幾年前，科學家們還常為破解蛋白質三維結構絞盡腦汁，依賴X射線晶體學等復雜昂貴的實驗手段，花費數年時間才能解析一個蛋白質結構。而如今，一個人工智能（AI）模型只需幾小時甚至幾分鐘就能做到。DeepMind開發的AlphaFold，以原子級精度突破了困擾生物學界半個世紀的蛋白質折疊難題，將科研人員確定蛋白結構的時間大大縮短。更令人震撼的是，該團隊已經將成果對外開放，大幅加速了藥物設計、合成生物學、新材料等領域的研究進展。這一案例生動顯示出AI在科學發現中釋放的巨大能量。
11月24日，美國發布總統行政命令，宣布啟動“創世使命（The Genesis Mission）”計劃，加速利用AI取得科學突破。白宮新聞稿稱，這一計劃的“緊迫性和雄心可與曼哈頓計劃相媲美”。前不久，中國政府網發布的《國務院關于深入實施“人工智能+”行動的意見》（以下簡稱《意見》），亦將“人工智能+科學技術”置于若干重點行動的第一位，明確提出，“加快探索人工智能驅動的新型科研范式，加速‘從0到1’重大科學發現進程”。而在《中共中央關于制定國民經濟和社會發展第十五個五年規劃的建議》中，也要求“以人工智能引領科研范式變革”。可以說，AI已經被中美同時寄予了加速科學發現進程的厚望。
AI驅動科學發現的全球浪潮
近年來，AI賦能科研的浪潮已在全球各領域涌現出突破性成果。DeepMind聯合創始人德米斯·哈薩比斯（Demis Hassabis）博士指出，AI有望“加速科學進步，開啟生物、化學、數學乃至物理學全新的研究途徑”。除了前文提到的AlphaFold在生命科學領域的里程碑之外，AI還在多個科學領域的基礎研究中不斷創造驚喜。
在數學領域，DeepMind開發的AlphaTensor算法，通過強化學習自動搜尋算法空間，找到了矩陣相乘更高效的新方法，打破了人類塵封50年的算法紀錄。這一成果表明，AI有能力在龐大的“解題空間”中找到人類專家未及發現的創新解法。
在物理學上，AI同樣展現出非凡潛力。2022年，研究人員利用深度強化學習成功控制了核聚變反應堆中炙熱不穩定的等離子體，實現了對托卡馬克裝置內等離子體形狀的自主調控，為可控核聚變研究開辟了新路徑。
在生物醫藥領域，科學家通過機器學習從逾1億種分子中篩選，發現了全新結構的廣譜抗生素Halicin，對抗結核桿菌及多種耐藥“超級細菌”表現出強效，這也是AI首次在未被識別為抗生素的分子庫中發現了抗生素活性，展現出AI在新藥發現上的巨大潛能。
從分子生物到基礎數學，從氣候預測到材料科學，AI正幫助科學界突破想象邊界——許多過去被視為“不可能”的難題，在人機結合的新范式下開始出現解決的曙光。
“從0到1”：AI催化原始創新
“從0到1”的重大科學突破，指的是從無到有、顛覆性的新發現或新理論。這樣的突破往往會改寫認知邊界，但也最具挑戰性。傳統的科學研究依賴于“假設—實驗—驗證”的閉環。這個過程漫長且昂貴，尤其是在面對高維度、多變量的復雜系統時，人類的“窮舉法”和“試錯法”顯得力不從心。
“AI+科學”帶來的第一個顛覆，就是將“經驗驅動”轉向“數據驅動”和“智能驅動”。一方面，AI可以在海量復雜的數據中挖掘出隱含的模式與規律，為科學家提供全新的靈感來源；另一方面，AI擅長在超高維度的參數空間中進行搜索優化，這使其有能力去嘗試人類無法窮盡的組合，發掘潛藏其中的“金礦”。前文提到的AlphaFold解決了生物學長期未解的謎題，AlphaTensor找到了前所未知的算法，這些都是典型的“0到1”式突破，由AI大幅縮短了實現路徑。
《意見》指出，要加快推動“從0到1”重大科學發現進程。這意味著，不僅要鼓勵AI在現有知識框架內提升效率，更要利用AI來探索前人未踏足的知識疆域。AI不是要取代科學家，而是要成為科學家的“超級大腦”和“不知疲倦的助手”，幫助我們從海量的可能性中，快速鎖定那個“0到1”的引爆點。
“從1到N”：AI促進多學科交叉融合
現代科學的重大突破，往往誕生于學科交叉之處。人工智能的到來，加速了不同領域知識的融合進程。“AI+科學”最令人興奮的價值之一，就是《意見》所強調的“強化人工智能跨學科牽引帶動作用，推動多學科融合發展”。AI正在成為一門新的“通用語言”，打破傳統學科之間的高墻。
過去，一個生物學家可能很難理解一個量子物理學家的模型，一個材料學家也未必精通計算機科學的算法。但現在，他們都可以使用AI這個共同的“工具箱”。
AI模型可以“閱讀”物理學文獻，然后將其中的原理應用于設計一種新的生物傳感器；AI也可以分析地質學數據和氣象學數據，構建一個“地球孿生”模型，以前所未有的精度預測極端天氣。
這種“AI+X”的融合范式，正在催生一系列全新的交叉學科。“AI+”的牽引作用，如同一個強大的“聚變反應堆”，將不同學科的知識和數據壓縮、碰撞，釋放出巨大的創新能量。
筑牢科學發現的“智能基座”
要讓“AI科學家”真正上崗，光有算法的“靈感”還不夠，必須要有堅實的“智能基座”。《意見》為此精準地指明了三大方向：科學大模型、高質量數據集和智能化的重大科技基礎設施。類似地，美國“創世使命”計劃也提出，構建綜合性AI平臺，利用聯邦科學數據集訓練科學基礎模型，創建AI智能體以驗證新假設、自動化研究流程并加速科學突破。
1.核心“引擎”：從“語言大模型”到“科學大模型”
我們熟悉的ChatGPT和DeepSeek是語言大模型，而“AI+科學”需要的是“科學大模型”。科學大模型“吃”進去的不是人類的語言，而是宇宙的“語言”——物理方程、化學結構、基因序列、蛋白質折疊數據、氣象遙感圖譜。它要學習和理解的是萬物運行的基本規律。
《意見》強調“加快科學大模型建設應用”，AlphaFold就是蛋白質領域的“科學大模型”。如今，氣象領域的“盤古氣象”、“風烏”，生物醫藥領域的“神農”，材料科學領域的各類模型，都在快速涌現。
這些大模型如同打造了不同學科的“模擬宇宙”。科學家可以在這個“模擬宇宙”中，低成本、高效率地進行預測和探索。比如，我們不再需要建造昂貴的風洞，就能在AI模型中測試新型飛機的空氣動力學；我們也不必合成上萬種催化劑，AI可以先幫我們“算”出最有潛力的那幾種。
2.寶貴“燃料”：打造開放共享的“高質量科學數據集”
如果說大模型是引擎，數據就是燃料。沒有高質量、大規模、標準化的數據，“AI科學家”就是無米之炊。《意見》敏銳地指出了當前科研數據治理的痛點——“打造開放共享的高質量科學數據集，提升跨模態復雜科學數據處理水平。”
當前，科研數據分散分布在不同的單位、課題組和領域，“數據孤島”現象阻礙了知識的流動與綜合利用。同時還有“跨模態”的挑戰：如何讓AI同時理解一篇科研論文（文本）、一張顯微鏡照片（圖像）、一組實驗曲線（時序數據）和背后的化學方程式（符號）？
這要求我們必須加速建設國家級的科學數據中心和開放平臺。這不僅是技術問題，更是機制問題。需要建立有力的激勵和保障機制，讓科研人員愿意共享數據；還需要構建標準化的數據集與評測基準，確保數據“可用”且“好用”。
3.智能“駕駛艙”：會“思考”的重大科技基礎設施
《意見》還提到了一個極具前瞻性的方向：“推動基礎科研平臺和重大科技基礎設施智能化升級”。未來的大型科研設備，如射電望遠鏡、高能粒子對撞機、同步輻射光源等，將不再是“傻瓜相機”，而是一個個智能體。
過去的望遠鏡，是科學家指向哪里，它就看哪里，產生的數據等待科學家的后續分析。而“智能化”的望遠鏡，可以搭載AI模型，在觀測的瞬間就進行數據清洗和分析。甚至，AI可以根據剛發現的異常信號，自主調整望遠鏡的焦距和方向，進行“追逐式”觀測。
這實現了“實驗—分析—決策”的實時閉環。AI不再是科研的“下游”處理工具，而是嵌入到了“上游”的發現過程本身，成為了實驗的“智能駕駛艙”。這將使我們的重大科研設施從“數據生產機器”升級為“科學發現機器”，效率呈指數級提升。
結語：擁抱“AI+科研”新時代
《意見》為我們描繪的，不僅是一個技術應用的藍圖，更是一個科研思想變革的宣言。AI之于科研，已不再是簡單的輔助工具，而是深度嵌入創新鏈條的新引擎和新范式。不過，我們必須清醒地認識到，從“+AI”（把AI當作輔助工具）到“AI+”（把AI作為核心驅動范式）的轉變，絕非易事。
這需要勇氣，去挑戰根深蒂固的科研路徑依賴；也需要遠見，去長期投入科學大模型和數據平臺這些“慢”功夫；更需要智慧，去培養一大批既懂AI又懂學科的“跨界融合型”新一代科學家。
同時，我們還要認識到，AI沒有“上帝之眼”，也并非獨自創造科學奇跡的魔棒。它更像是放大鏡和試驗田：一方面放大我們搜尋創新的能力，另一方面提供虛擬試驗環境去快速驗證猜想。真正的原始創新仍需要人類科學家的洞察力與批判性思維，將AI提供的線索升華為理論突破。“AI+科學”的關鍵在于人機優勢互補：既發揮AI的算力和算法優勢，又由科學家把關方向、提煉意義。通過這種良性互動，才能顯著提高取得顛覆性發現的概率。
（作者為復旦大學數字與移動治理實驗室研究員）
