“人工智能（AI）是引领新一轮科技革命与产业变革的战略性技术，具有溢出带动性很强的头雁效应。”中国科学院院士、北京大学副校长张锦在2024科学智能峰会（AI for Science Forum）上谈了他对AI for Science 的理解。

11月4～6日，2024科学智能峰会在北京大学举行，会议由北京大学计算机学院、北京科学智能研究院主办，设置了综合论坛、 论坛、物质科学论坛、AI for Science（简称AI4S）产业及行业实践论坛。会上，围绕计算物理、材料设计、组学分析、智能设备等方向的研究，专家学者探讨了科学研究的关键问题和解决路径，分享了AI for Science新范式下的科研变革。

提供崭新的科学工具

“在科学研究领域，AI为我们提供了崭新的工具，不仅驱动科学研究，还提升了科学研究的速度、广度、深度、精度，对于生成科学假设、进行科学实验、分析科学数据等都发挥着革命性的作用，使科学研究呈现了蓬勃发展的势头。”张锦说。

当前，AI正在革新材料科学研究的范式。张锦围绕材料表征、制备与产业化等方面指出，AI这个工具不仅可以扩展认知、辅助决策，还可以放大人的创造力。在材料智能化（AI for Materials）的加持下，科研人员能够增强对材料体系全局的理解，进一步对齐从实验室到产业化的目标，从全局的角度开展材料的研发工作。

当前，AI作为工具，在科学研究中的应用越来越广泛，特别是在数据处理和实验设计方面。比如，围绕理论化学实验和实践脱节的痛点，中国科学技术大学讲席教授江俊分享了一些具体的机器化学家平台应用实例，指出AI for Science通过数据智能的方法，为弥补理论和实践的鸿沟提供了可行的路径。

江俊解释道，科研人员利用AI生成高通量、高质量的科学数据，把复杂的理论问题转化成数字化可解决的问题，推动化学知识数字化、化学操作指令化，最终有效降低实验试错次数，优化实验设计，实现化学创制智能化。

“未来，AI读文献、AI做计算、AI做实验等将融合起来，智能化、系统化地服务于每个科学家、服务于每个生产制造企业。”北京科学智能研究院院长、深势科技创始人兼首席科学家张林峰展望了AI for Science的应用场景。

加速建设基础设施

“AI能带来系统全面的科学研究和工业研发的突破，因此要加速建设好基础设施，为科学研究、产业落地提供最广阔的空间。”张林峰阐述了AI for Science基础设施的建设路径，“模型与软件、数据、仪器、算力是基础设施的要素，这些要素在真正完成AI工程化后，才可以构成一个好的基础设施。

然而，在AI for Science基础设施平台建设道路上，还需要完成一系列的多级跳。

“物质科学的根基在于量子力学，然而量子力学的基本方程在实际体系难以直接求解。”中国科学院院士、复旦大学教授龚新高指出，数十年来，这一挑战激发了众多物理学家的不懈探索，并促使理论物理向计算物理的转变。

龚新高强调了利用人工智能技术构建“数智物理”平台的重要性，该平台旨在运用AI方法解决物质科学领域的诸多问题。他期待数智物理研究方法能够解决更多物理问题，并表示这不仅需要构建人工智能基础设施这一基础性工作，还需要各界共同努力，共同发现并解决问题。

在探讨AI for Science的短期、中期和长期目标时，参会嘉宾建议从科学研究问题的发现和解决出发进行目标规划，通过基础设施建设和创新成果的应用来加速产学研的深度融合，以提升科学家的生产力。

为了更好地拥抱AI for Science这一新的科学研究范式，促进科学发现和技术创新。多位参会嘉宾指出，不仅要在解决问题的基础上整合方法，还要始终将人才培养作为重要目标。

应用机遇与挑战并存

近年来，AI在科学研究中的应用已经无处不在，并为解决传统难题提供了全新的途径。

中国科学院院士、中国科学院植物研究所研究员种康指出，重大科学发现往往需要学科交叉。他以 的研究为例介绍了跨学科合作的重要性，信息学、计算生物学、数学等领域的研究人员都可以加入到 的研究队伍里，必将推动 向前迈进。

一个生物最重要的生物学特征必然反映在它的基因组上。中国科学院院士、中国热带农业科学院院长黄三文表示：“基因组是复杂的语言系统，而作为理解复杂系统的工具，AI在理解基因组信息等方面有着巨大潜力，将加速实现我们对植物基因组的精准理解和全面理性设计改造。”

过去几年，AI和机器学习在PubMed（医学文献检索系统）上的研究量呈指数级增长.《新英格兰医学杂志》子刊NEJM AI的副主编赵剑飞认为，AI的可解释性对于科学研究至关重要，但对于临床应用而言，更重要的是经过严格的评估和验证。“AI可能改变临床医生的行为，过度依赖AI或不信任AI都可能带来挑战。”

那么，在机遇与挑战并存的当下，如何才能抓住人工智能的翅膀，实现从量变到质变的飞跃呢？

中国工程院院士、中国科学院大连化学物理研究所所长刘中民分享了AI在化工领域应用的前景。

化工的新技术发展之所以这么困难，是因为从实验室到工厂是一个时间和空间跨度近十个数量级的复杂系过程。刘中民对于AI赋能化工的总体思路理解是，利用现有的大量数据，结合领域知识等，构建一个化工大模型，在此基础上创建具备技术开发功能的智能体，用于孪生数字工厂建设，通过与实际工厂对接验证，实现化工过程从实验室一步到工厂。

“虽然构建这样的行业大模型非常困难，但这一变革将加快新技术开发和现有工艺运维优化，实现化工行业智能化转型。”刘中民说。

鉴于有什么样的数据就会建出什么样的模型，就会给出什么样的结果，在会议结束之际，参会嘉宾形成这样一个共识，利用人工智能技术可以解决实际问题，因而带来了巨大的机遇，但在数据标准化、安全性和可靠性方面仍需谨慎行事。