到具有相似數(shù)學(xué)結(jié)構(gòu)的科學(xué)問題上，再進(jìn)入“自下而上”提案+“自上而下”戰(zhàn)略對齊的決策階段。在項目啟動階段，將模糊、復(fù)雜的科學(xué)難題，翻譯成AI能夠理解和求解的數(shù)學(xué)與計算語言，不試圖解決“所有問題”，而是精準(zhǔn)地找到“一旦突破就能重塑領(lǐng)域”的關(guān)鍵瓶頸。例如，在GraphCast?項目啟動時，將全球氣象預(yù)報問題重新定義為一個“基于二十面體網(wǎng)格的圖神經(jīng)網(wǎng)絡(luò)上的預(yù)測任務(wù)”，避免了傳統(tǒng)數(shù)值天氣預(yù)報依賴求解復(fù)雜偏微分方程組的計算瓶頸。GraphCast直接從歷史再分析數(shù)據(jù)中學(xué)習(xí)天氣演變規(guī)律，而非模仿傳統(tǒng)物理方程方法，在計算效率上實現(xiàn)了重大突破。在項目執(zhí)行階段，采用“?超級算力供應(yīng)+適應(yīng)領(lǐng)域問題的模型精細(xì)調(diào)優(yōu)”的工程化組織模式和“以計算換時間”的組織策略，依靠“中央平臺”提供的近乎無限的計算資源，開展大規(guī)模假設(shè)驗證和模型迭代，將科研項目變成“工程攻堅”。在項目結(jié)束階段，秉持“資產(chǎn)交付”的管理思維，項目結(jié)束的標(biāo)準(zhǔn)和成果的最終形態(tài)，要么是一個數(shù)據(jù)庫，要么是一個開源庫，要么是一個工具等，而非僅僅是發(fā)表論文。如AlphaFold數(shù)據(jù)庫、GNoME工具鏈等。這些可復(fù)用的交付資產(chǎn)歸集到“中央平臺”，確保了科研成果能夠被公司內(nèi)部和全球科研社區(qū)低成本、高效率地復(fù)用，極大地延伸了科研項目的生命周期，最大化其社會價值。

4

4AI賦能科研需破解“三大矛盾”

有組織科研與分散化探索的矛盾

Hao Q等通過分析已經(jīng)發(fā)表的覆蓋自然科學(xué)6大學(xué)科、覆蓋AI時代三大階段的4130萬篇論文，得出的結(jié)論之一是：AI造成科學(xué)“收縮”。即AI增強(qiáng)了科學(xué)家個人影響力，顯著提升了科學(xué)家個人的科研產(chǎn)出與職業(yè)發(fā)展速度，但與此同時，科學(xué)家互動減少，科學(xué)研究的整體知識廣度正在“收窄”，科學(xué)探索版圖悄然收縮，造成科學(xué)家個體受益而科學(xué)集體受限的悖論。但從另一個角度看，如果科學(xué)家個人或小團(tuán)隊掌握AI能力越強(qiáng)，越有利于其進(jìn)行高質(zhì)量的科研，并且增強(qiáng)分散化科研探索能力，這對于鼓勵基礎(chǔ)性前瞻性探索科研活動有利，然而這對于建制化有組織的科研可能不利，將可能導(dǎo)致科學(xué)家個人或小團(tuán)體的“個人英雄主義”。因此，要在科學(xué)小團(tuán)隊的“自由探索”科研與建制化有組織國家“使命導(dǎo)向”的科研之間，探索或重新定位科研機(jī)構(gòu)的核心職能，重構(gòu)科研組織管理與評價體系。既要強(qiáng)調(diào)建制化有組織的科研，也要鼓勵進(jìn)行前瞻性基礎(chǔ)性原創(chuàng)性的分散化自由探索，兩者并行不悖。

平臺化供給與個性化需求的矛盾

DeepMind的實踐表明，AI賦能科研活動，平臺化供給非常重要。公司內(nèi)任何研究人員無需重復(fù)“造輪子”，即可調(diào)用成熟的智能體編排等，實現(xiàn)人機(jī)異步協(xié)作。

1.DeepMind模式適用于“問題可編碼、規(guī)律可學(xué)習(xí)、數(shù)據(jù)海量”的科研領(lǐng)域，其中央平臺的構(gòu)建都圍繞這個特征來構(gòu)建并且是自洽的。DeepMind科研人員可編排、調(diào)用、管理中央平臺上多個智能體，在Agentic AI支撐下進(jìn)行科研協(xié)作，屬于“工業(yè)級科研范式”，個性化科研可能得不到滿足。

2.DeepMind面對的科技問題與平臺的特征決定了其平臺不是對所有的科研領(lǐng)域和科技問題都適應(yīng)?？茖W(xué)史上一些重大科研突破常發(fā)生在“無數(shù)據(jù)、無模型、無路徑”的三無地帶，一些重大技術(shù)發(fā)明不是依賴AI平臺，而是依賴科學(xué)家的物理直覺、跨學(xué)科靈感遷移、數(shù)十年如一日的專注、對“不可能”的懷疑精神等。例如，信息技術(shù)領(lǐng)域的CMOS+32位架構(gòu)（IEEE里程碑獎）、RISC精簡指令集、鐵電晶體管（FeFET）等，恰恰發(fā)生在三無地帶。因此，AI賦能科研，既要考慮公共平臺供給，又要考慮個性化科研的需求。

智能化科研生產(chǎn)力與傳統(tǒng)科研管理制度性的矛盾

智能化科研生產(chǎn)力是以AI為核心驅(qū)動力的科研產(chǎn)出能力，強(qiáng)調(diào)跨學(xué)科、跨地域的即時協(xié)作。傳統(tǒng)科研管理制度性是一套在工業(yè)社會形成的、資源約束條件下，以研究機(jī)構(gòu)、研究中心（實驗室）和課題組為基本組織單元的剛性金字塔結(jié)構(gòu)系統(tǒng)，面對AI帶來的智能化科研生產(chǎn)力沖擊時，顯現(xiàn)出不適應(yīng)性，矛盾的核心在于?“技術(shù)能力的突飛猛進(jìn)”與傳統(tǒng)科研組織方式的滯后”?之間的撕裂。從科研管理者的視角來看，要真正激發(fā)AI在科研中的潛能，要重塑科研的組織架構(gòu)、基礎(chǔ)設(shè)施、人才模式、評價體系與文化內(nèi)核，使其適應(yīng)“AI原生”的科研新范式。

5

構(gòu)建AI原生科研創(chuàng)新體系的科研組織管理與機(jī)制

AI原生科研創(chuàng)新體系內(nèi)涵及構(gòu)建

AI原生的科研創(chuàng)新體系是科研全要素全過程圍繞以AI為核心的組織與管理體系，是將AI作為科研活動的核心驅(qū)動力與基礎(chǔ)架構(gòu)，從底層“操作系統(tǒng)”重構(gòu)科學(xué)發(fā)現(xiàn)全過程的新型范式。前文所述的DeepMind科研組織管理體系就是最典型的“微型”AI原生創(chuàng)新體系案例。美國正在實施的“創(chuàng)世紀(jì)計劃”（Genesis Mission），其實是DeepMind科研創(chuàng)新體系“放大器”。

AI原生創(chuàng)新體系的構(gòu)建主要包括下面4個關(guān)鍵要素：

1

認(rèn)知范式要素——數(shù)據(jù)驅(qū)動的概率生成邏輯

這是科研體系運作的底層思維轉(zhuǎn)變。傳統(tǒng)科研遵循“假設(shè)-實驗-驗證”的線性路徑，以因果或理論推導(dǎo)為根基，必須先理解“為什么”；而AI原生科研逆轉(zhuǎn)了這一邏輯。它不再依賴“理論驅(qū)動”的因果推導(dǎo)，而是通過深度學(xué)習(xí)等在海量科學(xué)數(shù)據(jù)中自動發(fā)現(xiàn)規(guī)律或知識的模式。更深層地看，其認(rèn)知邏輯發(fā)生了從“解釋世界”到“概率生成世界”的倒置，即：AI并非先理解物理原理再求解，而是直接從高維數(shù)據(jù)分布中“采樣”預(yù)測結(jié)果。知識提取路徑被壓縮為“數(shù)據(jù)→隱空間表征→現(xiàn)象預(yù)測”，科研人員可在不完全掌握第一性原理的情況下獲得精準(zhǔn)預(yù)測。這是科學(xué)方法論的革命。

2

主體結(jié)構(gòu)要素——人機(jī)解耦的協(xié)同架構(gòu)

傳統(tǒng)科研受限于人類科學(xué)家“認(rèn)知帶寬”，往往將搜索空間人為低維化，如化學(xué)家只調(diào)幾種官能團(tuán)，材料學(xué)家只看相圖一角，這不是最優(yōu)策略。AI原生科研體系引入了高維全局搜索能力，當(dāng)科研問題的自由度數(shù)以百萬計時（如合金成分優(yōu)化等），人類的直覺徹底失效，而AI及其智能體可以在不被簡化假設(shè)“污染”的原始空間中“漫游”。DeepMind的GNoME發(fā)現(xiàn)220萬種新晶體結(jié)構(gòu)，正是這一維度的例證。因此，AI原生科研，科研主體被重新界分為2個正交維度：人類科學(xué)家角色上移，聚焦“意圖層”，專注于定義關(guān)鍵科學(xué)問題、判斷價值方向、進(jìn)行創(chuàng)造性跨越與倫理把關(guān)等；AI智能體（AI科學(xué)家）主導(dǎo)“執(zhí)行層”，在高維空間中完成窮舉搜索、模式匹配、實驗方案生成與自動化驗證。二者形成“人類掌舵、AI劃槳”的共生關(guān)系，將科學(xué)發(fā)現(xiàn)從人類科學(xué)家“手工藝人”模式進(jìn)化為可規(guī)?；摹爸悄芄S模式”。因此，AI原生科研，既是對傳統(tǒng)科研的科研過程全鏈條的智能化重構(gòu)，也是科學(xué)勞動的分工重置。

3

基礎(chǔ)設(shè)施要素——AI原生的科研底座

AI原生創(chuàng)新體系要求構(gòu)建專門服務(wù)于AI賦能科研的底層設(shè)施，這是支撐體系運轉(zhuǎn)的物質(zhì)基礎(chǔ)。

1.大規(guī)模、高質(zhì)量、標(biāo)準(zhǔn)化的科學(xué)數(shù)據(jù)底座，打通不同學(xué)科數(shù)據(jù)孤島；

2.大規(guī)模算力支撐的AI for Science模型訓(xùn)練與推理及模型服務(wù)平臺；

3.自動化、高通量的機(jī)器人系統(tǒng)構(gòu)成的自動化智能實驗硬件集群。在此物質(zhì)基礎(chǔ)上實現(xiàn)“計算-實驗”的無縫閉環(huán)。這意味著科研機(jī)構(gòu)需要像建設(shè)“超級計算機(jī)中心”一樣建設(shè)“AI科學(xué)大裝置”，如DeepMind的中央平臺。

4

評價標(biāo)準(zhǔn)要素——AI原生科研評價標(biāo)準(zhǔn)創(chuàng)建

AI原生科研將反噬現(xiàn)有的科學(xué)評價“元規(guī)則”，科學(xué)評價標(biāo)準(zhǔn)將被迫進(jìn)化。傳統(tǒng)科學(xué)評價主要是評價科學(xué)家的論文、專利、標(biāo)準(zhǔn)等，以衡量科學(xué)家的科研創(chuàng)新能力。而AI原生科研，AI模型或AI科學(xué)家已經(jīng)能夠代替或超越人類科學(xué)家的科研能力，甚至能規(guī)模化科研成果產(chǎn)出，AI原生科研的評價標(biāo)準(zhǔn)將不可避免的設(shè)置AI模型或AI科學(xué)家所作出的貢獻(xiàn)的相關(guān)指標(biāo)，以承認(rèn)AI在高維搜索發(fā)現(xiàn)權(quán)（如發(fā)現(xiàn)新結(jié)構(gòu)、新規(guī)律）、假設(shè)生成規(guī)模與有效率（經(jīng)物理驗證的比例）等貢獻(xiàn)。人類科學(xué)家的科研評價將轉(zhuǎn)變?yōu)榭蒲袉栴}的定義質(zhì)量（是否開辟新問題空間）、價值判斷的洞察力（是否識別出反常識的高潛力方向）、因果鏈的邏輯縫合能力（是否將AI的相關(guān)性輸出轉(zhuǎn)化為因果解釋）等。

AI原生科研創(chuàng)新體系的自反性

AI能力已經(jīng)部分超越人類科學(xué)家，這本身是極大的好事，但也帶來一些問題，稱之為“自反性”，在構(gòu)建AI原生科研創(chuàng)新體系中需加以關(guān)注。本文主要討論其中2個主要問題。

1

人類科學(xué)家如何及時驗證AI科學(xué)家生成的科學(xué)假設(shè)？

AI科學(xué)家的“發(fā)現(xiàn)”速度已經(jīng)遠(yuǎn)遠(yuǎn)超過人類科學(xué)家，為人類科學(xué)家提供了海量科學(xué)假設(shè)或提供了海量“配方”。例如，在材料領(lǐng)域，AI能迅速提供數(shù)以百萬計的候選新材料；在生命科學(xué)領(lǐng)域，谷歌“AI聯(lián)合科學(xué)家”僅用48小時就針對超級細(xì)菌的基因傳播機(jī)制提出了多個假設(shè)。在乳腺癌治療研究中，GPT-4生成了12個候選藥物組合假設(shè)。這些海量的假設(shè)或“配方”，人類科學(xué)家其實是不能及時驗證的。面對“AI生成量遠(yuǎn)超人類驗證吞吐量”的矛盾，AI原生科研創(chuàng)新體系需建立“閉環(huán)漏斗式”遴選機(jī)制來解決方向決策問題。如通過“AI算命→機(jī)器人過篩→人類掌舵”的分級流轉(zhuǎn)，將無限生成轉(zhuǎn)化為有限、有序的可決策流，從而實現(xiàn)快速有效的科研方向鎖定。

2

如何規(guī)范AI在科研中完全自主和遞歸進(jìn)化帶來的風(fēng)險？

AI原生科研體系追求的是讓AI科學(xué)家在有界復(fù)雜性中自動化執(zhí)行，而絕非讓AI科學(xué)家獲得定義問題邊界與自我存在意義的自主權(quán)。AI自主性增強(qiáng)可以提高科研自動化水平，因此也帶來AI擺脫人類控制的風(fēng)險提高，可能帶來目標(biāo)的異化。例如，AI可能將人類設(shè)定的科研目標(biāo)（如發(fā)現(xiàn)新材料）扭曲為純粹的“指標(biāo)優(yōu)化游戲”，并在此過程中產(chǎn)生不可控的副作用，以及認(rèn)知的孤立，例如，脫離物理世界反饋的遞歸進(jìn)化，會導(dǎo)致與現(xiàn)實脫節(jié)的“錯誤知識體系”等。因此，AI原生科研創(chuàng)新體系必須有一套規(guī)范化的制度，約束AI在科研中的完全自主和遞歸進(jìn)化。針對“目標(biāo)異化”設(shè)計激勵機(jī)制矯正制度。例如，規(guī)定AI智能體的優(yōu)化目標(biāo)必須嚴(yán)格映射為可獨立測量的外部物理量；設(shè)立人類“紅隊”專家，定期向AI輸入違背倫理或基礎(chǔ)物理定律的指令對抗等。針對“遞歸進(jìn)化失控”設(shè)計隔離與熔斷制度，例如嚴(yán)禁AI在一個連續(xù)的計算會話中完成超過3代的遞歸自改進(jìn)化。設(shè)計物理-數(shù)字強(qiáng)制解耦驗證制度，防止科研體系在純虛擬推演中產(chǎn)生體系性認(rèn)知漂移。

推動科研組織管理模式轉(zhuǎn)型創(chuàng)新的相關(guān)機(jī)制安排

構(gòu)建AI原生的科研創(chuàng)新體系，需要在技術(shù)、數(shù)據(jù)與平臺、人才、制度與機(jī)制、生態(tài)與安全等維度協(xié)同推進(jìn)。

1

在技術(shù)層面

構(gòu)建AI原生的科研“底座”。要研發(fā)能力更強(qiáng)的科學(xué)基礎(chǔ)大模型，適配多元科學(xué)數(shù)據(jù)模態(tài)和多元科學(xué)理論模型，使其成為“中央平臺”的核心引擎，并支持各個科研領(lǐng)域進(jìn)行模型后訓(xùn)練進(jìn)化。模型應(yīng)具備更先進(jìn)的技術(shù)架構(gòu)，既能整合通用知識，又能調(diào)用專業(yè)領(lǐng)域模型。要研發(fā)功能更豐富、能力更多面的科研智能體（執(zhí)行觸手），多智能體之間能夠進(jìn)行協(xié)作，形成自動化科研工作流。在上述基礎(chǔ)上打造自動化科學(xué)實驗平臺，將AI與自動化實驗設(shè)備打通，實現(xiàn)“AI設(shè)計-機(jī)器人執(zhí)行-實時反饋-模型優(yōu)化”的閉環(huán)。

2

在數(shù)據(jù)與平臺層面

1.要構(gòu)建“AI-ready”的科學(xué)數(shù)據(jù)基礎(chǔ)設(shè)施。針對數(shù)據(jù)驅(qū)動科研的重點領(lǐng)域，構(gòu)建大規(guī)模、高質(zhì)量、標(biāo)注清晰的訓(xùn)練數(shù)據(jù)集，為模型迭代提供“燃料”。要推動科學(xué)數(shù)據(jù)遵循FAIR原則，使數(shù)據(jù)“可發(fā)現(xiàn)、可訪問、可互操作、可復(fù)用”。

2.要圍繞某個領(lǐng)域長期要解決的科學(xué)問題或技術(shù)研發(fā)的周期性迭代等特征，構(gòu)建工業(yè)級科研范式的AI原生平臺（類似DeepMind中央平臺），將AI算力設(shè)施、智能體開發(fā)與編排平臺、AI算法自主進(jìn)化平臺、垂域科學(xué)模型服務(wù)平臺，甚至物理實驗平臺等，進(jìn)行系統(tǒng)規(guī)劃和差異化建設(shè)，或?qū)ΜF(xiàn)有分散的平臺進(jìn)行整合。但不能指望一個“AI4S大平臺”就能滿足各個科研領(lǐng)域或任務(wù)的個性化需求。

3

在組織架構(gòu)與制度機(jī)制層面

兼顧現(xiàn)有國家科技體制，重構(gòu)科研治理體系?？蒲薪M織架構(gòu)上，借鑒DeepMind“任務(wù)型部落”+“中央平臺”二元組織架構(gòu)及其網(wǎng)絡(luò)化、虛擬組織化模式，構(gòu)建敏捷隊伍組織常態(tài)化管理制度，例如通過固定與動態(tài)的資源配置和新的評估評價體系“指揮棒”，打破現(xiàn)有的“機(jī)構(gòu)墻”，破解機(jī)構(gòu)單位為中心的單一組織形態(tài)，形成“戰(zhàn)時能合，平時能歸”的機(jī)制，即：戰(zhàn)時集結(jié)的各團(tuán)隊，戰(zhàn)后可以不歸到原科研機(jī)構(gòu)。使科研人員真正成為國家人、國家隊，不為身份所困惑。同時，對于前瞻性、基礎(chǔ)性和高風(fēng)險探索性的科研，選尖子保留PI制并適度給予資源保障，鼓勵大膽創(chuàng)新，并優(yōu)勝劣汰?？蒲性u價上，改革現(xiàn)有科研評價體系，以“貢獻(xiàn)、影響力”為核心標(biāo)準(zhǔn)。從“破四唯”轉(zhuǎn)向“貢獻(xiàn)多元論”，將高質(zhì)量數(shù)據(jù)集、AI科學(xué)模型、AI開源工具、AI平臺、戰(zhàn)略研究成果等納入評價體系，賦予與論文、專利、標(biāo)準(zhǔn)等同等地位。對通過AI發(fā)現(xiàn)的重大成果，賦予發(fā)現(xiàn)者與AI模型研發(fā)者共享成果權(quán)利。科研項目管理上，要借鑒DeepMind的“‘3D’篩選漏斗”+‘沙盒關(guān)卡’”的選題機(jī)制和成果“交付資產(chǎn)”理念，加強(qiáng)重大項目選題工作。要選擇那些被公認(rèn)為衡量智能和科學(xué)能力的“標(biāo)桿性”戰(zhàn)略性、前瞻性科學(xué)問題，實施5—10年長期目標(biāo)導(dǎo)向的旗艦項目，避免選題平庸。在科研項目過程管理的立項、中期、結(jié)題各個階段，借助AI模型進(jìn)行前瞻性、基礎(chǔ)性、創(chuàng)新性評估及國內(nèi)外技術(shù)水平的對標(biāo)評估，再結(jié)合領(lǐng)域?qū)＜业脑u估意見，形成結(jié)論，而不是單一由領(lǐng)域?qū)＜医o出結(jié)論?？蒲泄芾砼c支撐組織上，要認(rèn)識信息技術(shù)每一次變革帶來的對機(jī)構(gòu)組織帶來的變化。進(jìn)入智能時代（IT3.0），要圍繞AI原生創(chuàng)新體系建設(shè)，科研機(jī)構(gòu)的科研管理與支撐系統(tǒng)可能需要重構(gòu)。

4

在人才層面

AI for Science、AI for Technology、AI for Engineering等不同科研任務(wù)需要的是具備“將領(lǐng)域知識深度編碼AI”的雙向能力的人才與團(tuán)隊。要建設(shè)復(fù)合型人才隊伍，重點使領(lǐng)域?qū)＜壹婢逜I能力。同時要打破“崗位”概念，構(gòu)建“人+AI的生產(chǎn)混合體”的崗位，并在此基礎(chǔ)上重構(gòu)科研能力單元。

5

在科研生態(tài)層面

要構(gòu)建開源開放、多方協(xié)同的創(chuàng)新生態(tài)。鼓勵建設(shè)AI科研開源平臺，開放科學(xué)大模型、數(shù)據(jù)集、工具鏈，吸引全球開發(fā)者參與貢獻(xiàn)，形成“眾智”創(chuàng)新格局。同時，通過開放、動態(tài)或虛擬化的組織形態(tài)，鼓勵企業(yè)與大學(xué)、科研機(jī)構(gòu)聯(lián)合進(jìn)行科研攻關(guān)，推動AI科研成果向產(chǎn)業(yè)應(yīng)用轉(zhuǎn)化，形成“科研-技術(shù)-產(chǎn)業(yè)”正向循環(huán)。

6

在安全層面

要構(gòu)建AI4R（AI for Research）的安全保障體系。AI大模型能力已經(jīng)非常強(qiáng)大，但“黑箱”問題仍然沒有徹底解決，引發(fā)的各種安全、倫理等隱患依然存在。在Agentic AI大規(guī)模參與AI4S科研中，自主Agent+長期目標(biāo)+真實執(zhí)行權(quán)、AI自動科學(xué)發(fā)現(xiàn)（假設(shè)生成+實驗閉環(huán)）等突破正逼近李國杰指出的R2級安全問題（可以發(fā)現(xiàn)不安全，但不能證明永遠(yuǎn)安全的安全問題集合）。R2級風(fēng)險不可徹底解決，只能治理，只能降低概率與后果，永遠(yuǎn)需要“人在回路”。因此，在AI賦能科研活動的各個環(huán)節(jié)，要建立相應(yīng)的可控監(jiān)管制度體系，保障AI賦能科研的價值實現(xiàn)。

致謝：感謝中國工程院院士李國杰、孫凝暉提出的寶貴意見和建議。

作者簡介

洪學(xué)海中國科學(xué)院計算技術(shù)研究所研究員、博士生導(dǎo)師。主要研究領(lǐng)域：高性能計算+人工智能、AI推理優(yōu)化、分布式系統(tǒng)、信息技術(shù)與信息化發(fā)展戰(zhàn)略。

文章來源

洪學(xué)海.構(gòu)建AI原生創(chuàng)新體系，推動科研組織管理模式轉(zhuǎn)型創(chuàng)新.中國科學(xué)院院刊,2026,41(7):1403-1415.

DOI:10.3724/j.issn.1000-3045.20260303005.