中国网/中国发展门户网讯  生命科学是研究生命现象及其本质规律的综合性学科。生命科学的研究对于国家的国民健康、农业发展、生态文明及国家安全都有重要支撑作用。生命科学的研究对象涵盖多尺度生命系统，具有高度的复杂性、整体性和动态性特征。破解这些跨时空尺度难题，迫切需要人工智能等多学科技术的有机融入和深度耦合。鉴于此领域蕴含的巨大潜力，科技发达国家（地区）均加快研究部署人工智能赋能生命科学研究。

本文系统研判人工智能赋能生命科学研究的底层逻辑，总结当前国内外在该领域的代表性进展；进而，在7个应用场景介绍人工智能赋能生命科学研究的创新价值、实现路径及未来发展趋势；最后，提出人工智能赋能生命科学研究的政策支撑，为加速我国人工智能赋能生命科学研究提供支持与引导。

人工智能赋能生命科学研究的发展态势

人工智能驱动的生命科学研究范式变革

生命体是由海量生物分子通过复杂的调控网络耦合而成的有机整体，具有跨尺度关联性与非线性动态调控特性，这赋予生命活动的多样性与适应性，同时也为生命科学研究带来“维数灾难”，其表现为参与组分多、互作关系复杂且具有时序动态性，变量空间随变量数量呈指数级膨胀；这种复杂性使得当前生命科学研究普遍采用的单独实验室、假说驱动的独立研究模式难以应对，生命科学研究急需革命性研究范式与工具。人工智能将分散的、多模态的生命数据“翻译”为可计算的知识，将传统的试错实验升级为智能化的虚拟筛选与假设推演。利用现代人工智能方法，如构建统一的多模态模型、揭示因果逻辑、开发生成式生物学工具等，实现从静态结构解析到动态功能预测，推动生命科学研究从描述生命到设计生命的跨越（图1）。

国内外人工智能赋能生命科学的规划与布局

面对这一历史性机遇，全球主要科技强国均已将人工智能赋能生命科学（AI4LS）提升至国家战略竞争的高度，并形成了各具特色的布局路径。

国外。美国采用“联邦引导、市场主导、产学研协同”的立体化推进策略，通过“国家人工智能倡议”（National Artificial Intelligence Initiative）等宏观框架明确战略方向，并由其国立卫生研究院（NIH）和农业部（USDA）等机构制定具体实施方案；白宫在《赢得人工智能竞赛：美国人工智能行动计划》（Winning the Race: America’s AI Action Plan）中将生物数据列为国家战略资产，投资自动化云实验室并推动所有生物全基因组测序项目，加速人工智能驱动科学发现；NIH投资上亿美元的“Bridge2AI”项目致力于整合分散的生物医学数据资源，形成可用于深度学习的大规模数据集；USDA在《2023—2026年USDA科学与研究战略：培育科学创新》（USDA Science and Research Strategy, 2023-2026: Cultivating Scientific Innovation）中，将人工智能育种与动植物疫病预测列为重点研究方向，通过联邦采购与资助机制保障应用场景的落地。欧盟《人工智能法案》（Artificial Intelligence Act）将健康领域人工智能划定为高风险类别，强制要求内置隐私计算与可解释性模块，为技术应用设定刚性合规边界。德国在《人工智能行动计划》（AI Action Plan）中着重布局卫生健康与神经启发式人工智能，设立“计算生命科学”专项，通过立法提升基因组数据可访问性，并成立人工智能创新与质量中心建立测试标准。英国发布《人工智能赋能科学战略》（AI for Science Strategy），将工程生物学、医学研究等列为五大优先领域。

国内。通过《新一代人工智能发展规划》等顶层设计，采取应用牵引策略，加速构建“政产学研用”一体化发展路径，推动人工智能赋能生命科学研究在高通量基因组解析、智能医学影像等关键领域的快速落地；工业和信息化部等八部门联合发布的《“人工智能+制造”专项行动实施意见》强调，利用人工智能技术，挖掘和生成高性能生物元件、高效合成代谢通路以及高活性酶蛋白结构，丰富基础数据库。科学技术部和国家自然科学基金委员会联合启动人工智能驱动的科学研究专项部署，重点围绕基因研究、生物育种等领域加以布局。

人工智能赋能生命科学研究的进展

在上述布局牵引下，人工智能赋能生命科学研究已在数据、算力、模型等方面具备一定的基础。在数据方面，生命科学领域已积累起PB级乃至EB级的多模态、高维度数据，为人工智能大模型的训练提供了丰富语料。在算力方面，全球正加速构建面向生命科学的超算中心与智能计算平台，如美国阿贡国家实验室的Aurora超级计算系统等。在模型方面，国际上以AlphaFold、RoseTTAFold等为代表的蛋白质预测模型，以OpenCRISPR-1等为代表的基因编辑器模型，以Evo模型为代表基因组模型正取得突破；我国也在女娲-生物分子结构大模型、磐石·科学基础大模型等模型上取得进展。在此发展态势下，人工智能正深度嵌入生命科学研究前沿应用场景，推动从“认知生命”向“设计生命”的范式跃迁，并在模式生物数字模型、数字细胞、智能育种、生理病理大模型、健康状态空间、脑机接口等领域取得突破，标志着生命科学研究正从单点、描述性探索，迈向系统性、可预测、可设计的智能化新阶段。

人工智能赋能生命科学的重大应用场景

人工智能将全面系统地推进生命科学基础研究及应用研究。为快速推进“人工智能+生命科学”进一步深度融合，也确保在核心场景上实现研究资源的高效配置与集中攻关，笔者用5个核心标准选择近期人工智能赋能生命科学的重大应用场景：战略导向性（对接国民健康、粮食安全等国家战略）、融合深度性（实现人工智能驱动科学假说与闭环验证，推动研究范式变革）、技术可行性与可扩展性（具备清晰的实施路径、数据支撑、硬件支撑及跨物种泛化能力）、创新引领性（瞄准世界前沿，催生新理论、新产业并主导国际标准），以及可持续性与伦理合规性（严守数据隐私、生物安全与科研伦理）。基于此，筛选出以下代表性应用场景——数字细胞、健康量化与精准干预、精准诊疗、数字免疫、病原微生物精准预测、智能育种、脑机接口及数字生态等（图2）。

数字细胞

细胞是生命的基本单元，解析其命运决定机制是破译生命本质与攻克重大疾病的基石。人工智能驱动的数字细胞（artificial intelligence-driven digital cell，AIDC）通过将海量多模态组学数据映射至统一潜空间，力求在硅基环境中精准再现细胞的物理实体、分子语法与演化动态。AIDC的目标是跨越“静态观测”与“底层规律”的认知鸿沟：在基础研究维度，支持在高维空间内展开全景推演，智能筛选最优演化路径以反哺湿实验，构建高效自动化闭环；在转化医学维度，基于AIDC构建患者专属的“细胞孪生”，高精度模拟药物靶点互作及脱靶效应，打破新药研发高耗低效困境，可为罕见病研究提供反事实推理；在生命工程化领域，通过发展AIDC，可以大幅提升生命系统的设计改造能力，从而为生物智造与合成生物学提供全新基座。

数字细胞（AIDC）的构建已经经历一系列技术演变。AIDC建模已逐渐由常微分方程等传统白盒机制模型，跃迁至以Geneformer、GeneCompass、X-cell为代表的预训练大模型。这标志着建模逻辑从“人工先验规则”向“算法自主解析生物语法”的深刻转移，初步实现了跨组织、跨模态的零样本预测与扰动推演。

数字细胞未来的发展需要解决一系列难题。数据层面，批次效应和高质量时序扰动数据的匮乏加剧了“数据孤岛”的存在；算法层面，现有的“黑盒”模型缺乏生化物理约束，易衍生“生物幻觉”，难以实现分子至微环境的多尺度因果耦合。同时，组学数据隐私与未知病原体设计等风险，亦对科技伦理治理提出严峻考验。未来，AIDC需要深度融合新兴计算范式，向宏观、微观“两极”延展应用场景，逐步建立标准化的治理体系。AIDC的发展不仅代表生命科学数智化转型的前沿，而且将在未来10年内深刻重塑生物医学研究、新药创制与临床实践的总体格局。

人工智能赋能健康量化与精准干预

人工智能赋能健康量化及精准干预侧重于主动塑造健康状态、维持系统稳态。该体系目标是引领健康管理从被动的疾病应对模式向主动的健康塑造模式转变，其核心在于构建以“健康状态空间”为基础的“量化—预测—干预”闭环科学体系。该体系将健康界定为生命系统在高维状态空间中维持稳态的能力，借助人工智能赋能，实现从群体经验模式向个体精准模式的跃迁，为全生命周期健康管理提供系统性解决方案。

在量化维度方面，人工智能赋能健康量化及精准干预目标突破了传统离散指标的局限。通过对常规体检、连续生理监测、多组学图谱、行为模式和环境暴露等异构数据进行深度融合，运用嵌入空间模型、网络分析与动力系统等理论，从海量信息中提取“代谢弹性”“免疫平衡”“神经调节协调性”“器官协同”等反映系统稳态能力的核心参量，绘制全景式、动态化、个性化的健康图谱，精准标定其在健康状态空间中的实时坐标与演化轨迹，为后续的预测与干预提供科学基准。

人工智能赋能健康量化及精准干预采用基于健康基线的早期预警和干预策略。具体来讲，通过构建群体健康基准图谱与个体化动态基线，利用人工智能结合时间序列数据刻画健康轨迹，并捕捉系统偏离健康“吸引子”的早期预警信号。结合复杂系统理论，人工智能能够识别“临界慢化”等标志系统韧性下降、即将发生“相变”的预警特征，从而在器质性病变发生之前，前瞻性地预警健康轨迹滑向疾病区域的临界拐点，以赢得宝贵的干预时间窗口。

人工智能赋能健康精准干预被形式化为健康状态空间中的最优控制问题。其核心是将营养、运动、心理及环境调节等手段参数化为一系列可计算的调控因子，在虚拟模型中进行“先模拟、后实施”的策略推演与优化。其目标是生成个性化、多因子联合的干预方案，系统性地引导个体健康轨迹向更优的稳态区域移动，强化生命系统的整体稳态维持能力。人工智能赋能的“量化—预测—干预”体系，标志着健康管理从基于群体统计的经验医学转向基于个体动态数据的精准科学，有望为实现全生命周期的主动健康提供理论基础与技术支撑。

人工智能赋能精准诊疗

人工智能驱动的精准诊疗，本质上是一种基于多维生命数据开展深度解析的新医学范式。它不再局限于传统经验诊断，而是通过融合基因组、转录组、医学影像及临床文本等跨模态数据，在分子水平上对患者进行精确分层，将碎片化的生物医疗信息转化为可计算的知识图谱，为临床决策提供超越人类感官与经验的客观依据。

当前，这一范式的落地已涌现出若干代表性场景。在肿瘤靶向治疗领域，人工智能模型能够整合基因突变图谱、病理图像及用药史，预测最可能有效的药物组合及耐药出现时间。在慢病管理中，基于强化学习的动态给药策略正在糖尿病、高血压等疾病中验证，实现用药方案的个体化实时调整。更进一步，医疗多模态大模型，如衍生自GPT（生成式预训练变换器）架构的医疗专用模型，已尝试将影像、病历、文献端到端融合，直接生成带有推理路径的诊断建议。这些进展标志着诊疗行为正从“通用型”向“定制化”质变。

然而，精准诊疗全面落地仍面临三重瓶颈。数据孤岛问题突出。医疗数据的强隐私属性导致跨机构联合建模困难，罕见病及复杂病例的多中心研究受阻。算法因果推理能力薄弱。现有模型在“一人多病”的高共病场景中鲁棒性不足，决策可解释性难以满足医学伦理对因果逻辑的要求。基层算力与软件支撑匮乏，优质模型集中于顶级医院，普惠下沉受阻。

针对上述瓶颈，国内已开展系统性基础布局。国家生物信息中心承担国家生命健康数据中心先导项目，初步构建了国家级人群队列数据治理体系，覆盖从基础组学到临床表型的全尺度数据。同时，面向病理识别、靶点筛选及预后评估的下游模型已进入多中心临床验证阶段，为人工智能从科研工具向诊疗服务引擎的转化积累了关键证据。

展望未来，精准诊疗将向超高维度融合与全时序动态推演深度演进。一个明确的前沿方向是构建个体化的“数字孪生”模型——整合时序病历、可穿戴设备实时数据及环境信息，对疾病复发或恶化风险进行前瞻性推演。目前，国际上已有团队在肿瘤术后复发预测中尝试该技术，而国内在心血管疾病领域的数字孪生也初步验证了可行性。在精准诊疗方面，更具突破性的是风险-疾病复杂网络建模：通过解析高血压、肥胖、心衰等多因素的非线性交互，人工智能可为老年人共病患者输出系统级诊疗方案，替代传统的单科逐一处理模式。这一方向的发展及成熟将推动医疗体系从“被动响应”转向“主动预见”，进入全面智能化的新阶段。

病原微生物鉴定与预警

精准快速鉴定和预测病原微生物是维护生物安全的关键；其对于有效应对新发突发传染病、生物恐怖袭击和生物入侵等重大生物安全挑战具有至关重要的意义。病原微生物的发现和预测能力，由病原分离培养、分子检测、基因组测序、高通量组学和人工智能等技术依次推动形成，经历了由低通量、事件驱动的被动识别，到基于分子特征的主动监测，再到以海量序列数据和系统比较为基础的系统监测，当前正在进入以机器学习和大语言模型为支撑的智能化预测阶段。

病原菌检测与预警经过一系列发展阶段。不同发展阶段病原菌检测技术的差异不仅体现在检测手段和数据规模的变化，更在于研究者对病原体风险的认知范式逐步从“确证病原体是什么（What）”跨越至“推断其起源、宿主范围、致病潜力及未来演化趋势（Where & How）”。传统的病原微生物鉴定方法普遍存在检测效率低、对未知病原体发现敏感性不足、风险预警准确性有限等关键瓶颈。当前，基于人工智能的病原微生物快速鉴定与预警体系，依托高质量数据、异构算力、自动化实验平台和可信治理体系，贯通病原鉴定、监测预警和疫苗药物设计优化三大场景，形成从快速发现、精准评估到研发提速的全链条智能体系，并推动关键平台、核心算法和基础设施自主可控，夯实国家生物安全向国家安全延展的战略技术底座。

从未来发展趋势看，病原微生物人工智能正在从围绕单一任务的模型应用，转向以数据、算力、机制、治理和应用体系为支撑的综合能力建设。下一阶段重点是一方面提高模型参数规模和局部精度，另一方面形成可持续的数据底盘、可共享的协作机制、前置化的安全伦理要求、可负担的算力与能源保障，并把基础模型、生成式方法、多模态融合、因果机制建模、智能体协同和轻量化部署有效嵌入病原鉴定、监测预警和疫苗药物研发等关键环节。

智能育种

智能育种是以人工智能为核心驱动力，通过整合基因组、表型组、环境等多维数据，构建复杂性状精准预测模型，系统揭示遗传调控网络的新兴技术。它如同“超级育种助手”，将育种从依赖经验与试错的传统模式，转变为数据驱动的精准设计范式，可系统性破解传统育种效率低、周期长、成功率低的瓶颈，大幅提升复杂性状改良的精准度，加速作物新品种培育，为应对全球粮食安全与气候变化提供战略性技术支撑。

智能育种的发展高度依赖高通量、大规模表型数据的获取。目前，高通量表型平台快速发展，无人机遥感、机器视觉和传感器网络被用于连续监测植株生长状态，实现田间动态表型采集；机器学习和深度学习模型逐步应用于性状预测、候选基因挖掘及环境适应性分析。我国已布局建设了一批作物种质库、表型组大设施，建立了多维度育种数据库与数字化管理平台，启动了农业生物育种重大专项。通过龙头企业与科研院所合作，已经初步构建了水稻、玉米、大豆等主要作物的基因组选择模型与育种决策系统。然而，智能育种仍面临多方面制约：数据来源分散、标准不统一，高质量表型数据积累不足，表型获取受环境、设备和人为操作影响较大，制约模型训练精度；复杂农艺性状多由多基因控制且受环境显著调控，遗传机制呈现高度非线性，现有模型在跨生态区域预测时稳定性不足；生物学、数据科学与工程技术之间仍存在技术壁垒，尚未形成协同的技术体系。

未来，智能育种将向预测精准化、设计定制化与全流程智能化方向发展。合成生物学、基因编辑与人工智能的深度融合有望推动育种从“优中选优”迈向“主动设计”；多模态大模型的发展及应用将进一步提升基因功能与环境互作的解析能力。在此基础上，智能育种将向更高层次的系统集成演进：一方面，多组学数据、生态环境数据与管理数据深度融合，构建面向育种全过程的数字孪生系统，实现虚拟预测与现实验证的协同推进；另一方面，随着算法可解释性增强与共享平台建设完善，跨区域、跨机构的协同创新体系逐步形成，推动现代种业向精准化、高效化和智能化持续发展。

AI+脑机接口

脑机智能（“人工智能+脑机接口”）以人工智能算法为核心驱动，建立大脑与外部设备之间的高效信息通路，从理解、翻译、作用3个层面实现人工智能技术与脑机接口技术的紧密结合，以构建更高效、更智能的人机交互和脑机协同。

在理解层面，人工智能技术与脑机接口结合的核心在于从原始神经信号中提取稳定、可泛化的神经表示，从而克服传统手工特征提取方法难以应对脑信号的高噪声、非稳态、个体差异显著等复杂特性。近年来，基于深度学习的模型（如CNN、Transformer等）逐渐被应用于脑信号建模，通过自监督预训练在大规模未标注数据上学习通用表征，并通过迁移学习等技术提升模型在不同任务或个体间的泛化能力。

在翻译层面，研究者将神经表示进一步解码为具体的控制指令、语言内容或感知信息等。在运动康复与增强场景中，研究者将状态空间模型（如卡尔曼滤波等）与神经网络相结合，实现对机械臂或光标运动的连续控制，从而帮助运动功能障碍患者恢复手部功能；通过构建结合神经解码模型与语言模型约束的解码框架，可将脑信号转化为手写文字或语音，为语言表达受限患者提供辅助沟通手段。在感知觉替代与恢复场景中，扩散模型等生成式方法甚至可从脑活动中重建感知内容（如图像、声音等），从解码侧为后续实现患者视、听觉功能的重建打下基础。在睡眠干预、情绪识别等场景中，脑电基座大模型能显著提升泛化性能，实现新增用户的快速适配与高性能解码。

在作用层面，人工智能技术与脑机接口的结合聚焦于神经调控与闭环干预。在帕金森病、癫痫、抑郁症等重大脑疾病的治疗中，应用贝叶斯优化（适用于小样本、可解释性强）、强化学习（用于闭环优化刺激策略）等方法优化电刺激参数，从而实现对神经系统的个性化、自适应的精准调节。

未来，人工智能将持续推动脑机接口向3个方向发展：从任务特定模型走向神经信号基础模型，通过构建大规模预训练模型，实现跨个体、跨任务、跨会话的通用解码能力，显著降低对标注数据的依赖，提升系统泛化性与实用性；从单向解码走向双向闭环系统，实现“感知—计算—调控”一体化，形成自适应闭环调控架构，尤其适用于重大脑疾病的动态治疗需求；加强大模型与多模态人工智能的深度融合，结合语言、视觉、听觉等多模态信息，构建更自然的人机交互。

数字生态

生态学研究宏观生命系统的结构、功能及其动态变化，为人类认识、保护和利用自然提供科学基础。作为生命科学的宏观延伸，生态学能够放大分子、细胞等微观研究成果（如育种）落地应用的效果，更是我国生态文明建设、重大生态工程实施的保障。

当前，人工智能正以前所未有的广度与深度重塑生态学的研究范式。例如，人工智能工具擅长处理和分析海量的光学、声学、环境DNA（eDNA）及气体通量等野外数据，极大拓展了观测和量化复杂生态现象的能力。针对生态数据稀疏的挑战，知识和数据双驱动的新范式（如“知识引导的机器学习”）正尝试将物理和生物学定律作为先验知识注入深度神经网络，以输出物理一致性更强的预测，已在碳、水循环模拟等领域取得显著成效。然而，人工智能赋能生态学也面临着深刻挑战。一方面，主流人工智能算法侧重模式识别和预测精度，难以满足生态学探求宏观生命系统运行、演化机制的核心诉求。另一方面，“数据孤岛”、学科认知壁垒，以及对极端环境扰动等未知情境的泛化，均是亟待解决的难题。

人工智能与生态学深度协同的数字生态研究，需要致力于新理论发现和全链路智能应用。利用科学机器学习（如符号回归等）解析多模态与跨尺度异构数据，揭示高维网络的隐藏变量，从而发现复杂规律、生成新假设并提供机理性解释，形成新理论。在应用端，构建跨尺度的孪生仿真系统，打造“数据融合—挖掘推理—仿真预演—决策控制”的全链路智能体系。例如，在数字农田中充分预演“基因型×环境×管理”复杂交互的结果，通过精准管理实现提质增效；从植物工厂内实现端到端的智能作业，到生物多样性保护区的动态规划，乃至面向深空的“地外生命支持系统”提供封闭生态系统的自主调控方案，数字生态将成为人类重塑可持续生存能力的核心路径。

强化人工智能赋能生命科学研究的政策支撑，破解发展瓶颈

为系统应对生命科学高维复杂性的挑战，亟待加强数据资源、算法算力、应用场景、组织保障、伦理安全等的建设，形成支撑人工智能赋能生命科学稳健发展的支撑体系。

构建“人工智能就绪”的高质量数据基座，破解数据孤岛与标准缺失难题

发起国家生命科学大数据计划，构建“人工智能就绪”（AI-Ready）的高质量数据基座。实施国家主导的数据基建战略，建设跨机构、跨领域的AI-Ready高质量数据集，重点涵盖从分子到个体、从静态到动态的多尺度、时序性健康与疾病队列数据。

建立统一的数据标准、元数据规范与安全共享机制，制定基因组、蛋白质组、医学影像、临床文本、作物表型、穿戴设备时序数据等核心模态的采集、标注、质控的标准。

探索建立“可用不可见”数据流通模式，打通并破解医院、高校、科研机构与企业间的数据壁垒，为研发下一代生命科学基础大模型提供坚实、合规的数据底座。

突破算法与算力瓶颈，建立可信评测驱动的创新体系

设立国家专项，进一步开发面向生命科学的大模型。发展强大的跨尺度泛化能力，能够统一处理从基因序列、蛋白质结构到医学影像、临床文本等不同维度与模态的信息，实现生命信息的语义化融合；深度融合物理学、化学及生物学先验知识，将科学规律作为约束嵌入模型训练，确保预测结果符合客观规律，并提升模型的可解释性，突破“黑箱”局限。

统筹建设国家级人工智能生命科学超级计算中心。强化国产先进计算芯片与主流深度学习框架的深度适配与性能优化，为大规模模型训练提供自主可控的算力基座。

构建适用于生命科学领域的人工智能工具准确性评测与安全性验证体系。设立第三方评测平台，构建关键性能的多维认证指标。同步部署性能持续监测机制，推动人工智能工具的准确性与安全性作为进入科研与临床核心流程的准入门槛，为后续监管审批提供科学依据。

牵引重大应用场景落地，驱动技术迭代与生态聚合

实施人工智能驱动的多领域应用示范工程，以目标倒逼技术集成。聚焦人工智能在微生物、动物、植物、生态等领域的应用场景，部署场景驱动的国家级应用示范工程，实行“揭榜挂帅”与滚动支持机制，以明确的科学目标倒逼技术集成。

发展基于多尺度、多模态数据构建动态、具有因果推理关系的大模型的理论框架，全面支撑重大场景应用。发展全新理论框架，攻克跨尺度、多模态数据融合瓶颈，构建具有动态、因果推理能力的大模型等共性瓶颈，建设可复用、可演进的使能技术平台，加速从孤立突破到系统能力形成的转变；利用建立的新理论框架，围绕数字细胞、健康量化与精准干预、精准诊疗、数字免疫、病原微生物精准预测、智能育种、脑机接口及数字生态等重点方向与代表性应用场景，推动大模型在各领域的应用落地。

强化系统性组织保障，适应深度融合的跨学科特性

加强人工智能赋能生命科学的多元投入。对重点技术与场景给予长期稳定支持，引导社会资本投向早期高风险交叉创新项目，形成政府投入与市场融资互补的资金保障体系。布局建设高通量“干湿闭环”智能实验平台、多模态生物数据库等核心基础设施，面向科研机构与企业开放共享，降低创新门槛。

构建适应人工智能赋能发展的监管与知识产权体系。加快出台适配技术快速迭代趋势的法规细则，为人工智能驱动的技术研发与应用设立灵活高效的审评审批通道。强化知识产权保护，重点完善针对算法模型、生物元件等创新对象的专利与商业秘密保护规则。

布局人工智能与生命科学交叉学科，建立面向全球的引才引智与长期人才培养机制。支持高校布局人工智能与生命科学交叉学科方向，扩大专项人才培养规模，建立面向全球的引才引智机制，为领域长期发展储备复合型领军人才。设立交叉学科人才评价通道，重点考察人才解决复杂科学问题的实际贡献与协同创新能力。

构建前瞻性伦理与安全治理框架，筑牢创新发展的安全底线

加快完善伦理与安全相关法规与标准体系，填补现行监管框架的结构性空白。在国家层面出台AI4LS伦理与安全分类分级管理指南，明确“红线”与“黄线”风险阈值，建立覆盖模型训练数据筛查、输出内容管控、用途追溯的全流程责任机制，推动安全设计理念嵌入人工智能系统研发的全过程。

建立国家级AI4LS伦理与安全评测与监测平台，系统开展前沿模型的风险评估与红队测试。面对开源模型能力扩散的现实挑战，构建“最坏情况”风险预判机制，指导开源策略与防护措施设计。

积极参与全球人工智能应用的治理规范与相关指南的制定，推动构建人类命运共同体理念下的治理框架。通过多边平台加强科技外交，提升我国在人工智能伦理与安全治理领域的话语权。

（作者：朱新广、韩斌，中国科学院分子植物科学卓越创新中心；鲍一明，深圳医学科学院；金哲侬，北京大学城市与环境学院；李鑫，中国科学院动物研究所；汪思佳、熊燕，中国科学院上海营养与健康研究所；王跃明，浙江大学计算机科学与技术学院；杨运桂，国家生物信息中心；许操，中国科学院遗传与发育研究所。《中国科学院院刊》供稿）