原文發(fā)表于《科技導(dǎo)報(bào)》2025 年第18 期 《 科學(xué)研究智能化轉(zhuǎn)型：基于AI的新范式及其深遠(yuǎn)影響 》

人工智能（AI）的快速發(fā)展正在推動(dòng)科學(xué)研究邁向以“智能驅(qū)動(dòng)”為核心的第5科研范式，這是繼經(jīng)驗(yàn)、理論、計(jì)算與數(shù)據(jù)驅(qū)動(dòng)之后的新一輪科研模式變革。本文回顧了科研范式的歷史演進(jìn)，分析了AI推動(dòng)科研從“人類主導(dǎo)”向“人機(jī)協(xié)同”的轉(zhuǎn)型邏輯，論述了大模型時(shí)代的發(fā)展與現(xiàn)狀，并探討了AI在科研管理、科學(xué)假設(shè)生成、論文與項(xiàng)目中的應(yīng)用場景?；诖?，研究人員提出構(gòu)建可信科研AI體系，推進(jìn)人機(jī)協(xié)同創(chuàng)新模式，完善科研治理與政策框架，加強(qiáng)跨學(xué)科融合，并健全科研倫理與社會責(zé)任機(jī)制，以確保AI驅(qū)動(dòng)科研范式的可持續(xù)發(fā)展與有序演進(jìn)。

1 AI驅(qū)動(dòng)的第5科研范式

1.1 科研范式的歷史演進(jìn)

科學(xué)研究的演進(jìn)從未停歇。Jim Gray提出的科研范式框架指出，傳統(tǒng)科研經(jīng)歷了4次主要的范式躍遷：經(jīng)驗(yàn)驅(qū)動(dòng)范式、理論驅(qū)動(dòng)范式、計(jì)算驅(qū)動(dòng)范式和數(shù)據(jù)驅(qū)動(dòng)范式，每一次變革都突破了人類認(rèn)知邊界。而當(dāng)下AI技術(shù)正催化第5范式的誕生，推動(dòng)科研逐步邁向AI驅(qū)動(dòng)的第5科研范式（圖1）。

圖1 科研范式發(fā)展歷程

1.2 科研范式進(jìn)步的原因

在邁向第5范式的轉(zhuǎn)型過程中，理論數(shù)學(xué)、量子物理學(xué)、神經(jīng)科學(xué)及語言學(xué)等領(lǐng)域推動(dòng)了AI技術(shù)的發(fā)展（圖2）?？蒲蟹妒睫D(zhuǎn)變的背后是算力的提升、AI技術(shù)的發(fā)展、AI for Science（AI4S）與AI for Research（AI4R）的興起以及大模型的推動(dòng)。

圖2 科研范式進(jìn)步的原因

1.3 第5科研范式的界定

第5科研范式是以人工智能為核心驅(qū)動(dòng)力，實(shí)現(xiàn)科研全流程智能化重構(gòu)的研究體系，體現(xiàn)如下。

（1）主體轉(zhuǎn)變：從人類主導(dǎo)到人機(jī)協(xié)同，形成“人類直覺+機(jī)器智能”的雙引擎驅(qū)動(dòng)。

（2）流程重構(gòu)：打破傳統(tǒng)線性研究路徑，構(gòu)建“假設(shè)生成—實(shí)驗(yàn)設(shè)計(jì)—驗(yàn)證迭代”的智能閉環(huán)。

（3）知識生產(chǎn)：基于大模型的涌現(xiàn)能力實(shí)現(xiàn)跨學(xué)科知識重組，突破人類認(rèn)知局限與領(lǐng)域知識壁壘。

1.4 AI驅(qū)動(dòng)的科研流程重構(gòu)

1）假設(shè)生成。AI模型通過跨學(xué)科知識融合突破傳統(tǒng)思維局限，通過知識重組，將離散的科研發(fā)現(xiàn)編織成創(chuàng)新理論框架，使假設(shè)生成從依賴靈感的偶然行為轉(zhuǎn)變?yōu)橄到y(tǒng)性知識涌現(xiàn)的科學(xué)過程。AI自動(dòng)生成假設(shè)，并通過計(jì)算模擬進(jìn)行初步驗(yàn)證。

2）實(shí)驗(yàn)設(shè)計(jì)。AI構(gòu)建數(shù)字實(shí)驗(yàn)系統(tǒng)，進(jìn)行虛實(shí)融合的智能優(yōu)化。AI模型將物理約束編碼為多維參數(shù)空間，在虛擬環(huán)境中并行探索數(shù)百萬種實(shí)驗(yàn)方案，動(dòng)態(tài)優(yōu)化實(shí)驗(yàn)設(shè)計(jì)。

3）驗(yàn)證迭代。AI模型對海量數(shù)據(jù)進(jìn)行自動(dòng)化處理、分析和優(yōu)化，建立“理論—實(shí)驗(yàn)—數(shù)據(jù)”的三角驗(yàn)證體系，構(gòu)建動(dòng)態(tài)“評估—反饋”的強(qiáng)化學(xué)習(xí)閉環(huán)，進(jìn)行假設(shè)的自我證偽機(jī)制。AI模型采用主動(dòng)學(xué)習(xí)策略，使科研驗(yàn)證從單次確認(rèn)升級為持續(xù)認(rèn)知迭代的智能進(jìn)化系統(tǒng)。

2 百花齊放的大模型時(shí)代

2.1 大模型發(fā)展歷程

人工智能自1956年達(dá)特茅斯會議誕生以來，經(jīng)歷了“三起兩落”——3次技術(shù)高峰與2次低谷交替（圖3）。

圖3 AI發(fā)展的“三起兩落”

21世紀(jì)，尤其是2014—2024年，生成式AI快速發(fā)展。深度學(xué)習(xí)生成模型在圖像、語音、文本等領(lǐng)域取得突破，催生多樣創(chuàng)新應(yīng)用，既延續(xù)了技術(shù)積累，又為人工智能帶來新的活力與可能（圖4）。

圖4 大模型發(fā)展歷程

2.2 大模型百花齊放

大模型發(fā)展迅猛，尤其是大語言模型（LLM）推動(dòng)了文本生成和對話系統(tǒng)的變革，并自然延伸至多模態(tài)領(lǐng)域。2022年底ChatGPT問世，標(biāo)志生成式AI新高峰，隨后國內(nèi)外LLM競相涌現(xiàn)，呈現(xiàn)百花齊放局面（圖5）。

圖5 LLM發(fā)展時(shí)間線

綜合來看，當(dāng)前的大模型能力存在但不局限于以下方面。

（1）語言理解與生成：大模型能夠精準(zhǔn)理解復(fù)雜語言結(jié)構(gòu)和語義。

（2）邏輯推理與交互：大模型能夠根據(jù)輸入的信息進(jìn)行歸納推理、演繹推斷，完成復(fù)雜的多步推理任務(wù)。

（3）知識存儲與檢索：大模型可以高效地從龐大的知識庫中提取相關(guān)信息，精準(zhǔn)地回答問題。

（4）視覺與多模態(tài)：大模型的視覺理解能力使其能夠精準(zhǔn)解析圖像內(nèi)容，進(jìn)行物體識別、語義分割等任務(wù)（圖6）。

圖6 LLM的基礎(chǔ)能力

2.3 大模型的能力與不足

大模型通過其強(qiáng)大的能力為各種復(fù)雜任務(wù)提供了支持。然而，大模型仍面臨其特有的局限性與倫理問題（圖7）。

1）幻覺現(xiàn)象。LLM的幻覺是指模型生成的內(nèi)容可能與實(shí)際情況不符或出現(xiàn)邏輯上的錯(cuò)誤。

2）可解釋性差。可解釋性差意味著無法理解模型是如何從輸入數(shù)據(jù)中提取特征，以及如何根據(jù)這些特征作出預(yù)測。

3）高級推理能力弱。LLM在涉及需要推理和抽象思維的復(fù)雜任務(wù)時(shí)，它們顯得力不從心。

4）倫理問題。LLM可能在無意識間吸收并傳播有害內(nèi)容，使輸出結(jié)果帶有傾向性、不公平性。

圖7 LLM的局限性與倫理問題

3 大模型輔助的智能科研管理

AI大模型作為第5科研范式核心，推動(dòng)科研管理變革，形成“ AI4X”與“X4AI”雙向賦能：AI技術(shù)滲透學(xué)科管理，學(xué)科反饋推動(dòng)AI迭代，構(gòu)建多學(xué)科融合的智能管理網(wǎng)絡(luò)（圖8）。

圖8 AI大模型輔助科研管理

1）科研管理建議：從“經(jīng)驗(yàn)”建議到“智能”建議。

• 校級層級（戰(zhàn)略智能）：通過數(shù)字孿生校園平臺模擬科研資源配置方案，動(dòng)態(tài)優(yōu)化“雙一流”學(xué)科布局，實(shí)現(xiàn)了科研資源與學(xué)科發(fā)展的精準(zhǔn)匹配。

• 院系層級（戰(zhàn)術(shù)智能）：基于資源智能配置算法預(yù)測學(xué)科趨勢，開發(fā)ESI學(xué)科閾值預(yù)警系統(tǒng)，提前預(yù)判學(xué)科排名變化，避免資源錯(cuò)配。

• 部門層級（操作智能）：利用多智能體仿真構(gòu)建科研動(dòng)態(tài)平衡算法，提升突發(fā)任務(wù)響應(yīng)效率。通過數(shù)字沙盤模擬科研成果轉(zhuǎn)化路徑，縮短技術(shù)落地周期。

2）科研平臺建設(shè)：從“定制”建設(shè)到“智能”建設(shè)。

• 跨學(xué)科知識裝配引擎：通過DeepSeek模型，不同領(lǐng)域的知識可以無縫銜接，為科研團(tuán)隊(duì)提供快速解決方案。

• 動(dòng)態(tài)數(shù)據(jù)湖：Gemini多模態(tài)系統(tǒng)可同時(shí)處理文本、圖像、音頻輸入，實(shí)時(shí)生成實(shí)驗(yàn)方案并優(yōu)化步驟，加速復(fù)雜實(shí)驗(yàn)進(jìn)程。

• 智能實(shí)驗(yàn)工坊：AI大模型還可以為復(fù)雜實(shí)驗(yàn)方案的自動(dòng)生成與優(yōu)化提供幫助，避免了繁瑣的手動(dòng)干預(yù)。

3）前瞻科研布局：生成式AI的預(yù)見性推演。

• 開設(shè)復(fù)合課程：推動(dòng)AI與各學(xué)科的深度融合，培養(yǎng)復(fù)合型創(chuàng)新人才。

• 校企聯(lián)合培養(yǎng)：共同開展AI大模型的研究與人才培養(yǎng)，助力高校優(yōu)化教學(xué)體系。

• 攻關(guān)核心技術(shù)：通過人工智能創(chuàng)新與產(chǎn)業(yè)研究院，專注于AI技術(shù)的原創(chuàng)研發(fā)和應(yīng)用轉(zhuǎn)化，服務(wù)國家戰(zhàn)略需求。

4）科研人才管理：從“師徒制”管理到“全球化”管理。

• 構(gòu)建動(dòng)態(tài)圖譜：構(gòu)建全球頂尖學(xué)者動(dòng)態(tài)圖譜，實(shí)現(xiàn)人才引進(jìn)的智能匹配與風(fēng)險(xiǎn)評估。

• 團(tuán)隊(duì)智能診斷：GPT?4驅(qū)動(dòng)的智能診斷系統(tǒng)自動(dòng)生成包含知識結(jié)構(gòu)補(bǔ)全方案的人才重組建議。

• 打造產(chǎn)學(xué)研人才旋轉(zhuǎn)門：通過華為聯(lián)合實(shí)驗(yàn)室實(shí)現(xiàn)工業(yè)界專家與學(xué)術(shù)人才的動(dòng)態(tài)流轉(zhuǎn)，縮短技術(shù)轉(zhuǎn)化周期。

4 大模型輔助的科學(xué)假設(shè)生成

1）人類的創(chuàng)造力密碼。以知識重組理論為基石的研究揭示，跨領(lǐng)域知識的碰撞往往能催生超線性價(jià)值。

2）打破傳統(tǒng)創(chuàng)新瓶頸。近幾年更多研究通過AI驅(qū)動(dòng)的數(shù)據(jù)整合打破專業(yè)壁壘，加速創(chuàng)新性想法建立與迭代。

3）構(gòu)建人機(jī)協(xié)作模式。為了更好地利用大模型的潛力實(shí)現(xiàn)具備創(chuàng)新性和可行性的科學(xué)假設(shè)生成，大量研究提出人機(jī)協(xié)作的科學(xué)探索模式，引領(lǐng)科學(xué)探索更加精準(zhǔn)地實(shí)現(xiàn)系統(tǒng)性突破。通常由5個(gè)步驟實(shí)現(xiàn)：問題定義與領(lǐng)域聚焦—文獻(xiàn)搜索與關(guān)鍵背景知識獲取—基于科學(xué)知識庫生成假設(shè)—強(qiáng)化學(xué)習(xí)迭代細(xì)化假設(shè)—假設(shè)評估（圖9）。

圖9 大模型輔助的科學(xué)假設(shè)生成流程

4）生成式AI助力學(xué)術(shù)創(chuàng)造。科研變革動(dòng)力的討論主要集中在算力提升與深度學(xué)習(xí)技術(shù)上，較少涉及生成式AI和跨模態(tài)智能系統(tǒng)在科研輔助過程中的應(yīng)用。在材料與生命科學(xué)等領(lǐng)域（圖10），以AlphaFold3和GNoME為代表的生成式大模型憑借并行處理數(shù)據(jù)能力，以及主動(dòng)學(xué)習(xí)和迭代優(yōu)化策略，顯著加快了科研進(jìn)程，推動(dòng)新藥研發(fā)周期從10 a縮短至2~3 a。

圖10 GNoME與AlphaFold3假設(shè)生成過程

5 大模型輔助的論文與項(xiàng)目

1）提高科研效率。在論文寫作中，大模型在文獻(xiàn)綜述、數(shù)據(jù)分析與寫作輔助等方面表現(xiàn)出色。同時(shí)，大模型亦能協(xié)助實(shí)驗(yàn)設(shè)計(jì)、構(gòu)建研究框架與提出創(chuàng)新假設(shè)，推動(dòng)科研高效進(jìn)展。

2）高效推動(dòng)申請書撰寫。在科研項(xiàng)目申請中，大模型為撰寫提供智能化支持。這種輔助顯著提高了申請書撰寫效率與系統(tǒng)化水平，進(jìn)而增加申請成功率。

3）學(xué)位論文寫作支持。學(xué)位論文體現(xiàn)學(xué)生的學(xué)術(shù)能力，大模型可在文獻(xiàn)綜述、方法論與結(jié)果討論等環(huán)節(jié)提供專業(yè)支持。

4）智能化論文與項(xiàng)目評審。大模型技術(shù)通過智能篩查與分析，能基于創(chuàng)新性、技術(shù)路線等核心指標(biāo)生成評審建議，提升公正性與準(zhǔn)確性，減少人為偏見。同時(shí)，其還可承擔(dān)初步篩選任務(wù)，優(yōu)化評審資源分配，增強(qiáng)整體評審效率。

5）生成式AI與跨模態(tài)智能的應(yīng)用前景。生成式AI在自然語言生成與理解之外，還能融合多模態(tài)信息，為科研提供更全面支持。在跨學(xué)科合作中，其推動(dòng)信息融合與智能推理，助力實(shí)現(xiàn)科研創(chuàng)新突破。

6 未來科研范式展望

生成式人工智能的崛起與跨模態(tài)智能系統(tǒng)的快速發(fā)展，為科研范式帶來了深遠(yuǎn)的變革。這些先進(jìn)技術(shù)跨越了文本、圖像與數(shù)據(jù)之間的模態(tài)界限，高效地實(shí)現(xiàn)知識的智能檢索與推理，輔助研究人員在多個(gè)科研環(huán)節(jié)中實(shí)現(xiàn)深度交互與協(xié)同創(chuàng)新。

未來復(fù)雜系統(tǒng)的建模會對人類專家有限的科研精力和科研速度帶來非常嚴(yán)峻的挑戰(zhàn)。而AI以其海量的知識儲備，卓越的計(jì)算能力和智能水平，可以將人類專家從底層的推理設(shè)計(jì)實(shí)驗(yàn)中解放出來，從而更專注于頂層的科學(xué)問題凝練和科研路線把握。與此同時(shí)，科學(xué)家需要對AI的過程和產(chǎn)出的規(guī)范性、合法性和安全性保持足夠的警惕。AI的濫用也會對科研，甚至社會造成嚴(yán)重的威脅。AI是一把雙刃劍，廣大科研工作者需要學(xué)會用并且用好AI，科學(xué)未來才能走上新的高速路。

本文作者：朱鵬飛，姚鑫杰，姜國崧，范妍，曹海芳，高西遠(yuǎn)，徐興歆，陶柏安，李維浩，武嘉和，胡清華

作者簡介：朱鵬飛，天津大學(xué)智能與計(jì)算學(xué)部，教授，研究方向?yàn)橹悄軣o人機(jī)。

文章來 源 ： 朱鵬飛, 姚鑫杰, 姜國崧, 等. 科學(xué)研究智能化轉(zhuǎn)型：基于AI的新范式及其深遠(yuǎn)影響[J]. 科技導(dǎo)報(bào), 2025, 43(18): 16?22 .

本文有刪改，

點(diǎn)擊科學(xué)研究智能化轉(zhuǎn)型：基于AI的新范式及其深遠(yuǎn)影響.pdf獲取全文。

內(nèi)容為【科技導(dǎo)報(bào)】公眾號原創(chuàng)，歡迎轉(zhuǎn)載
白名單回復(fù)后臺「轉(zhuǎn)載」

《科技導(dǎo)報(bào)》創(chuàng)刊于1980年，中國科協(xié)學(xué)術(shù)會刊，主要刊登科學(xué)前沿和技術(shù)熱點(diǎn)領(lǐng)域突破性的研究成果、權(quán)威性的科學(xué)評論、引領(lǐng)性的高端綜述，發(fā)表促進(jìn)經(jīng)濟(jì)社會發(fā)展、完善科技管理、優(yōu)化科研環(huán)境、培育科學(xué)文化、促進(jìn)科技創(chuàng)新和科技成果轉(zhuǎn)化的決策咨詢建議。常設(shè)欄目有院士卷首語、科技新聞、科技評論、專稿專題、綜述、論文、政策建議、科技人文等。