两会热议：AI for Science引发科研变革，成果涌现背后问题待解

【金色港湾资讯网为您推荐阅读】

“AI for Science（人工智能驱动的科学研究）”正以从未有过的速度重塑全球科研版图，它在材料科学领域有颠覆性潜力已初步显现，它在生物医药等领域有颠覆性潜力也已有点苗头了。然而，在刚刚结束的2026年全国两会上，这一热点话题背后藏着的资源浪费深层次矛盾，成了代表委员们争着关注和剖析的焦点，这一热点话题背后藏着的转化梗阻深层次矛盾，同样成了代表委员们争着注视和分析的聚焦点。

AI引领科研范式变革成两会强音

在3月7日举办的全国政协十四届四次会议第二次全体会议当中，全国政协委员、身为中国科学院院士的周志华发出了明确的呼吁，建议把人工智能当作支点，引领并能够撬动整个科研范式进行深刻的变革。他表达了这样的看法，AI不单单只是一个工具，更是一种能够对科学发现基本路径予以重构的全新方法论。

转天，身为全国政协委员，同时还是工业和信息化部原副部长的王江平，在接受科技日报的采访之际，又进一步着重表明，人工智能在角色方面的定位已然出现了根本性的转变。它原本只是单纯的用于科研协助以及辅助的工具，现在却一跃提高成为了能够推动科技向前进步的核心的驱动力量。且在未来的时候，它将会对从基础研究一直到产业应用的每一个环节，进行深刻的重新塑造。

诺奖突破背后的资源浪费隐忧

举世瞩目人工智能赋能科研的阶段性成果 ， 周志华委员举例说 AI 模型助力非生命科学领域研究者获得 2024 年诺贝尔奖 ， “大原子模型计划”为半导体 、 合金等各类材料研发开辟新路径 ， 这些突破证明 AI 在加速解决长期未决重大科学难题句号。

可是，在成果纷纷出现的背后之时，新的问题也跟着冒了 surface。周志华说，基于缺权威、缺标准化还缺大规模那种科学数据集 ，再加上数据获取花费高加上共享机制缺，引致使当前 AI 模型的训练上效率是很低的，可靠性是值得怀疑的。全国各地以及各机构重复建的现象是很严重的，造成了巨大的科研资源那块浪费。

算力“堰塞湖”现象引发业界警觉

王江平委员在履职开展调研期间发现，算力资源存在着浪费现象，这种浪费的状况同样是非常触目惊心的。他选取了谷歌旗下名为GNoME的模型来举例子，该模型对大约38万种稳定材料进行了预测，然而一直到调研那个时候，其中只有736种完成了实验验证，验证的比例还不足0.2%。这所代表的含义是，AI一天时间所取得的预测成果，很有可能需要科研界耗费十年的时间才能够去进行消化。

此种呈现出“上游充满活力、能量涌动，而下游阻碍重重、通行不畅”态势的情形，被王江平颇具形象化地比喻成了“堰塞湖”，大量人工智能预测所获取的成果，最终仅仅停歇在了论文的阶段层面，没办法朝着实验验证的方向迈进前行更进一步探索，更别提使其在产业化领域降临落地达成实现了，这不但占据占用了珍贵宝贵的科学研究与计算能力资源，更造就形成了一道存在于将科学研究成果转化为现实实际生产力之间的巨大显著转化阻碍梗阻。

破解梗阻需系统性对策组合拳

AI赋能科研出现“梗阻”，其原因是错杂纷繁的。王江平经分析得出这样的看法，预测模型本身存在局限性，行业统一标准以及评估体系缺失，并且实验验证能力严重不足，这是横在AI与科研深度融合道路上的三个关键制约因素。若要“对症下药”，那就必须采取系统性的对策。

周志华委员从人才培养角度给出了建议，他觉得，要打破当下的困局，关键之处在于从起始点构建那“人工智能赋能科学”的复合型人才培养体系，他提出要支持高水平研究型大学去试点设立“博士 + 硕士”双学位项目，使得 AI 专业的博士生同时攻读一个科学硕士学位，通过这样来探寻跨学科融合的研究生培养新模式。

构建高质量数据与评估核心载体

应对数据瓶颈，王江平提议大力推动三大核心载体的建设，其一，于重点行业搭建公共高价值数据共享中心，构造高精度、长序列、多模态的公共数据集，借此削减科研人员在数据收集方面的重复劳动，使其专注于获得创新突破。

王江平着重指出，必定要构建起具有权威性的AI预测结果评估体系。他觉得，唯有拥有统一的评估标准以及流转所依照的根据，才能够针对海量的AI预测成果来实施有效的筛选以及分级工作，使得真正具备价值的预测得以显著地显现而出，优先步入实验验证阶段，以达成提高科研资源利用效率的目的。

推动AI for R&D协同发展破局

王江平更进一步发出呼吁，要促使“AI for Science”跟“AI for R&D”的协同发展得以推动。“AI for Science”聚焦于基础科学方面的重大突破，其目的在于解决“卡脖子”技术背后所存在的理论问题，“AI for R&D”侧重于解决技术落地进程里面的工程化难题，这两者是缺一不可的，共同组合成完整的创新链条。

他提出建议，在具体实施的层面上，大力去推行“揭榜挂帅”机制，企业依据市场需求来出题，科研机构针对此进行有针对性的攻关。与此同时，政府能够探索沙盒监管模式，给研发环节赋予更大的自主权以及试错空间，进而充分地激发全社会的创新活力，打通从AI预测直至产业应用这么一段的“最后一公里”。

迎向由AI带动的科研全新纪元，我们到底要怎样去平衡“速度”同“质量”，进而才能够使这股汹涌的智能浪潮切实转变为推动社会向前发展的稳固力量呢？欢迎于评论区域分享您的看法，点赞并且转发此篇文章，令更多人加入这场关乎未来的探讨当中。