對話AI摘編：

主持人：國務(wù)院《關(guān)于深入實(shí)施“人工智能+”行動的意見》將“人工智能+科學(xué)技術(shù)”放在六大行動首位，在您看來這傳遞了什么信號？

李鑫宇：首先國家敏銳把握到了它對社會發(fā)展的重要意義。從歷史角度看，“科學(xué)技術(shù)是第一生產(chǎn)力”一直是核心，把它放在首位和整體發(fā)展邏輯一致，它是“AI+各行業(yè)、各領(lǐng)域”的底層支撐。這是重新梳理二者關(guān)系的重要政策——這次是把科學(xué)技術(shù)重新拉回視野，找回“以科技突破為底層帶動各領(lǐng)域發(fā)展”的核心結(jié)構(gòu)，這點(diǎn)特別重要。

主持人：很多人知道AlphaFold的案例，您能講講AI引領(lǐng)的科研范式革命嗎？什么是科研范式？又“革”了傳統(tǒng)科研方法什么“命”？

李鑫宇：“科研范式”是托馬斯·庫恩在《科學(xué)革命的結(jié)構(gòu)》里提的，簡單說就是科研共同體的共同信念——大家相信用什么方法能解決科學(xué)問題，形成共識就是范式。歷史上就這么幾類：最早是“實(shí)驗(yàn)”，靠觀測總結(jié)經(jīng)驗(yàn)；后來牛頓等人用“理論推理”演繹世界；計(jì)算機(jī)來了，“計(jì)算”成了重要方式；互聯(lián)網(wǎng)時代，“數(shù)據(jù)驅(qū)動”成為主流?，F(xiàn)在聊任何科學(xué)問題，科研人員都會問“AI能不能幫我”，所以AI for Science成了新范式。

至于“革命”，其實(shí)不是革誰的命，而是像計(jì)算機(jī)一樣，給了我們更強(qiáng)的工具——過去想做卻做不到的事，現(xiàn)在能做了。比如蛋白質(zhì)折疊，之前有生物信息學(xué)方法、蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫，始終沒找到高效預(yù)測蛋白質(zhì)結(jié)構(gòu)的工具，直到加入人工智能、深度神經(jīng)網(wǎng)絡(luò)，這個問題得以解決?，F(xiàn)在各個行業(yè)、領(lǐng)域都有可能通過這種方式實(shí)現(xiàn)科學(xué)突破，這就是科研范式革命帶來的機(jī)會。

主持人：目前是不是所有領(lǐng)域都能用AI賦能，基本沒有不能的？

李鑫宇：得看科學(xué)研究的流程。如果從查文獻(xiàn)、梳理前人成果開始，AI已經(jīng)普遍賦能了——過去一個人一輩子能讀的論文、了解的工作有限，但現(xiàn)在大語言模型能全量吸收知識，甚至未來可以在深度解析所有文獻(xiàn)后，輸入新想法就能知道前人有沒有研究過，能精準(zhǔn)定義“人類知識邊界”，這效率提升太大了，從這點(diǎn)看AI影響是全方位的。

但聚焦具體科研問題，得看三個維度。一是問題定義清不清？比如蛋白質(zhì)結(jié)構(gòu)預(yù)測，和真實(shí)結(jié)構(gòu)“像不像”有明確標(biāo)準(zhǔn)。二是數(shù)據(jù)夠不夠？數(shù)據(jù)、工具積累不到位，AI也沒法發(fā)力。三是AI能帶來顛覆性突破還是只是漸進(jìn)式演進(jìn)？得結(jié)合領(lǐng)域重要性看。不是所有問題都能靠AI解決，有些領(lǐng)域的傳統(tǒng)瓶頸根本不在AI能發(fā)力的地方。

主持人：《意見》提出要“加速科學(xué)發(fā)現(xiàn)進(jìn)程”，特別是“從0到1”的突破。能否分享一個最讓您興奮的、AI助力重大科學(xué)發(fā)現(xiàn)的具體案例？

李鑫宇：“0到1”的突破大多公眾不熟悉，最典型的就是大家認(rèn)可的蛋白質(zhì)結(jié)構(gòu)預(yù)測——有諾貝爾獎背書，確實(shí)是重大突破。但其實(shí)很多領(lǐng)域都在發(fā)生：比如AlphaGO的核心是在巨大的決策空間找最優(yōu)解，科研里這類事不少。像電動汽車動力電池的電解液配方——電解液是正負(fù)極間的導(dǎo)電介質(zhì)，配方特別復(fù)雜，鋰鹽和輔助導(dǎo)電物質(zhì)的比例難拿捏，過去只能靠大量實(shí)驗(yàn)，成本高、周期長?，F(xiàn)在用計(jì)算模擬加AI，能在海量配方里快速篩選出“還不錯”的方案，再用少量實(shí)驗(yàn)驗(yàn)證，效率提升太多。國家強(qiáng)調(diào)“0到1”，就是看到了我們有大量這樣的機(jī)會。

主持人：《意見》提到，“加快科學(xué)大模型建設(shè)應(yīng)用”。能不能用普通人能理解的方式解釋，什么是科學(xué)大模型？科學(xué)大模型能否像“超級顯微鏡”和“超級望遠(yuǎn)鏡”一樣，成為一種全新的科研利器？

李鑫宇：ChatGPT像個“厲害的普通人”，能寫報告、處理日常事務(wù)；科學(xué)大模型得像“厲害的科學(xué)家”，有三個核心能力：第一，“看得懂科學(xué)家能看懂的東西”——科學(xué)大模型必須能識別比如電鏡圖、核磁譜圖、天文圖像這些專業(yè)數(shù)據(jù)；第二，“像科學(xué)家一樣推理”——科學(xué)家觀察現(xiàn)象后，能順著科學(xué)體系和邏輯框架推導(dǎo)結(jié)論，這種“科學(xué)長鏈條推理”能力它得有；第三，“會用科學(xué)家用的工具”——例如科學(xué)大模型得能操縱顯微鏡拍照、用計(jì)算模擬軟件做仿真。同時具備這三點(diǎn)才叫科學(xué)大模型，這對科研生產(chǎn)力提升是革命性的。

和通用大模型的區(qū)別？未來追求通用人工智能（AGI）的話，兩者可能殊途同歸，都是“全知全能”的智能體。但現(xiàn)在受訓(xùn)練方法限制，科學(xué)大模型能走“垂直突破”路線——寫詩作畫雖不如通用模型，但科研能力卻遠(yuǎn)超它。

主持人：目前國內(nèi)外科學(xué)大模型發(fā)展處于哪個階段？

李鑫宇：核心瓶頸還是在“數(shù)據(jù)”上。現(xiàn)在我們會把簡單科學(xué)文本數(shù)據(jù)喂給基礎(chǔ)大模型，微調(diào)后讓它有一定科研能力，但沒觸到科學(xué)大模型的本質(zhì)——科學(xué)數(shù)據(jù)不是“有沒有”的問題，是“能不能用”。過去通用大模型靠“人工標(biāo)注高質(zhì)量數(shù)據(jù)”，標(biāo)注門檻低，但科學(xué)數(shù)據(jù)標(biāo)注門檻高：很多化學(xué)分子式只有學(xué)化學(xué)的能認(rèn)，天文圖像只有天文學(xué)者能解讀，得領(lǐng)域?qū)＜襾順?biāo)，這個過程會很長。不過這對我國是大機(jī)會——我們是全世界本科及以上教育人數(shù)最多的國家，有足夠?qū)I(yè)人才做標(biāo)注。

主持人：除了人工標(biāo)注，現(xiàn)有科學(xué)數(shù)據(jù)量夠不夠？是不是還缺數(shù)據(jù)？

李鑫宇：AI發(fā)展已經(jīng)進(jìn)入“下半場”，劃分標(biāo)準(zhǔn)就是存量和增量數(shù)據(jù)的比例——存量數(shù)據(jù)差不多挖透了，剩下的要利用，得更深度標(biāo)注。比如很多科學(xué)數(shù)據(jù)存在數(shù)據(jù)中心、圖書館，但那是在“沒有AI”的背景下建的，沒考慮過AI能用，現(xiàn)在要給AI用，得先把“人類能看懂”的數(shù)據(jù)改成“AI能理解”的，這是第一步。

另外，現(xiàn)在很多科學(xué)儀器每天都產(chǎn)新數(shù)據(jù)，我們得改造這些儀器，讓它們從“源頭”就產(chǎn)高質(zhì)量、符合AI需求的數(shù)據(jù)，這也是長期過程。過去做數(shù)據(jù)是為了“人類查閱”，現(xiàn)在是為了“喂給AI（神經(jīng)網(wǎng)絡(luò)）”，數(shù)據(jù)的“出口”變了，形式、標(biāo)準(zhǔn)也完全不同。我們正在建“數(shù)據(jù)與AI共同進(jìn)化”的體系，但還不完善，一旦建成，AI賦能科研的能力會大幅提升，速度也會更快，它將進(jìn)入到一個迭代循環(huán)的發(fā)展邏輯。

主持人：《意見》提到“強(qiáng)化人工智能跨學(xué)科牽引帶動作用，推動多學(xué)科融合發(fā)展”。請您給我們分享一些案例，AI是如何充當(dāng)“粘合劑”，打破數(shù)學(xué)、物理、化學(xué)、生物等傳統(tǒng)學(xué)科壁壘的？

李鑫宇：先回顧學(xué)科起源——科學(xué)研究最初從哲學(xué)分化出來，核心原因是“人的生命有限”，一輩子研究不了所有領(lǐng)域，只能聚焦細(xì)分方向。久而久之，不同學(xué)科有了自己的方法、工具甚至語言體系，壁壘越來越深。AI的出現(xiàn)讓我們有了打破壁壘的能力：一是知識獲取快了，能涉獵更多領(lǐng)域；二是能“以問題為核心”而非“以學(xué)科為核心”整合知識。比如“找新藥”：化學(xué)叫“計(jì)算化學(xué)”，物理叫“計(jì)算物理”，生物叫“計(jì)算生物學(xué)”，數(shù)學(xué)叫“應(yīng)用數(shù)學(xué)”，但本質(zhì)都是解決“新藥設(shè)計(jì)”。過去學(xué)科語言不同，同樣方法可能有不同稱呼，溝通成本高；現(xiàn)在有語言模型能“內(nèi)容對齊”，輕松知道其他學(xué)科的相關(guān)成果，不用先學(xué)“對方術(shù)語”。這種“以問題為導(dǎo)向”的跨學(xué)科研究，過去不是不想做，是沒能力做——大家都認(rèn)可融合重要，但受限于知識效率和語言壁壘，推進(jìn)不了。AI正好起了“牽引”作用，讓“想做的事能落地”，所以意見里“強(qiáng)化牽引帶動作用”的措辭特別精準(zhǔn)，沒有AI，跨學(xué)科可能只是“想法”。

主持人：《意見》獨(dú)到地提出了“創(chuàng)新哲學(xué)社會科學(xué)研究方法”。這是否是AI for Science概念的進(jìn)一步拓展？

李鑫宇：哲學(xué)、社會學(xué)和自然科學(xué)最初也沒割裂，比如社會學(xué)也研究“科技哲學(xué)史”，后來漸行漸遠(yuǎn)，是因?yàn)殚L期社會發(fā)展是“線性演進(jìn)”，沒出現(xiàn)顛覆認(rèn)知的科技革命?；仡櫄v史，農(nóng)耕時代取代原始社會、蒸汽時代取代農(nóng)耕時代，每次科技革命都會讓哲學(xué)、社會學(xué)“重新思考”——社會組成、倫理道德、責(zé)任主體等核心假設(shè)都會變?，F(xiàn)在AI快速發(fā)展，又是一次“顛覆性科技革命”，自然給哲學(xué)、社會學(xué)帶來新問題。比如，出現(xiàn)“全知全能的AI”，社會結(jié)構(gòu)會變嗎？AI的倫理責(zé)任怎么界定？這些問題比過去復(fù)雜。

所以，首先，哲學(xué)、社會學(xué)的“研究范圍”會隨AI拓展——不能只聚焦當(dāng)下的“AI倫理挑戰(zhàn)”，要站在“科技革命重塑社會”的視角重新思考核心命題。這里我想呼吁：現(xiàn)在討論AI倫理、哲學(xué)問題的多是AI技術(shù)研究者，但長期做科學(xué)哲學(xué)、社會學(xué)的學(xué)者，可能有更深刻理解，卻常被當(dāng)成“技術(shù)門外漢”排除在外，這是損失。其次，研究方法也可能改變——現(xiàn)在能用AI做“虛擬社會實(shí)驗(yàn)”，比如建一個“多智能體社會”，觀察它的演進(jìn)規(guī)律，這在過去不可想象。從這點(diǎn)看，AI確實(shí)拓展了哲學(xué)社會科學(xué)的研究邊界，算是AI for Science理念的延伸。

主持人：展望未來五到十年，被“AI+”重塑后的科研會是什么樣？剛?cè)胄械哪贻p科學(xué)家，工作方式、思維模式會和現(xiàn)在有啥大區(qū)別？

李鑫宇：可以先想個場景：你有了新科研想法，不用花幾個月寫“文獻(xiàn)綜述”。只需輸入模型，立刻就能得到答案：這個想法在人類知識邊界內(nèi)嗎？前人研究過嗎？這會徹底改變科研的起點(diǎn)。過去寫文獻(xiàn)綜述是“確認(rèn)前人研究范圍”，要花大量時間查文獻(xiàn)；未來這個過程會被AI簡化，年輕科學(xué)家能把更多精力放在“創(chuàng)新”上，不是“重復(fù)驗(yàn)證”。第二，年輕科學(xué)家能調(diào)動的“科研工具”會遠(yuǎn)超現(xiàn)在。比如今天的年輕化學(xué)家，本科要花很久學(xué)“試管滴定”，手抖的人甚至做不了實(shí)驗(yàn)；但未來的自動化實(shí)驗(yàn)室里，只要編程設(shè)定“滴多少試劑”，AI就能精準(zhǔn)操作。換句話說，“動手能力弱”不再是科研的障礙——哪怕你擅長理論推導(dǎo)，不擅長做實(shí)驗(yàn)，AI也能幫你補(bǔ)齊短板，讓“腦力優(yōu)勢”充分發(fā)揮。這種變化會非常快，不會等十年，可能三五年內(nèi)，年輕科學(xué)家的工作方式就會有明顯不同。

主持人：作為AI與科研融合前沿的年輕院長，您對關(guān)注這場科技革命的青年研究人員、學(xué)子有什么建議？他們該怎么更好擁抱AI？

李鑫宇：眼下最重要的是“保持開放包容的心態(tài)”，同時“持續(xù)保持好奇心”，做科研時不給自己設(shè)限，就不會有真正的限制。把AI當(dāng)成“伙伴”，用它去加速自己的研究進(jìn)度，拓展自己的研究邊界。