AI时代，科研体系怎么建？院士谈科研变革与青年机遇
2026-09-02
4287
近日，2026科学智能大会在北京举行。中国科学院院士、北京科学智能研究院学术委员会主任、北京大学教授鄂维南在会上表示，人工智能正在明显提升科研能力和效率。但工具变强之后，科学研究仍面临一些更基础的问题：数学为何在AI浪潮中逐渐失去存在感，现有大模型为什么啃不动真正困难的科学问题，传统科研体系又该如何调整？
会后接受《中国科学报》采访时，鄂维南从数学基础、大模型架构、科研组织方式和人才培养等方面，谈到了他对AI for Science的观察与判断。
数学不应该被边缘化
鄂维南的研究背景是数学。在他看来，这段训练经历对后来推动AI for Science发挥了重要作用。
2016年前后，AI的应用还主要集中在图像识别、自然语言处理等领域。鄂维南逐渐意识到，AI同样可以用于解决一些基础数学问题，而这些突破可能进一步改变科学研究的方式。
数学曾经是推动人工智能发展的重要力量，但在新一轮AI浪潮中，其作用并未得到充分重视。对此，鄂维南直言：“数学不应该被边缘化。”
工程能力可以推动模型快速迭代，数学和物理则负责追问技术为何有效、边界在哪里。后者正是当前人工智能作为一门学科仍需补足的部分。
现有大模型还啃不动真正困难的科学问题
大模型已经能够辅助文献阅读、代码生成、数据分析和语言表达，但面对真正困难的科学问题，能力依然有限。
鄂维南认为，科学大模型需要具备很强的科学推理能力和科学多模态识别能力，而现有基座模型还没有真正形成这两种能力。
数学证明就是一个典型例子。数学家不仅要给出结论，还要完整呈现证明过程中的每一个步骤。许多关键的推理过程并不存在于大模型的训练语料中，仅依靠已有文本预测后续内容，很难完成真正严谨的科学推导。
科研尤其是实验研究，需要识别复杂的科学表征数据，并在现实环境中观察、验证和修正判断。这些任务都不是现有语言模型擅长处理的领域。科学大模型若要继续向前，不能只增加参数和数据，还需要在底层架构上取得突破。
科研体系需要拆掉几堵墙
AI带来的变化并不限于科研工具，也会触及科研资源如何配置、科研活动如何组织等问题。
鄂维南首先谈到了科研平权。他认为，应当减少高校、科研机构以及少数实验室对科研资源的集中，让真正有想法、有能力的个人和团队获得参与科技创新的机会。
这需要一套相应的支持条件，包括成本更低、效率更高的科研工具，更加多元的科研经费来源，以及能够承接成果转化的平台。AI降低了一部分研究门槛，但如果算力、数据、实验条件和资金依然高度集中，科研平权仍然难以真正实现。
传统高校和科研院所内部的组织结构很难迅速改变，因此还需要新型研发机构等机制参与其中。科研体系不能长期困在机构边界内，人才、创新、市场和资金之间需要形成更顺畅的连接。
最缺的是既懂AI又懂科学的人
现阶段，推动这一领域发展的主力大多具有AI背景。鄂维南认为，未来更需要科学领域的研究者主动参与，因为他们更清楚哪些问题值得研究，也更有能力定义真正重要的科学问题。
下一阶段的合作方式，应当由科学家提出问题，再与具有AI背景的研究者共同寻找解决方案。由AI团队单方面寻找应用场景，很容易停留在“用新工具重复旧任务”的层面，难以触及科学研究中的核心矛盾。
因此，当前最紧缺的是“既懂AI又懂科学”的人才。鄂维南认为，培养这类人才本身并不存在难以跨越的障碍，真正的阻力可能来自学科壁垒、评价机制和培养体系所形成的惯性。
对青年科研工作者而言，这既是机会，也是挑战。AI正在削弱机构和资源条件带来的部分限制，让更多人有机会接触高水平科研；与此同时，研究者也可能因为过度依赖现有工具和熟悉的问题，在新的技术环境中“画地为牢”。
从鄂维南的判断来看，AI时代的科研竞争并不只是模型和算力的竞争。数学与物理提供底层理解，科学家负责提出真正有价值的问题，AI帮助提高探索效率，科研体系则要为人才、资源和自由探索创造空间。只有这些环节同时发生变化，AI for Science才可能从工具升级走向科研范式的真正改变。
AI正在重塑科研工具与科研体系，也对成果的真实性和规范性提出了更高要求；在借助AI提升研究效率的同时，科研人员可通过AiScholar学术诚信检测工具做好投稿前自查，为研究成果守住诚信底线。
