鄂维南院士：AI for Science 打破边界，重塑科研范式

作者：鄂维南

北京大学数学科学学院讲席教授、中国科学院院士。

现任北京科学智能研究院学术委员会主任、北京大学国际机器学习研究中心主任、“学术科协”科学智能（AI4S）专家委员会主任。主要研究方向为机器学习、计算数学、应用数学，及其在化学、材料科学和流体力学中的应用。

观看会议主席与日程导览视频请搜索微信公众号：北京大数据研究院BIBDR

什么才是 AI for Science 新范式？

除了“安卓模式”以外，新的科研范式应该实现三个“打破”。

一是打破学科与学科之间的界限。科学本来就是一个整体。在知识获取门槛高、学习和研究效率低的时代，不得不通过专业划分来提高效率，这直接导致了目前交叉学科机会多但门槛高的现状。AI for Science的基础设施使得知识获取的门槛大幅度降低、研究效率大幅度提升。因此，专业划分已经正在成为一个不必要的枷锁。这也意味着必须重新设计科学的教育和研究体系，在不同学科的共同基础方面下更大的功夫。

二是打破理论与实验之间的界限。这个界限在跨尺度特征比较突出的学科尤其明显。例如，材料科学，理论和计算必须从原子模拟开始，但科研人员真正关心的材料性能都是体现在宏观层面的。人工智能赋能大幅度提升了理论和计算方法的能力。这些能力已经在许多方面，例如，新的表征算法，得到了充分体现。但是要真正打破理论和实验之间的界限，还需要进一步提升理论和计算方法的能力。

三是打破科研与产业之间的界限。传统的科研模式下，科研到产业的战线极长，以至于科研和产业之间形成了比较严重的脱钩。事实上，科学界已经构建起一个极其完整的、基于论文的评价机制和运行机制。这个机制之所以存在并且被广泛接受，是因为以真正解决问题作为评价机制是不现实的。人工智能赋能下科研效率的提升将有效地帮助科研人员解决这个问题。当然，要真正实现这个目标，仅靠科研能力的提升是不够的。还必须在评价机制、组织形式上下功夫。这些已经成为 AI for Science 下一步需要解决的问题。

结语

未来几年，随着人工智能赋能的科研基础设施的不断完善，“平台科研”的优势和具体形式将逐渐显现出来，产生两方面的效果：一是部分科研工作将变得越来越工业化；二是最顶尖科研人才的作用将更为显著。这样的科研人才必须具备三方面的能力：第一，基于基本原理的思维能力。凡事能看到底层逻辑，而不只是表面现象。第二，深入了解社会的真实需求。第三，对工程的理解和把控能力。如何建立新的顶尖科研人才培养体系，将成为中国实现科技强国的主要问题。