對話AI摘編：

主持人：國務院《關于深入實施“人工智能+”行動的意見》將“人工智能+科學技術”放在六大行動首位，在您看來這傳遞了什么信號？

李鑫宇：首先國家敏銳把握到了它對社會發展的重要意義。從歷史角度看，“科學技術是第一生產力”一直是核心，把它放在首位和整體發展邏輯一致，它是“AI+各行業、各領域”的底層支撐。這是重新梳理二者關系的重要政策——這次是把科學技術重新拉回視野，找回“以科技突破為底層帶動各領域發展”的核心結構，這點特別重要。

主持人：很多人知道AlphaFold的案例，您能講講AI引領的科研范式革命嗎？什么是科研范式？又“革”了傳統科研方法什么“命”？

李鑫宇：“科研范式”是托馬斯·庫恩在《科學革命的結構》里提的，簡單說就是科研共同體的共同信念——大家相信用什么方法能解決科學問題，形成共識就是范式。歷史上就這么幾類：最早是“實驗”，靠觀測總結經驗；后來牛頓等人用“理論推理”演繹世界；計算機來了，“計算”成了重要方式；互聯網時代，“數據驅動”成為主流。現在聊任何科學問題，科研人員都會問“AI能不能幫我”，所以AI for Science成了新范式。

至于“革命”，其實不是革誰的命，而是像計算機一樣，給了我們更強的工具——過去想做卻做不到的事，現在能做了。比如蛋白質折疊，之前有生物信息學方法、蛋白質結構數據庫，始終沒找到高效預測蛋白質結構的工具，直到加入人工智能、深度神經網絡，這個問題得以解決。現在各個行業、領域都有可能通過這種方式實現科學突破，這就是科研范式革命帶來的機會。

主持人：目前是不是所有領域都能用AI賦能，基本沒有不能的？

李鑫宇：得看科學研究的流程。如果從查文獻、梳理前人成果開始，AI已經普遍賦能了——過去一個人一輩子能讀的論文、了解的工作有限，但現在大語言模型能全量吸收知識，甚至未來可以在深度解析所有文獻后，輸入新想法就能知道前人有沒有研究過，能精準定義“人類知識邊界”，這效率提升太大了，從這點看AI影響是全方位的。

但聚焦具體科研問題，得看三個維度。一是問題定義清不清？比如蛋白質結構預測，和真實結構“像不像”有明確標準。二是數據夠不夠？數據、工具積累不到位，AI也沒法發力。三是AI能帶來顛覆性突破還是只是漸進式演進？得結合領域重要性看。不是所有問題都能靠AI解決，有些領域的傳統瓶頸根本不在AI能發力的地方。

主持人：《意見》提出要“加速科學發現進程”，特別是“從0到1”的突破。能否分享一個最讓您興奮的、AI助力重大科學發現的具體案例？

李鑫宇：“0到1”的突破大多公眾不熟悉，最典型的就是大家認可的蛋白質結構預測——有諾貝爾獎背書，確實是重大突破。但其實很多領域都在發生：比如AlphaGO的核心是在巨大的決策空間找最優解，科研里這類事不少。像電動汽車動力電池的電解液配方——電解液是正負極間的導電介質，配方特別復雜，鋰鹽和輔助導電物質的比例難拿捏，過去只能靠大量實驗，成本高、周期長。現在用計算模擬加AI，能在海量配方里快速篩選出“還不錯”的方案，再用少量實驗驗證，效率提升太多。國家強調“0到1”，就是看到了我們有大量這樣的機會。

主持人：《意見》提到，“加快科學大模型建設應用”。能不能用普通人能理解的方式解釋，什么是科學大模型？科學大模型能否像“超級顯微鏡”和“超級望遠鏡”一樣，成為一種全新的科研利器？

李鑫宇：ChatGPT像個“厲害的普通人”，能寫報告、處理日常事務；科學大模型得像“厲害的科學家”，有三個核心能力：第一，“看得懂科學家能看懂的東西”——科學大模型必須能識別比如電鏡圖、核磁譜圖、天文圖像這些專業數據；第二，“像科學家一樣推理”——科學家觀察現象后，能順著科學體系和邏輯框架推導結論，這種“科學長鏈條推理”能力它得有；第三，“會用科學家用的工具”——例如科學大模型得能操縱顯微鏡拍照、用計算模擬軟件做仿真。同時具備這三點才叫科學大模型，這對科研生產力提升是革命性的。

和通用大模型的區別？未來追求通用人工智能（AGI）的話，兩者可能殊途同歸，都是“全知全能”的智能體。但現在受訓練方法限制，科學大模型能走“垂直突破”路線——寫詩作畫雖不如通用模型，但科研能力卻遠超它。

主持人：目前國內外科學大模型發展處于哪個階段？

李鑫宇：核心瓶頸還是在“數據”上。現在我們會把簡單科學文本數據喂給基礎大模型，微調后讓它有一定科研能力，但沒觸到科學大模型的本質——科學數據不是“有沒有”的問題，是“能不能用”。過去通用大模型靠“人工標注高質量數據”，標注門檻低，但科學數據標注門檻高：很多化學分子式只有學化學的能認，天文圖像只有天文學者能解讀，得領域專家來標，這個過程會很長。不過這對我國是大機會——我們是全世界本科及以上教育人數最多的國家，有足夠專業人才做標注。

主持人：除了人工標注，現有科學數據量夠不夠？是不是還缺數據？

李鑫宇：AI發展已經進入“下半場”，劃分標準就是存量和增量數據的比例——存量數據差不多挖透了，剩下的要利用，得更深度標注。比如很多科學數據存在數據中心、圖書館，但那是在“沒有AI”的背景下建的，沒考慮過AI能用，現在要給AI用，得先把“人類能看懂”的數據改成“AI能理解”的，這是第一步。

另外，現在很多科學儀器每天都產新數據，我們得改造這些儀器，讓它們從“源頭”就產高質量、符合AI需求的數據，這也是長期過程。過去做數據是為了“人類查閱”，現在是為了“喂給AI（神經網絡）”，數據的“出口”變了，形式、標準也完全不同。我們正在建“數據與AI共同進化”的體系，但還不完善，一旦建成，AI賦能科研的能力會大幅提升，速度也會更快，它將進入到一個迭代循環的發展邏輯。

主持人：《意見》提到“強化人工智能跨學科牽引帶動作用，推動多學科融合發展”。請您給我們分享一些案例，AI是如何充當“粘合劑”，打破數學、物理、化學、生物等傳統學科壁壘的？

李鑫宇：先回顧學科起源——科學研究最初從哲學分化出來，核心原因是“人的生命有限”，一輩子研究不了所有領域，只能聚焦細分方向。久而久之，不同學科有了自己的方法、工具甚至語言體系，壁壘越來越深。AI的出現讓我們有了打破壁壘的能力：一是知識獲取快了，能涉獵更多領域；二是能“以問題為核心”而非“以學科為核心”整合知識。比如“找新藥”：化學叫“計算化學”，物理叫“計算物理”，生物叫“計算生物學”，數學叫“應用數學”，但本質都是解決“新藥設計”。過去學科語言不同，同樣方法可能有不同稱呼，溝通成本高；現在有語言模型能“內容對齊”，輕松知道其他學科的相關成果，不用先學“對方術語”。這種“以問題為導向”的跨學科研究，過去不是不想做，是沒能力做——大家都認可融合重要，但受限于知識效率和語言壁壘，推進不了。AI正好起了“牽引”作用，讓“想做的事能落地”，所以意見里“強化牽引帶動作用”的措辭特別精準，沒有AI，跨學科可能只是“想法”。

主持人：《意見》獨到地提出了“創新哲學社會科學研究方法”。這是否是AI for Science概念的進一步拓展？

李鑫宇：哲學、社會學和自然科學最初也沒割裂，比如社會學也研究“科技哲學史”，后來漸行漸遠，是因為長期社會發展是“線性演進”，沒出現顛覆認知的科技革命。回顧歷史，農耕時代取代原始社會、蒸汽時代取代農耕時代，每次科技革命都會讓哲學、社會學“重新思考”——社會組成、倫理道德、責任主體等核心假設都會變。現在AI快速發展，又是一次“顛覆性科技革命”，自然給哲學、社會學帶來新問題。比如，出現“全知全能的AI”，社會結構會變嗎？AI的倫理責任怎么界定？這些問題比過去復雜。

所以，首先，哲學、社會學的“研究范圍”會隨AI拓展——不能只聚焦當下的“AI倫理挑戰”，要站在“科技革命重塑社會”的視角重新思考核心命題。這里我想呼吁：現在討論AI倫理、哲學問題的多是AI技術研究者，但長期做科學哲學、社會學的學者，可能有更深刻理解，卻常被當成“技術門外漢”排除在外，這是損失。其次，研究方法也可能改變——現在能用AI做“虛擬社會實驗”，比如建一個“多智能體社會”，觀察它的演進規律，這在過去不可想象。從這點看，AI確實拓展了哲學社會科學的研究邊界，算是AI for Science理念的延伸。

主持人：展望未來五到十年，被“AI+”重塑后的科研會是什么樣？剛入行的年輕科學家，工作方式、思維模式會和現在有啥大區別？

李鑫宇：可以先想個場景：你有了新科研想法，不用花幾個月寫“文獻綜述”。只需輸入模型，立刻就能得到答案：這個想法在人類知識邊界內嗎？前人研究過嗎？這會徹底改變科研的起點。過去寫文獻綜述是“確認前人研究范圍”，要花大量時間查文獻；未來這個過程會被AI簡化，年輕科學家能把更多精力放在“創新”上，不是“重復驗證”。第二，年輕科學家能調動的“科研工具”會遠超現在。比如今天的年輕化學家，本科要花很久學“試管滴定”，手抖的人甚至做不了實驗；但未來的自動化實驗室里，只要編程設定“滴多少試劑”，AI就能精準操作。換句話說，“動手能力弱”不再是科研的障礙——哪怕你擅長理論推導，不擅長做實驗，AI也能幫你補齊短板，讓“腦力優勢”充分發揮。這種變化會非常快，不會等十年，可能三五年內，年輕科學家的工作方式就會有明顯不同。

主持人：作為AI與科研融合前沿的年輕院長，您對關注這場科技革命的青年研究人員、學子有什么建議？他們該怎么更好擁抱AI？

李鑫宇：眼下最重要的是“保持開放包容的心態”，同時“持續保持好奇心”，做科研時不給自己設限，就不會有真正的限制。把AI當成“伙伴”，用它去加速自己的研究進度，拓展自己的研究邊界。