Full text · 原文
2,667 字
作者/于雷<br>
编辑/刘毓坤<br>
过去几年，大模型不断刷新能力边界，但对于科研而言，一个更现实的问题始终存在：AI究竟什么时候能够真正改变科学发现，而不仅仅是辅助科研人员完成一些零散工作？<br>
2026世界人工智能大会（WAIC）期间举行的“AI for Science: Beyond the Concept”媒体圆桌上，北京智源人工智能研究院、中国科学院、深圳河套学院、清华大学四家科研机构展示了各自在AI for Science（AI4S）领域的最新探索。尽管研究方向覆盖神经科学、材料科学、生命科学和科研平台等不同领域，但几位科学家的观点却逐渐汇聚到同一个判断——AI正在从科研工具，演变为科研基础设施。<br>
相比去年行业仍在讨论AI能否用于科研，今年讨论的重点已经发生变化：如何让AI真正进入实验室、进入科研流程，并承担越来越多原本依赖人工完成的工作。<br>
AI改变科研，第一步不是发现新科学，而是接管实验室<br>
在深圳河套学院副院长、香港中文大学教授欧阳万里的分享中，AI首先改变的并不是科研结论，而是实验室最基础，也最耗时的工作。<br>
深圳河套学院副院长、香港中文大学教授 欧阳万里<br>
在材料科学研究中，从样品制备、仪器控制到参数调整、数据分析，大量工作长期依赖科研人员反复操作不同设备，不同仪器之间的软件也彼此割裂。<br>
欧阳万里团队研发的AuraID（RID）系统，则试图把这些流程全部交给AI完成。<br>
与传统自动化不同，该系统并不依赖仪器开放API，而是利用软件智能体像人一样识别界面、点击按钮、调整参数，同时配合机械臂完成样品搬运，实现不同仪器之间的协同工作。<br>
相比上一代系统，最新RID 2.0最大的变化并不是加入更多设备，而是引入大模型后的泛化能力。<br>
欧阳万里介绍，过去不同材料需要分别训练模型，而现在“一套规则”便可覆盖能源材料、纳米材料、金属材料等多类样本；在部分微CT自动调参任务中，AI独立完成率已由约33%提升至80%以上，逐渐接近专家操作水平。<br>
他认为，真正重要的不只是自动化，而是让科学家重新把时间投入到科学判断，而不是设备操作。<br>
神经科学为何迟迟没有自己的AlphaFold？<br>
相比材料科学，神经科学被认为是AI4S最困难的方向之一。<br>
北京智源人工智能研究院研究员雷博给出的原因并不在模型，而在数据。<br>
北京智源人工智能研究院研究员 雷博<br>
他认为，蛋白质领域之所以能够诞生AlphaFold，一个重要原因是长期建立了标准化的数据体系和统一的数据基础设施。而神经科学至今仍高度依赖不同实验设备，不同实验室的数据标准也并不一致。<br>
“同一个数据集，不同科学家甚至可能给出完全相反的解释。”雷博表示，如果直接把这些数据用于模型训练，很难学习到统一规律。<br>
因此，智源团队没有直接扩大模型规模，而是首先建设Brain Token数据平台，将来自二十多个公开平台以及合作机构的人类、猴子、小鼠等多模态神经科学数据统一Token化，为基础模型提供统一的数据语言。<br>
更值得关注的是，团队没有把大语言模型视为最终目标，而是把它作为神经科学模型学习“世界知识”的参考空间。<br>
雷博认为，大语言模型已经学习了大量语言、图像之间的对应关系，而神经科学模型可以借助这一能力，去理解原本稀疏、异构的大脑数据，从而学习更完整的大脑表征。<br>
在媒体问答环节，他进一步用GPT的发展作比喻评价当前AI4S的发展阶段。<br>
“如果拿GPT的发展来看AI4S，我认为模型能力大约还处于GPT-1阶段，但行业关注度已经到了GPT-3，而真正的科研应用已经开始接近ChatGPT诞生前夕。”<br>
他认为，这意味着AI4S仍有很长的技术路线需要走，但科研人员已经开始真正使用这些工具，这种“应用先于能力成熟”的发展路径，比传统大模型更加健康。<br>
AI开始学习“像科学家一样思考”<br>
相比专注某一领域，中国科学院自动化研究所研究员徐楠关注的是另一个问题：如何让AI能够跨越不同学科完成科学推理。<br>
中国科学院自动化研究所研究员 徐楠<br>
他认为，目前AI4S主要存在三条路线：专用科学模型、通用大模型增强，以及科学语言模型。但这些路线共同面临一个挑战——能够处理数据，却未必真正理解科学规律。<br>
ScienceOne Omni尝试采用“统一编码—知识对齐—任务解码”的新架构，将文本、分子、晶体、蛋白质、光谱、科学图像等不同科学模态放入同一个模型中训练，同时把科学家的推理过程显式融入训练数据。<br>
徐楠表示，他们与中科院多个研究所共同整理了800万条科学推理样例，希望模型不仅能够回答问题，更能够“像科学家一样思考”。<br>
这种能力已经开始进入实际科研。<br>
例如在催化剂研发中，ScienceOne能够完成从目标理解、实验规划到材料设计、实验验证的整套流程，将传统需要数月完成的新催化剂设计缩短至约30分钟，并发现活性提升38%的候选催化剂。<br>
AI最终改变的，也许不是科研，而是科学家的角色<br>
如果说前三位嘉宾更多讨论技术路径，那么清华大学生命科学学院教授俞立则把话题提升到了科研范式本身。<br>
清华大学生命科学学院教授 俞立<br>
在他看来，AI正在推动生物科研重新进入一个新的阶段。<br>
过去，科研人员需要大量重复实验；未来，越来越多实验将交给自动化实验室完成。<br>
俞立提出的“暗实验室（Dark Lab）”构想，就是希望把实验设备、机器人、大模型和数据平台全部连接起来，让数据在进入系统的同时完成分析，并持续反哺模型，实现科研闭环。<br>
在他看来，人类科学家的价值将越来越体现在提出问题和作出判断，而不是重复执行实验流程。<br>
“去年开始把Agent部署进去，全链条管理，建了暗实验室，学生们很高兴——整天喝咖啡、聊天，只需要做判断。”俞立在问答环节说道。<br>
AI4S真正值得关注的，不只是模型<br>
纵观整场圆桌，一个明显变化正在出现。<br>
过去几年，大模型的发展更多聚焦参数规模、排行榜和能力竞争；而在AI4S领域，讨论重点已经逐渐转向数据基础设施、科研流程重构、多智能体协同以及实验室自动化。<br>
四位嘉宾来自不同机构、研究不同方向，却都在回答同一个问题：AI如何真正进入科研现场，而不仅停留在论文和演示之中。<br>
从自动控制实验仪器，到统一不同学科的数据语言，再到让AI参与科学推理和实验设计，AI for Science正在从“辅助科研”迈向“重构科研”。<br>
对于整个行业而言，这或许比单一模型刷新某项指标更值得关注——未来实验室真正发生变化时，科学家最大的工作，可能真的会像俞立所说的那样，从“亲自做实验”，逐渐转向“提出问题、作出判断”。