中国网/中国发展门户网讯  人工智能正以前所未有的深度和广度重塑科学研究的底层逻辑，成为驱动前沿发现与科研范式跃迁的核心引擎。科学研究历经经验、理论、计算到数据密集型的范式变迁，当前正迈向人工智能赋能科学研究新范式，引发知识生产与科研体系的系统性重塑。面对这一变革，全球主要科技强国正密集升级战略部署，加速探索新型科研创新体系的建设与管理模式。

人工智能正从单点应用加速向全流程、全学科嵌入，在假设生成、实验优化、数据分析、模拟预测等科研环节中展现出显著赋能效应，正在重塑知识创新体系，带动国家创新体系变革。这表明人工智能赋能科学研究已经超出一般意义上的工具升级，正在推动科研活动由分散式、经验式和局部优化式运行，转向更加智能化、协同化和体系化的新形态，其影响正从单一研究环节向贯通科学发现、技术突破与应用转化的全链条延伸。面对这一系统性的范式变革，国内外围绕人工智能赋能科学研究展开了多方探讨，包括科研范式演进的历史定位、科学设施与平台条件的支撑基础，以及具体领域中的适用边界与赋能效应等。然而，已有讨论多聚焦于局部或单一技术视角，尚未形成对人工智能赋能科学研究的统一认知框架，致使其内涵边界、关键特征与支撑条件仍缺乏系统阐释，难以为科研组织重构、资源统筹配置与国家层面的战略布局提供有力支撑。

面对人工智能赋能科学研究从局部应用走向系统变革的发展态势，迫切需要对人工智能赋能科学研究进行系统性的理论重构与体系谋划。具体而言，亟待从赋能应用、工具方法和认识知识3个维度，剖析人工智能赋能科学研究的内涵，并提炼其核心特征；同时，前瞻性地构筑支撑这一新范式高效运行的体系架构，并提出破解现实瓶颈、推动其健康有序发展的推进策略。

人工智能赋能科学研究的内涵

人工智能赋能科学研究并不是单纯提高计算速度或扩大数据规模，而是通过算法、数据、模型、平台与智能体等新要素的引入，改变科学研究的运行逻辑、认知过程和知识生产条件。从变革逻辑看，人工智能赋能科学研究并非单一工具应用的延伸，而是涉及科学研究能力、问题求解方式和知识生产逻辑的系统性变化。首先，人工智能持续嵌入不同学科场景，拓展了科学研究的应用边界和能力空间；其次，人工智能作为新型研究工具、方法平台和任务执行系统，正在改变科研问题的表征、建模、求解和验证方式；随着人工智能进一步发展，还可能影响知识发现方式、科学理解模式和科学解释逻辑，推动科研活动从经验驱动、理论驱动和数据驱动向模型驱动与智能增强相结合的方向演进。综合现有表现及未来潜在趋势，本文提出从赋能应用、工具方法和认识知识3个相互关联的维度把握其内涵。其中，赋能应用论聚焦人工智能作为通用赋能技术对科研能力边界的扩展，工具方法论关注其从工具到方法再到平台的递进式演化对科研流程的重塑，认识知识论则从更深层次揭示其对知识生产主体结构和科学认知方式的变革意义。3个维度之间存在递进与互构的逻辑关系：赋能应用论回答的是人工智能能够为科学研究提供何种能力支撑，是对赋能事实的确认，构成分析的经验起点；工具方法论进一步追问人工智能以何种方式改变科学研究的运行过程，从效率工具到流程重构再到平台化转型，揭示赋能得以实现的方法机制；认识知识论则在前两者基础上追问人工智能在何种意义上改变了科学认识本身，触及知识生产主体、认知路径和理论建构方式的深层变革。三者构成从能力扩展到方法重塑再到认知变革的递进链条。同时，三者又相互支撑：赋能应用的广度为工具方法的演化提供需求牵引，工具方法的成熟为认识知识论层面的变革创造技术条件，而认识知识论层面的反思又重新界定赋能的边界与方向。3个维度在人工智能赋能科学研究的不同发展阶段侧重有所不同：在早期阶段，赋能应用论和工具方法论的作用更为显著，人工智能主要以效率工具和方法平台的形式嵌入科研过程；而随着科研智能体的发展和人机协作的深化，认识知识论所揭示的知识生产主体变革和认知方式转变才逐步凸显。三者协同推动科学研究从单点突破走向系统耦合（图1）。

赋能应用论

赋能应用论强调，人工智能首先表现为一种具有广泛迁移性和扩展性的通用赋能技术，其赋能作用不仅体现为效率提升，更体现为研究能力边界的扩展和研究问题空间的重塑。与传统科研工具通常依附于特定学科或实验场景不同，人工智能依托算法学习、模型迁移和跨模态处理能力，可以在自然科学、工程科学与人文社会科学等领域中形成具有共性的底层能力支撑。因此，人工智能赋能科学研究的首要表现，不在于某一项具体算法被用于某一类任务，而在于其作为一种通用能力，持续嵌入不同学科的问题求解过程，改变研究对象的表征方式、数据处理方式和路径选择方式。

从实践上看，人工智能的赋能作用已不局限于某一学科内部的效率提高，而是在不同学科之间形成了方法贯通和问题联动的新格局。蛋白质结构预测、材料逆向设计、气象预测和高能物理数据分析等都表明，人工智能并非停留于技术叠加层面，而是在推动不同学科形成新的研究方向和新的问题组织方式。这种赋能不仅改变了既有学科的研究方式，更通过与各学科的交叉融合，孕育产生了新的研究领域和新的学科方向，构成“人工智能+学科”的新范畴。与此同时，面向不同学科的全流程智能化探索也在加速推进。例如，中国科学技术大学研发的机器化学家系统已实现从文献挖掘、配方设计到自主实验验证的闭环自动化；中国科学院推出的“磐石·科学基础大模型”则面向多学科场景提供通用科研智能底座。此外，人工智能也加强了科学发现、技术验证和场景转化之间的联动，使科研活动更多嵌入面向应用的创新链条之中。赋能应用论揭示了人工智能赋能科学研究的现实起点，即通过跨领域嵌入和广泛扩散，推动形成以人工智能为底座的新型研究形态。

工具方法论

工具方法论强调，人工智能不仅是科研过程中的新工具，更是在快速演化为新的研究平台和新的问题求解方法。人工智能具有学习、推断、生成和优化等复合能力，因而能够同时在文献处理、数据解析、模拟预测、假设生成、实验设计和过程控制等多个环节中发挥作用。随着开源模型、通用算法框架和自动化实验平台的发展，人工智能的角色正在由辅助性工具扩展为方法体系和科研平台的重要组成部分。工具方法论揭示了人工智能从工具到方法再到平台的3个递进层次。

第一层次：工具化提效。面对海量、多模态和高维数据，传统依赖人工清洗和规则建模的方法已难以适应快速增长的分析需求，而人工智能通过表征学习、模式识别和代理建模等方式，可以压缩从数据采集到结果输出的时间成本，并提高复杂任务中的识别精度和预测能力。

第二层次：方法化重构。人工智能正在重构科学研究的方法流程，使传统的“假设—实验—验证”线性过程逐步转变为“数据—模型—实验—反馈”相互嵌套的动态闭环，促进研究过程由经验驱动转向数据和模型协同驱动。

第三层次：平台化转型。统一的算法库、标准化的数据接口和可复用的预训练模型，降低了方法获取与应用门槛，提高了跨机构、跨学科协作的可能性。在这一过程中，人工智能的角色也在发生转变，从辅助科学家的工具，逐步演化为科研活动的合作伙伴，并在特定任务中承担部分替代性功能。

更进一步看，工具方法论所揭示的工具化提效、方法化重构和平台化转型，不仅作用于科学研究环节本身，也正在向技术创新和场景应用延伸，成为支撑全链条创新范式变革的方法基础。

认识知识论

认识知识论强调，人工智能赋能科学研究的更深层意义，在于它正在改变知识发现、知识组织和知识验证的条件，进而重塑科学认识活动。人工智能的发展使知识生产不再仅仅依赖个体科学家的经验积累和分析能力，而越来越依赖由人类科学家、数据资源、模型系统和科研平台共同构成的复合认知系统。

人工智能显著扩展了科学研究的认知边界。对于高维、非线性和跨尺度的复杂问题，人工智能可以在更大范围内进行模式搜索、变量关联和候选机制识别，从而帮助研究者突破经验判断和局部最优路径的限制。

人工智能正在改变知识生产的主体结构。随着其在知识抽取、结果推断、实验优化和内容生成等方面能力的提升，知识生产逐渐从单一主体转向复合主体：人类科学家负责问题提出、价值目标设定和结果解释，人工智能系统则承担大规模知识组织、模式发现和部分实验控制等任务。尤其是随着科研智能体的发展，人工智能已不仅仅是被动响应指令的分析工具，而是能够自主规划研究路径、调度实验资源并生成研究报告的主动参与者，知识生产的主体边界由此进一步拓展。

人工智能引发了科学认知方式的深层转变。传统科研强调“理解后预测”，即先建立因果机制理论，再据此进行预测。而在人工智能赋能科学研究的部分场景中阶段性地出现了“预测先于理解”的现象，即模型可以在理论解释尚不完整的情况下给出较高精度预测。相关研究指出，人工智能的科学价值不仅取决于其预测精度，也取决于其能否进入因果解释、机制揭示和理论理解的过程。

认识知识论并不意味着人工智能将取代科学家，而是揭示了一场知识生产方式的深刻变革——人工智能与科学家将协同构成新的认知系统，显著改变人类发现、产生和运用知识的能力与方法，并推动科学知识体系的重组与更新。

赋能应用论、工具方法论和认识知识论分别从能力扩展、方法重构和知识生产变革3个层面，共同构成理解人工智能赋能科学研究的基本框架，也为归纳其结构性特征奠定了基础。

人工智能赋能科学研究的核心特征

随着人工智能赋能科学研究的内涵不断丰富和拓展，这一新科研范式也呈现出一系列区别于传统范式的系统性与结构性特征。其形成既根植于科研能力、方法和认知方式的变革，也与科研组织模式的重塑密切相关。中国科学院大学国家前沿科技融合创新研究中心在支撑中国科学院相关战略研究过程中，系统梳理了科研组织模式的演变趋势，归纳出6个方面的转变：从自由式到建制化（工程化），从单学科到跨学科（融合化），从封闭式到开放式（协同式），从手工式到自动化（人机互动），从“小作坊”到集成化（平台化），从非标化到程序化（流程化）。这些转变相互关联、彼此支撑，共同勾勒出人工智能时代科研组织模式变革的基本方向。它们并非各自独立，而是可以沿研究主体、运行机制、知识组织、资源条件和生态模式5条主线加以归纳，由此提炼出5个最具代表性的核心特征：人机共生、自主演化、交叉融合、资源密集和开放生态。

人机共生性

人机共生性强调人工智能赋能科学研究过程中人类智慧与机器智能的深度耦合与功能互补，体现了科研体系主体结构与协作方式等的转变。基于社会物理信息系统视角，人工智能的介入正推动科研体系由以人类研究者为中心、人与物理实验环境互动的人—物二元系统，转向人、机、物多主体协同的平行智能模式。人工智能系统正从传统意义上被动执行指令的工具，逐渐成为科研体系中推动研究设计、假设生成与实验路径探索的核心要素，其凭借自身感知智能、认知智能、决策智能和生成式智能等多层次能力，承担包括数据处理、知识推理、实验优化和假设构建等越来越多的任务。这种变化并不意味着人类科学家被简单替代，而是体现了人工智能与人类科学家之间优势互补、相互促进的协同关系，科研活动主体正从“以人为主”向“人机共生”演变。

在该过程中，人类科学家在定义科学问题、提供领域知识、设定价值目标和进行伦理判断等方面具有不可替代性。人工智能的优势则主要体现为大规模知识整合、复杂模式识别、跨域推理生成和动态优化。人与机器并非简单的共存关系，而是围绕科学问题形成了高度依赖、优势互补、协同演进的共生关系。这一共生关系的效能高度依赖于人机协同机制的设计，包括人机交互界面的友好性、任务分配的适配性和协同决策过程的透明性。例如，在生命科学研究中，人工智能可以依托高通量算法完成潜在靶点筛选和药物分子建模，科研人员则结合理论推理与临床经验对结果进行甄别验证并推动应用转化，由此实现理论探索与实践创新的融合。

自主演化性

自主演化性体现为人工智能赋能科学研究具有持续学习、快速迭代和动态优化的内在机制，其底层支撑在于人工智能的自动化执行能力与反馈驱动的优化机制。这一特征推动科研体系从外部控制逻辑向内部演化逻辑转变，从依赖人工干预转向在人类指令下自主执行。传统科研活动大多依赖人工设计和阶段性推进，而人工智能的强化学习机制和智能体技术使科学研究多个环节的自动化成为可能，科研流程由此从预设步骤的顺序执行，转向数据反馈驱动的动态迭代，研究假设、实验方案和模型参数在闭环中持续调整优化。

具体来说，该特征首先表现为研究循环的显著压缩。数据处理、模拟筛选和实验反馈之间可以更紧密地联动，从而缩短科研周期，提高试错效率。其次，科研任务组织形式也在变化，单一模型正逐步演化为由多个模块、多个智能体和多个平台构成的协同系统。例如，基于大语言模型构建的虚拟实验室平台，已经能够在“首席科学家智能体”的协调下，组建由多个专家智能体构成的虚拟科研团队，实现从假设生成到实验验证的高度自动化。这表明，人工智能系统已开始在特定场景中独立完成从假设提出、实验执行到结果分析的完整科研闭环，标志着自主演化正从单环节自动化向全流程自主决策方向延伸。同时，算法模型随着新数据的流入持续更新优化，研究问题与方法随着新发现而灵活调整，科学研究呈现出快速迭代、反馈驱动的演化过程。需要强调的是，当前的自主演化仍然是在人类设定的目标函数、约束条件和评价标准下的有限自主演化，而非完全脱离人类监督的自由演化。

交叉融合性

交叉融合性体现为人工智能赋能科学研究所具有的跨知识方法、资源和主体关系的重组特征。人工智能本身为数学、统计学、计算机科学和各领域知识交叉作用的产物，其进入科研过程之后，进一步加速了不同学科之间的知识流动和方法迁移，也推动科研活动突破传统学科边界、组织边界和产学研边界。对于许多传统上分属于不同学科的问题，在人工智能框架下可以被转化为相近的数据建模、特征学习或优化求解问题，从而获得统一分析的可能。作为通用性技术平台，人工智能不仅为不同学科提供了相对通用的算法工具和分析框架，也为创新链与产业链之间的数据共享、模型共建和任务协同提供了支撑。在此基础上，跨学科、跨主体、跨领域协作机制加快形成，推动科学研究由相对分割的学科和组织体系转向更加融合协同的知识生产模式。

这一特征在复杂科学问题研究中表现得尤为突出。当前前沿科学问题越来越具有多尺度、多变量和多机制耦合的特点，单一学科方法及单一类型主体往往难以独立完成求解。人工智能通过统一的数据表示、通用模型架构和跨场景迁移能力，增强了不同领域不同主体之间协同研究的可能性，推动知识组织方式从学科分立转向问题导向，并在学科交叉地带催生新的研究方向和学科生长点。

资源密集性

资源密集性体现为人工智能赋能科学研究对数据资源、技术资源、基础设施资源、人才资源等多元要素的高度依赖，强调该范式有效运行需要重要的物质条件。尤其是在构建科学基础模型、处理海量实验数据和开展复杂系统模拟时，资源供给能力往往直接决定研究活动的广度、深度和效率。

具体而言，数据密集体现为人工智能方法的有效运行高度依赖高质量、大规模、多模态的科学数据供给；技术密集体现为先进算法、科学基础模型和科研软件工具链成为新的核心科研资源；基础设施密集体现为强大算力、自动化实验平台和高速网络构成不可或缺的底层支撑。资源密集性不仅体现为硬件和算力投入，还体现为高质量数据治理、科研支持能力和复合型人才供给的系统投入。人工智能赋能基础研究已经越来越依赖设施、数据和算法之间的系统耦合。因此，人工智能赋能科学研究不仅是方法问题，也是科研条件和制度安排问题。

开放生态性

开放生态性体现为人工智能赋能科学研究更依赖开放共享、平台协同和多主体共建的科研环境。与传统科研活动中相对封闭的团队式运行不同，人工智能时代的科研能力越来越多地建立在开源模型、开放数据、共享平台和协同网络的基础上。模型社区、数据平台、代码仓库和科研云设施，正在共同构成新的科研生态基础。

这一特征的形成可归因于技术、资源和组织的多重因素。从技术上看，人工智能模型的训练、验证和优化高度依赖高质量数据和持续反馈，需要通过开放数据资源、共享模型工具、公开代码框架和引入社区反馈，促进模型在不同科研场景中的测试、修正和迭代。从资源上看，人工智能赋能科学研究具有显著的资源密集特征，需要数据、算法、算力和实验设施等关键资源的协同供给，以打破资源孤岛与平台壁垒。从组织上看，复杂科学问题的求解越来越需要跨机构、跨学科和跨部门合作。开放生态因而成为提高资源配置效率、促进知识流动和加速成果转化的重要条件。人工智能驱动的知识创新体系正在朝着平台化、融合化和生态化方向演进。因此，对于人工智能赋能科学研究而言，开放生态既是其现实运行的重要条件，也是其未来持续演化的重要方向。

小结

上述5个特征并非彼此孤立，而是在人工智能赋能科学研究的过程中相互支撑、相互耦合、共同作用，推动科学研究逐渐形成高度动态的复杂系统，并不断实现研究范式的革新。其中，人机共生性，界定了该范式下科研活动的运行模式与主体间关系；自主演化性，揭示了其内在运行逻辑与核心动力机制；交叉融合性，构筑了学科融通、知识集聚的一体化格局与多主体协同创新能力；资源密集性，表征了范式高效运转所依托的多元资源投入的物质基础；开放生态性，体现了其依托开放共享、开源协同实现持续迭代与可持续演进的发展路径。正是在这5个特征的共同作用下，人工智能赋能科学研究由分散的技术应用逐步演化为具有体系属性的新型科研范式，并且其作为复杂系统的属性将愈加凸显。

人工智能赋能科学研究的支撑体系与架构

为适应人机共生、自主演化、交叉融合、资源密集与开放生态等新特征，亟待系统性重塑科学研究支撑体系与架构，构建面向人工智能赋能科学研究全流程的底座，通过实现物理设施、数据要素、智能方法与执行主体的高效联动，全面支撑海量资源调度、多尺度机理建模与复杂任务执行。

整体架构

面向科研范式变革的复杂需求，整体架构可划分为5个功能互补的子系统：基础设施层，面向科研设施，提供大规模算力、存储与实验环境的物理支撑；数据资源层，面向科研知识，汇聚多模态科学数据，提供训练和验证的原料；模型工具层，面向科研方法，构建智能化的分析预测能力；任务执行层，面向科研主体，实现人类科学家与各类智能体的高效协同；应用场景层，面向科研问题，聚焦科学研究和产业研发的实际应用，牵引体系的落地与价值实现（图2）。

这5个功能层级并非静态独立，而是构成了一个闭环系统。在向上赋能路径中，基础设施与数据资源共同孕育模型工具，进而为多元主体的任务执行提供支撑；在向下牵引路径中，前沿应用场景提出的复杂科研需求，直接驱动底层基础设施的调优与数据模型的演进。同时，应用场景层在实践中产生的新数据与新反馈持续反哺底层架构，推动算力、数据与模型的迭代升级。考虑到不同科学领域在研究对象、数据模态与知识体系上的显著差异，整体架构的设计必须兼顾通用性与领域适配性，各领域既依赖于通用的算力网络与科学大模型底座，又需根据自身特定的科学问题，有选择性地调用、组合不同层级的设施、资源与执行主体。

基础设施层

基础设施层是人工智能赋能科学研究体系的物理基石。该层需突破单一算力中心的局限，构建涵盖数据集成平台、软件系统、计算硬件与机器人系统的支撑网络。数据集成平台负责海量多模态科学数据的清洗治理与高效分发；软件系统整合操作系统、分布式文件、容器编排、工作流引擎及领域开发环境；计算硬件包含大规模图形处理器/张量处理器（GPU/TPU）算力集群及新兴计算架构，提供海量算力与高速通信能力；机器人系统通过自动化平台实现虚拟模拟计算与物理真实实验的紧密衔接，支撑高通量实验的自主闭环执行。

面对人工智能赋能科学研究中的海量数据与算力需求，基础设施层需满足高并发低延迟的数据传输、面向科学计算优化的异构弹性调度、完善的容错机制与安全保障，并建立统一的标准化接口规范，以打破各类实验设备与高性能计算设施间的壁垒，保障从数据采集、模型训练到结果分析的全链条自动化执行。

数据资源层

数据资源处于人工智能赋能科学研究的核心地位，是驱动前沿科学发现和模型构建的战略性基础要素。人工智能驱动的科研新范式依赖于多类核心数据资源的规模化汇聚：科学文献数据用于提取知识图谱与发现研究模式；科学测试数据用于支撑模型训练与性能评估；科学实验数据源自物理学、化学、生物学等领域的实际实验过程；数值模拟数据通过计算模型生成；人工智能生成数据由模型直接产出；产业与应用数据则反映科研成果在实际应用中的表现，推动科学研究与产业需求紧密结合。

人工智能赋能科学研究对数据资源层提出了可用性、流通性和安全性等关键需求，涵盖自动化数据清洗与标准化、分布式存储与高效索引，以及数据确权与隐私保护等方面。不同类型的科研数据并非相互独立，而是通过多模态融合方式催生科学知识的形成。随着人工智能从现有数据中学习并生成新数据，新数据通过实验验证进一步丰富整个科学数据生态系统，形成持续推动科学数据生态完善与发展的良性循环。

模型工具层

模型工具层作为认知单元与智能核心，为科学研究提供智能化的分析、预测与发现能力。该层主要由科学基础大模型、学科专用大模型和工具平台3个核心部分组成。科学基础大模型作为通用底座，承担跨领域知识融合与科学发现助手的职能；学科专用大模型针对特定领域进行深度优化，融入专业知识并执行特定科研任务；工具平台则提供研究工具集、开发环境与实验支撑，保障模型落地与应用。

模型工具层需要实现数据驱动学习与知识指导推理的深度融合，并具备跨领域知识迁移、多尺度建模能力及持续学习更新机制。该层赋予科研活动3种核心能力：跨尺度分析能力，在统一框架内处理微观粒子到宏观系统问题；科学假设生成能力，通过对存量知识库的重组与分析自主生成可验证的新观点；复杂系统模拟能力，突破传统方法的计算瓶颈，针对气候演变或生命过程等高动态复杂系统提供长周期、高精度模拟与预测。

任务执行层

任务执行层是连接科研问题与科研方法的关键枢纽，面向科研主体采用多元化组织形式，实现从传统人类主导到人机智能协同的范式转变。该层由人类科学家、人机协同系统和智能体等构成：人类科学家，作为核心决策者，主导科学问题定义、方向把控与最终的科学洞察；人机协同系统，实现专家知识与机器算力的深度融合；智能体，代表高阶自动化执行力，能够独立承担特定任务，还可动态演化为分工处理综合性研究难题的多智能体群。

为保障多元主体协同运转，任务执行层需建立灵活的任务分配与交互架构，构建支持意图理解、知识传递与决策反馈的双向沟通体系，并划定清晰的责任边界。该层的核心价值在于将科研能力从纯人力驱动转变为人机智能混合驱动，通过不同执行主体依据任务特点的灵活组合，实现从问题识别、方案设计、实验执行到结果分析的全流程智能化重构。

应用场景层

应用场景层是人工智能技术与前沿科学问题的关键结合点，既是整个科研体系构建的逻辑起点，也是最终效能检验的重要落点。当前，应用场景已广泛覆盖粒子物理与核物理学、化学、材料科学、生命科学、生物医药、网络空间安全、天文学、空间科学、遥感科学和深地科学等基础前沿学科，并深度延伸至产业研发实践之中。应用场景层呈现出高度多样性，涵盖跨学科共性应用与领域特性应用：共性应用，聚焦多模态高维数据解析、大型科学装置智能操控和隐蔽关联规律挖掘等；特性应用，将人工智能技术与特定学科属性深度耦合，如高能物理极端条件下的实时决策、生命科学多尺度耦合模型和生物医药逆向生成设计等。

应用场景在不同学科中的创新价值呈现出显著的层次性。在范式变革层面，各场景的共性在于将数据驱动与物理约束、领域知识有机结合，促进科研全流程智能化。在效率提升层面，不同场景能够根据学科特点显著缩短科研周期。在能力增强层面，研究精度从定性描述提升至定量预测，决策方式从依赖专家经验转向数据循证。对于已有成熟方法的领域，人工智能发挥“锦上添花”的提升作用；对于传统方法难以解决的问题，人工智能则发挥“雪中送炭”的突破作用，二者共同构成人工智能赋能科学研究的完整图景。

推动人工智能赋能科学研究范式变革的对策建议

在前文对人工智能赋能科学研究的内涵、特征与支撑体系分析基础上，结合我国发展基础、现实短板与战略需求，本文进一步从基础设施、数据资源、模型工具、任务执行、应用场景与组织治理等关键环节出发，提出推动人工智能赋能科学研究健康有序发展的对策建议。

夯实智能化科研基础设施底座

针对当前我国科研体系中存在的算力分散、设施孤岛化和统筹协同不足等结构性瓶颈问题，需加快建设支撑人工智能赋能科学研究的自主可控智能化科研平台系统。

加强国家级基础设施顶层规划，建设全要素集成的闭环科研平台。在国家层面设立统筹推进机制，强化大科学装置、国家实验室与超算、智算中心的互联互通，打破部门间、机构间的物理设施与数字系统壁垒，形成建制化的协同创新合力。通过制定统一的设施建设标准与接口规范，统筹解决算力建设的瓶颈问题，避免资源碎片化。

构建跨区域、跨机构的算力统筹与弹性调度机制。依托国家一体化算力网络，建立跨区域、跨机构的算力弹性统筹与统一调度机制，开发支持大规模并行计算和异构算力高效协同的软件框架，实现算力资源的按需分配与动态流转，推动计算框架与科学大模型的深度适配。

强化底层关键硬件自主可控。加大对国产大规模GPU/TPU算力集群、新兴异构计算硬件及底层操作系统的协同攻关力度，构建兼容开放的自主化基础设施标准体系，逐步摆脱对国外单一算力的依赖。

构建高质量科学数据供给体系

当前，我国科学数据仍呈现碎片化状态，面临标准不一、权属界定不清、共享动力不足等问题。亟须从标准规范、流通共享与高质量数据库建设发力，全面提升科学数据的供给质量与效率。

健全标准规范，推进科学数据管理的智能化与标准化。加快出台国家层面的科学数据分类分级标准与统一的元数据管理体系，建立涵盖自动采集、智能清洗标注与合规存储的全流程数据管理规范，提升异构科学数据的机器可读性、互操作性与可靠性。

完善确权与评价激励机制，打破数据流通共享壁垒。探索建立科学数据产权确权、安全流通与贡献评价机制，将高质量开源数据集的构建与共享贡献纳入核心学术评价体系，通过制度设计激励产学研各界主动打破数据壁垒。

统筹国家级数据库建设，平衡跨域协同与隐私安全。集中建设自主可控的国内开源科学数据仓库与多模态公共语料库，引入联邦学习、差分隐私等隐私保护技术实现科学数据安全流转；同时，积极参与国际科学数据共享协议，构筑具备全球竞争力的开放科学数据生态系统。

打造可信智能科研工具与开源协作生态

当前智能科研工具体系在处理复杂科学问题时面临可解释性弱、物理一致性差等挑战，且专用的底层研发工具链相对匮乏，亟须系统布局涵盖模型算法、开发环境与开源协作平台的完整自主可控工具生态。

统筹布局自主可控的基础与专用协同的模型矩阵。系统构建自主可控的“共性底座+领域专精”多元模型矩阵体系，集中攻关跨领域科学基础大模型，同时支持各学科开发深度内化专家知识的学科专用大模型，全面提升应对小样本、多尺度复杂科学问题的求解效能。

完善适配多学科的通用算法与基础工具链。集中力量攻关具备跨域泛化能力的通用智能算法框架，系统构建涵盖跨尺度数值模拟、高通量协同筛选、复杂系统自动化控制等核心模块的基础科研工具链，通过开发低代码运行环境和标准化应用编程接口（API），降低领域科学家调用前沿人工智能技术的门槛。

培育开源共建的协作生态。依托国家级平台建设面向全球开放的人工智能赋能科学研究算法库、高质量预训练模型社区与开源科研软件托管仓库，鼓励计算机领域专家与基础学科科学家共同参与，形成工具集众创共享、模型算法持续演进的协作生态。

建立人机协同的智能科研执行体系

针对科研范式从人力主导向人机混合驱动演进的趋势，必须从执行层面重塑科研任务的实现路径，构建以人类科学家为核心、智能体高效协同的现代化执行体系。

制定人机协同的任务协作规范。明确智能化科研场景下各执行主体的责任边界，建立涵盖意图理解、任务拆解、自动执行与人工复核的标准协作流程。在保障人类科学家对战略方向与关键结果具有绝对决策权的同时，充分释放人工智能在数据解析与规模化试错中的执行潜能。

加快科学智能体的自主研发与规模应用。设立专项攻关计划，重点支持具备自主学习、逻辑推理与实验规划能力的科学智能体开发。推动各类智能体工具深度嵌入科研一线场景，将科研人员从繁杂的代码编写、文献海选与基础数据处理中解放出来，使其将更多精力投入原创性科学问题攻关。

推进多智能体协同网络建设。顺应智能体系统演化趋势，探索构建分工明确、高效联动的多智能体协作网络平台。通过多智能体在假设生成、实验执行、结果验证等不同环节的接力协同，打通科研任务的全自动执行闭环，实现复杂综合性科研问题从单点突破向系统级并行求解的跨越。

强化重大场景牵引与敏捷安全治理

面对当前场景耦合较浅、需求牵引不足等痛点，亟待以国家重大需求为导向加速前沿应用拓展，并将敏捷治理、科研伦理与诚信建设作为底线支撑内化于场景拓展之中。

聚焦国家重大需求发布战略级场景清单。锚定国际科技前沿与国家战略部署，动态发布国家级重大应用场景任务指南，鼓励科研机构与行业领军企业联合攻坚，带动算力设施、数据资源与智能化工具的体系化协同与迭代升级。

推动科学研究与产业场景的深度融合。全面打通前沿科学发现向产业化应用的智能转化链路，通过建立科研院所与科技领军企业的场景共建与数据共通机制，推动研究成果在材料创制、药物研发等真实工业场景中实现规模化落地，并依托产业端反馈数据反哺科研底座，形成双向赋能的良性生态。

构筑敏捷治理防线。针对人工智能在科研中可能触发的模型幻觉与知识污染、敏感科研数据泄露及技术滥用等新型安全风险，建立场景驱动的敏捷治理框架。在坚守国家科技安全与数据主权底线的前提下，实行包容审慎的分类监管与动态审查机制，为人工智能在各类前沿科研场景中的应用探索提供安全、可控的制度保障与试错空间。

强化科研伦理与诚信建设。加快制定人工智能赋能科学研究的伦理准则与诚信规范，明确人工智能生成内容在学术成果中的使用与标注要求，将伦理审查嵌入智能科研平台与评价体系，防范成果归属争议及新型学术不端等风险。

推进适应智能化的科研组织模式变革

人工智能赋能科研不仅是技术工具的升级，更是对传统科研生产关系的系统性重塑。面对新范式下人机共生、自主演化、交叉融合、资源密集和开放生态等核心特征，科学研究正从单点式的自由探索向高度复杂的工程化协作转变。因此，必须围绕新需求，研究构建适配人工智能赋能科学研究的组织模式，打破单一学科建制与封闭的条块化管理，以科研组织模式变革为核心，全面重构创新主体协同网络、评价导向与人才生态，为新科研范式提供坚实的体制机制保障。

构建打破学科壁垒的融合创新联合体。针对交叉融合性，应改变现有科研机构条块分割的治理结构，探索建立以重大科学问题为导向的动态网络式创新组织。鼓励人工智能领域的算法专家与基础学科科学家组建深度对接的跨界攻关团队，通过机制创新促进跨域知识的流动与重组，形成要素融通的建制化科研合力。

建立适配智能范式的新型科技评价机制。坚决破除唯论文的单一学术评价导向，将高质量开源数据集构建、通用算法优化、科学基础大模型训练及共性工具软件开发等实质性支撑工作，全面纳入科研人员的核心学术评价与晋升体系，以此激发多元创新主体参与人工智能赋能科学研究基础生态建设的内生动力。

打造支撑新型组织运转的复合人才梯队。突破传统单一学科的教育桎梏，依托科研组织变革牵引人才培养模式升级。系统布局“人工智能+学科”培养模式，加快引育兼顾领域知识与人工智能技能的复合型人才。同时在日常科研组织训练中强化严谨的逻辑推演要求，防范青年学者因过度依赖智能工具而导致的科学直觉退化与底层机理探究能力弱化风险。

（作者：陈凯华、李赫扬、刘泓欣、杨硕，中国科学院大学 公共政策与管理学院 中国科学院大学国家前沿科技融合创新研究中心；赵彬彬，中国科学院大学国家前沿科技融合创新研究中心。《中国科学院院刊》供稿）