从“辅助科研”迈向“深度参与全流程”

本版图片IC

中国高校围绕人工智能赋能科学研究，已纷纷展开系统化布局，加快平台、工具建设，正推动科研范式发生变革。一批以科研智能体为核心的新型科研基础设施相继落地，AI从“辅助科研”迈向“深度参与甚至主导科研全流程”。

复旦大学联合上海科学智能研究院发布全面升级的“星河启智科学智能开放平台”，并推出超级科研合伙人“大圣”，整合多模态科学大模型、300余个专家级科研技能模块（Skills）与长周期群体记忆架构，能够通过自然语言理解科研任务，自主完成“假设—实验—验证—迭代”的完整闭环。

上海交通大学发布通用科研智能体SciMaster及其底层科学基座模型Innovator，构建覆盖“搜、读、算、做、写”全链条的一体化能力体系。该平台不仅能自动调用各类科研工具，还配套建立智能体评测系统，为未来规模化部署科研智能体提供标准化基础设施。

港科大正推进“AI for Lab”计划，开发实验室智能体AINA，推动主动推理与自动化实验深度融合，让AI能“动手”能“思考”。

AI4S已展现突破传统科研效率瓶颈的优势，让人工智能承担重复性工作，释放科学家的创新精力，实现科研周期的大幅压缩，科研成果的高效转化。

复旦“大圣”智能体凭借96%的RNA分类与设计准确率，在siRNA设计中将实验成功率提升超50%，还支撑了转化价值2000万元的新型补锂剂研发与潜在价值5亿美元的FIC类药物发现，实现科研成果的高效产业化。上海交大通用科研智能体SciMaster展现出极致的科研效率，其6小时的运行成果即可比肩资深理论物理学博士1至3个月的饱和工作量，为科研工作提供“自动驾驶”般的体验。

不仅如此，AI4S还实现了跨领域的科研能力突破：香港科技大学副教授、香港科技大学潘乐陶气候变化与可持续发展研究中心主任陆萌茜的团队通过AI技术颠覆了地球系统科学的可预报性认知，提前1个月预报台风数量的实测误差仅0.5个；中国科学院院士、上海大学材料基因组工程研究院创院院长张统一的团队通过AI多目标优化，破解了材料强度与韧性相互制约的行业难题，推动新材料研发取得新进展。

多位专家直言，当前AI4S发展仍处于起步阶段，诸多瓶颈亟待突破，成为制约其规模化落地的关键因素。首先，硬件掉链子与实验反馈慢是急需解决的问题。例如，科学实验中的机械臂损坏、设备故障等问题会导致实验停滞，而化学、材料等领域的实验结果反馈周期长，与AI的快速推理形成矛盾，缺乏新的理论和方法支撑。其次，模型的可解释性与物理融合不足。此外，纯数据驱动的AI模型对复杂系统物理规律的捕捉欠佳，长程任务的执行稳定性不足。不仅如此，AI4S的发展需要既懂专业领域知识，又掌握AI技术的复合型人才，因此跨学科人才的稀缺，也成为行业发展的制约。

本报记者 易蓉 实习生 李馨