人工智能賦能生命科學(xué)研究范式變革、應(yīng)用場(chǎng)景及發(fā)展布局

朱新廣1 鮑一明2 金哲儂3 李鑫4 汪思佳5 王躍明6 楊運(yùn)桂7 許操8 熊燕5 韓斌1*

1 中國(guó)科學(xué)院分子植物科學(xué)卓越創(chuàng)新中心

2 深圳醫(yī)學(xué)科學(xué)院

3 北京大學(xué) 城市與環(huán)境學(xué)院

4 中國(guó)科學(xué)院動(dòng)物研究所

5 中國(guó)科學(xué)院上海營(yíng)養(yǎng)與健康研究所

6 浙江大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院

7 國(guó)家生物信息中心

8 中國(guó)科學(xué)院遺傳與發(fā)育研究所

生命科學(xué)是研究高維度、多尺度復(fù)雜生命過(guò)程的科學(xué)，并在國(guó)民健康、農(nóng)業(yè)發(fā)展、生態(tài)文明及國(guó)家安全等領(lǐng)域中起到關(guān)鍵支撐作用。生命科學(xué)研究目前面臨數(shù)據(jù)爆炸及“數(shù)據(jù)孤島”的維度挑戰(zhàn)。人工智能的飛速發(fā)展為克服生命科學(xué)面臨的多維度挑戰(zhàn)提供了全新解決方案。人工智能將推動(dòng)生命科學(xué)研究從當(dāng)前的經(jīng)驗(yàn)歸納向智能涌現(xiàn)的認(rèn)識(shí)躍遷，并促成以“高通量數(shù)據(jù)獲取—模型構(gòu)建—模型預(yù)測(cè)—實(shí)驗(yàn)驗(yàn)證”的持續(xù)迭代為核心的閉環(huán)式科研模式。生命科學(xué)研究正從單點(diǎn)描述性探索，邁向系統(tǒng)性、可預(yù)測(cè)、可設(shè)計(jì)的智能化新階段。人工智能將在數(shù)字細(xì)胞構(gòu)建、健康狀態(tài)量化干預(yù)、精準(zhǔn)診療、病原微生物預(yù)測(cè)、智能育種、腦機(jī)接口、數(shù)字免疫及數(shù)字生態(tài)等應(yīng)用場(chǎng)景起到重大推動(dòng)作用。我國(guó)亟待前瞻布局國(guó)家級(jí)人工智能友好的數(shù)據(jù)基座、基礎(chǔ)大模型及干濕閉環(huán)智能體平臺(tái)，強(qiáng)化跨學(xué)科協(xié)同組織保障，構(gòu)建倫理安全治理體系，從而確保我國(guó)在生命科學(xué)新一輪競(jìng)爭(zhēng)中占據(jù)有利地位。

生命科學(xué)是研究生命現(xiàn)象及其本質(zhì)規(guī)律的綜合性學(xué)科。生命科學(xué)的研究對(duì)于國(guó)家的國(guó)民健康、農(nóng)業(yè)發(fā)展、生態(tài)文明及國(guó)家安全都有重要支撐作用。生命科學(xué)的研究對(duì)象涵蓋多尺度生命系統(tǒng)，具有高度的復(fù)雜性、整體性和動(dòng)態(tài)性特征。破解這些跨時(shí)空尺度難題，迫切需要人工智能等多學(xué)科技術(shù)的有機(jī)融入和深度耦合。鑒于此領(lǐng)域蘊(yùn)含的巨大潛力，科技發(fā)達(dá)國(guó)家（地區(qū)）均加快研究部署人工智能賦能生命科學(xué)研究。

本文系統(tǒng)研判人工智能賦能生命科學(xué)研究的底層邏輯，總結(jié)當(dāng)前國(guó)內(nèi)外在該領(lǐng)域的代表性進(jìn)展；進(jìn)而，在7個(gè)應(yīng)用場(chǎng)景介紹人工智能賦能生命科學(xué)研究的創(chuàng)新價(jià)值、實(shí)現(xiàn)路徑及未來(lái)發(fā)展趨勢(shì)；最后，提出人工智能賦能生命科學(xué)研究的政策支撐，為加速我國(guó)人工智能賦能生命科學(xué)研究提供支持與引導(dǎo)。

1

人工智能賦能生命科學(xué)研究的發(fā)展態(tài)勢(shì)

人工智能驅(qū)動(dòng)的生命科學(xué)研究范式變革

生命體是由海量生物分子通過(guò)復(fù)雜的調(diào)控網(wǎng)絡(luò)耦合而成的有機(jī)整體，具有跨尺度關(guān)聯(lián)性與非線(xiàn)性動(dòng)態(tài)調(diào)控特性，這賦予生命活動(dòng)的多樣性與適應(yīng)性，同時(shí)也為生命科學(xué)研究帶來(lái)“維數(shù)災(zāi)難”，其表現(xiàn)為參與組分多、互作關(guān)系復(fù)雜且具有時(shí)序動(dòng)態(tài)性，變量空間隨變量數(shù)量呈指數(shù)級(jí)膨脹；這種復(fù)雜性使得當(dāng)前生命科學(xué)研究普遍采用的單獨(dú)實(shí)驗(yàn)室、假說(shuō)驅(qū)動(dòng)的獨(dú)立研究模式難以應(yīng)對(duì)，生命科學(xué)研究急需革命性研究范式與工具。人工智能將分散的、多模態(tài)的生命數(shù)據(jù)“翻譯”為可計(jì)算的知識(shí)，將傳統(tǒng)的試錯(cuò)實(shí)驗(yàn)升級(jí)為智能化的虛擬篩選與假設(shè)推演。利用現(xiàn)代人工智能方法，如構(gòu)建統(tǒng)一的多模態(tài)模型、揭示因果邏輯、開(kāi)發(fā)生成式生物學(xué)工具等，實(shí)現(xiàn)從靜態(tài)結(jié)構(gòu)解析到動(dòng)態(tài)功能預(yù)測(cè)，推動(dòng)生命科學(xué)研究從描述生命到設(shè)計(jì)生命的跨越（圖1）。

圖1 人工智能賦能生命科學(xué)研究的關(guān)鍵技術(shù)支撐及研究范式變革

在多模態(tài)大模型及智能體的支持下，人工智能將賦能生物測(cè)量、生物設(shè)計(jì)、生物合成、仿生模擬及基因編輯等各個(gè)方面，從而促使生命科學(xué)研究從當(dāng)前的經(jīng)驗(yàn)歸納為主向智能涌現(xiàn)躍遷，從當(dāng)前的實(shí)驗(yàn)試錯(cuò)向模型推演跨越，從小團(tuán)隊(duì)獨(dú)立探索向大平臺(tái)協(xié)同創(chuàng)新演進(jìn)

國(guó)內(nèi)外人工智能賦能生命科學(xué)的規(guī)劃與布局

面對(duì)這一歷史性機(jī)遇，全球主要科技強(qiáng)國(guó)均已將人工智能賦能生命科學(xué)（AI4LS）提升至國(guó)家戰(zhàn)略競(jìng)爭(zhēng)的高度，并形成了各具特色的布局路徑。

國(guó)外。美國(guó)采用“聯(lián)邦引導(dǎo)、市場(chǎng)主導(dǎo)、產(chǎn)學(xué)研協(xié)同”的立體化推進(jìn)策略，通過(guò)“國(guó)家人工智能倡議”（National Artificial Intelligence Initiative）等宏觀框架明確戰(zhàn)略方向，并由其國(guó)立衛(wèi)生研究院（NIH）和農(nóng)業(yè)部（USDA）等機(jī)構(gòu)制定具體實(shí)施方案；白宮在《贏得人工智能競(jìng)賽：美國(guó)人工智能行動(dòng)計(jì)劃》（Winning the Race: America’s AI Action Plan）中將生物數(shù)據(jù)列為國(guó)家戰(zhàn)略資產(chǎn)，投資自動(dòng)化云實(shí)驗(yàn)室并推動(dòng)所有生物全基因組測(cè)序項(xiàng)目，加速人工智能驅(qū)動(dòng)科學(xué)發(fā)現(xiàn)；NIH投資上億美元的“Bridge2AI”項(xiàng)目致力于整合分散的生物醫(yī)學(xué)數(shù)據(jù)資源，形成可用于深度學(xué)習(xí)的大規(guī)模數(shù)據(jù)集；USDA在《2023—2026年USDA科學(xué)與研究戰(zhàn)略：培育科學(xué)創(chuàng)新》（USDA Science and Research Strategy, 2023-2026: Cultivating Scientific Innovation）中，將人工智能育種與動(dòng)植物疫病預(yù)測(cè)列為重點(diǎn)研究方向，通過(guò)聯(lián)邦采購(gòu)與資助機(jī)制保障應(yīng)用場(chǎng)景的落地。歐盟《人工智能法案》（Artificial Intelligence Act）將健康領(lǐng)域人工智能劃定為高風(fēng)險(xiǎn)類(lèi)別，強(qiáng)制要求內(nèi)置隱私計(jì)算與可解釋性模塊，為技術(shù)應(yīng)用設(shè)定剛性合規(guī)邊界。德國(guó)在《人工智能行動(dòng)計(jì)劃》（AI Action Plan）中著重布局衛(wèi)生健康與神經(jīng)啟發(fā)式人工智能，設(shè)立“計(jì)算生命科學(xué)”專(zhuān)項(xiàng)，通過(guò)立法提升基因組數(shù)據(jù)可訪(fǎng)問(wèn)性，并成立人工智能創(chuàng)新與質(zhì)量中心建立測(cè)試標(biāo)準(zhǔn)。英國(guó)發(fā)布《人工智能賦能科學(xué)戰(zhàn)略》（AI for Science Strategy），將工程生物學(xué)、醫(yī)學(xué)研究等列為五大優(yōu)先領(lǐng)域。

國(guó)內(nèi)。通過(guò)《新一代人工智能發(fā)展規(guī)劃》等頂層設(shè)計(jì)，采取應(yīng)用牽引策略，加速構(gòu)建“政產(chǎn)學(xué)研用”一體化發(fā)展路徑，推動(dòng)人工智能賦能生命科學(xué)研究在高通量基因組解析、智能醫(yī)學(xué)影像等關(guān)鍵領(lǐng)域的快速落地；工業(yè)和信息化部等八部門(mén)聯(lián)合發(fā)布的《“人工智能+制造”專(zhuān)項(xiàng)行動(dòng)實(shí)施意見(jiàn)》強(qiáng)調(diào)，利用人工智能技術(shù)，挖掘和生成高性能生物元件、高效合成代謝通路以及高活性酶蛋白結(jié)構(gòu)，豐富基礎(chǔ)數(shù)據(jù)庫(kù)。科學(xué)技術(shù)部和國(guó)家自然科學(xué)基金委員會(huì)聯(lián)合啟動(dòng)人工智能驅(qū)動(dòng)的科學(xué)研究專(zhuān)項(xiàng)部署，重點(diǎn)圍繞基因研究、生物育種等領(lǐng)域加以布局。

人工智能賦能生命科學(xué)研究的進(jìn)展

在上述布局牽引下，人工智能賦能生命科學(xué)研究已在數(shù)據(jù)、算力、模型等方面具備一定的基礎(chǔ)。在數(shù)據(jù)方面，生命科學(xué)領(lǐng)域已積累起PB級(jí)乃至EB級(jí)的多模態(tài)、高維度數(shù)據(jù)，為人工智能大模型的訓(xùn)練提供了豐富語(yǔ)料。在算力方面，全球正加速構(gòu)建面向生命科學(xué)的超算中心與智能計(jì)算平臺(tái)，如美國(guó)阿貢國(guó)家實(shí)驗(yàn)室的Aurora超級(jí)計(jì)算系統(tǒng)等。在模型方面，國(guó)際上以AlphaFold、RoseTTAFold等為代表的蛋白質(zhì)預(yù)測(cè)模型，以O(shè)penCRISPR-1等為代表的基因編輯器模型，以Evo模型為代表基因組模型正取得突破；我國(guó)也在女?huà)z-生物分子結(jié)構(gòu)大模型、磐石·科學(xué)基礎(chǔ)大模型等模型上取得進(jìn)展。在此發(fā)展態(tài)勢(shì)下，人工智能正深度嵌入生命科學(xué)研究前沿應(yīng)用場(chǎng)景，推動(dòng)從“認(rèn)知生命”向“設(shè)計(jì)生命”的范式躍遷，并在模式生物數(shù)字模型、數(shù)字細(xì)胞、智能育種、生理病理大模型、健康狀態(tài)空間、腦機(jī)接口等領(lǐng)域取得突破，標(biāo)志著生命科學(xué)研究正從單點(diǎn)、描述性探索，邁向系統(tǒng)性、可預(yù)測(cè)、可設(shè)計(jì)的智能化新階段。

2

人工智能賦能生命科學(xué)的重大應(yīng)用場(chǎng)景

人工智能將全面系統(tǒng)地推進(jìn)生命科學(xué)基礎(chǔ)研究及應(yīng)用研究。為快速推進(jìn)“人工智能+生命科學(xué)”進(jìn)一步深度融合，也確保在核心場(chǎng)景上實(shí)現(xiàn)研究資源的高效配置與集中攻關(guān)，筆者用5個(gè)核心標(biāo)準(zhǔn)選擇近期人工智能賦能生命科學(xué)的重大應(yīng)用場(chǎng)景：戰(zhàn)略導(dǎo)向性（對(duì)接國(guó)民健康、糧食安全等國(guó)家戰(zhàn)略）、融合深度性（實(shí)現(xiàn)人工智能驅(qū)動(dòng)科學(xué)假說(shuō)與閉環(huán)驗(yàn)證，推動(dòng)研究范式變革）、技術(shù)可行性與可擴(kuò)展性（具備清晰的實(shí)施路徑、數(shù)據(jù)支撐、硬件支撐及跨物種泛化能力）、創(chuàng)新引領(lǐng)性（瞄準(zhǔn)世界前沿，催生新理論、新產(chǎn)業(yè)并主導(dǎo)國(guó)際標(biāo)準(zhǔn)），以及可持續(xù)性與倫理合規(guī)性（嚴(yán)守?cái)?shù)據(jù)隱私、生物安全與科研倫理）。基于此，篩選出以下代表性應(yīng)用場(chǎng)景——數(shù)字細(xì)胞、健康量化與精準(zhǔn)干預(yù)、精準(zhǔn)診療、數(shù)字免疫、病原微生物精準(zhǔn)預(yù)測(cè)、智能育種、腦機(jī)接口及數(shù)字生態(tài)等（圖2）。

圖2 人工智能賦能生命科學(xué)研究的重大應(yīng)用場(chǎng)景

數(shù)字細(xì)胞

細(xì)胞是生命的基本單元，解析其命運(yùn)決定機(jī)制是破譯生命本質(zhì)與攻克重大疾病的基石。人工智能驅(qū)動(dòng)的數(shù)字細(xì)胞（artificial intelligence-driven digital cell，AIDC）通過(guò)將海量多模態(tài)組學(xué)數(shù)據(jù)映射至統(tǒng)一潛空間，力求在硅基環(huán)境中精準(zhǔn)再現(xiàn)細(xì)胞的物理實(shí)體、分子語(yǔ)法與演化動(dòng)態(tài)。AIDC的目標(biāo)是跨越“靜態(tài)觀測(cè)”與“底層規(guī)律”的認(rèn)知鴻溝：在基礎(chǔ)研究維度，支持在高維空間內(nèi)展開(kāi)全景推演，智能篩選最優(yōu)演化路徑以反哺濕實(shí)驗(yàn)，構(gòu)建高效自動(dòng)化閉環(huán)；在轉(zhuǎn)化醫(yī)學(xué)維度，基于AIDC構(gòu)建患者專(zhuān)屬的“細(xì)胞孿生”，高精度模擬藥物靶點(diǎn)互作及脫靶效應(yīng)，打破新藥研發(fā)高耗低效困境，可為罕見(jiàn)病研究提供反事實(shí)推理；在生命工程化領(lǐng)域，通過(guò)發(fā)展AIDC，可以大幅提升生命系統(tǒng)的設(shè)計(jì)改造能力，從而為生物智造與合成生物學(xué)提供全新基座。

數(shù)字細(xì)胞（AIDC）的構(gòu)建已經(jīng)經(jīng)歷一系列技術(shù)演變。AIDC建模已逐漸由常微分方程等傳統(tǒng)白盒機(jī)制模型，躍遷至以Geneformer、GeneCompass、X-cell為代表的預(yù)訓(xùn)練大模型。這標(biāo)志著建模邏輯從“人工先驗(yàn)規(guī)則”向“算法自主解析生物語(yǔ)法”的深刻轉(zhuǎn)移，初步實(shí)現(xiàn)了跨組織、跨模態(tài)的零樣本預(yù)測(cè)與擾動(dòng)推演。

數(shù)字細(xì)胞未來(lái)的發(fā)展需要解決一系列難題。數(shù)據(jù)層面，批次效應(yīng)和高質(zhì)量時(shí)序擾動(dòng)數(shù)據(jù)的匱乏加劇了“數(shù)據(jù)孤島”的存在；算法層面，現(xiàn)有的“黑盒”模型缺乏生化物理約束，易衍生“生物幻覺(jué)”，難以實(shí)現(xiàn)分子至微環(huán)境的多尺度因果耦合。同時(shí)，組學(xué)數(shù)據(jù)隱私與未知病原體設(shè)計(jì)等風(fēng)險(xiǎn)，亦對(duì)科技倫理治理提出嚴(yán)峻考驗(yàn)。未來(lái)，AIDC需要深度融合新興計(jì)算范式，向宏觀、微觀“兩極”延展應(yīng)用場(chǎng)景，逐步建立標(biāo)準(zhǔn)化的治理體系。AIDC的發(fā)展不僅代表生命科學(xué)數(shù)智化轉(zhuǎn)型的前沿，而且將在未來(lái)10年內(nèi)深刻重塑生物醫(yī)學(xué)研究、新藥創(chuàng)制與臨床實(shí)踐的總體格局。

人工智能賦能健康量化與精準(zhǔn)干預(yù)

人工智能賦能健康量化及精準(zhǔn)干預(yù)側(cè)重于主動(dòng)塑造健康狀態(tài)、維持系統(tǒng)穩(wěn)態(tài)。該體系目標(biāo)是引領(lǐng)健康管理從被動(dòng)的疾病應(yīng)對(duì)模式向主動(dòng)的健康塑造模式轉(zhuǎn)變，其核心在于構(gòu)建以“健康狀態(tài)空間”為基礎(chǔ)的“量化—預(yù)測(cè)—干預(yù)”閉環(huán)科學(xué)體系。該體系將健康界定為生命系統(tǒng)在高維狀態(tài)空間中維持穩(wěn)態(tài)的能力，借助人工智能賦能，實(shí)現(xiàn)從群體經(jīng)驗(yàn)?zāi)Ｊ较騻€(gè)體精準(zhǔn)模式的躍遷，為全生命周期健康管理提供系統(tǒng)性解決方案。

在量化維度方面，人工智能賦能健康量化及精準(zhǔn)干預(yù)目標(biāo)突破了傳統(tǒng)離散指標(biāo)的局限。通過(guò)對(duì)常規(guī)體檢、連續(xù)生理監(jiān)測(cè)、多組學(xué)圖譜、行為模式和環(huán)境暴露等異構(gòu)數(shù)據(jù)進(jìn)行深度融合，運(yùn)用嵌入空間模型、網(wǎng)絡(luò)分析與動(dòng)力系統(tǒng)等理論，從海量信息中提取“代謝彈性”“免疫平衡”“神經(jīng)調(diào)節(jié)協(xié)調(diào)性”“器官協(xié)同”等反映系統(tǒng)穩(wěn)態(tài)能力的核心參量，繪制全景式、動(dòng)態(tài)化、個(gè)性化的健康圖譜，精準(zhǔn)標(biāo)定其在健康狀態(tài)空間中的實(shí)時(shí)坐標(biāo)與演化軌跡，為后續(xù)的預(yù)測(cè)與干預(yù)提供科學(xué)基準(zhǔn)。

人工智能賦能健康量化及精準(zhǔn)干預(yù)采用基于健康基線(xiàn)的早期預(yù)警和干預(yù)策略。具體來(lái)講，通過(guò)構(gòu)建群體健康基準(zhǔn)圖譜與個(gè)體化動(dòng)態(tài)基線(xiàn)，利用人工智能結(jié)合時(shí)間序列數(shù)據(jù)刻畫(huà)健康軌跡，并捕捉系統(tǒng)偏離健康“吸引子”的早期預(yù)警信號(hào)。結(jié)合復(fù)雜系統(tǒng)理論，人工智能能夠識(shí)別“臨界慢化”等標(biāo)志系統(tǒng)韌性下降、即將發(fā)生“相變”的預(yù)警特征，從而在器質(zhì)性病變發(fā)生之前，前瞻性地預(yù)警健康軌跡滑向疾病區(qū)域的臨界拐點(diǎn)，以贏得寶貴的干預(yù)時(shí)間窗口。

人工智能賦能健康精準(zhǔn)干預(yù)被形式化為健康狀態(tài)空間中的最優(yōu)控制問(wèn)題。其核心是將營(yíng)養(yǎng)、運(yùn)動(dòng)、心理及環(huán)境調(diào)節(jié)等手段參數(shù)化為一系列可計(jì)算的調(diào)控因子，在虛擬模型中進(jìn)行“先模擬、后實(shí)施”的策略推演與優(yōu)化。其目標(biāo)是生成個(gè)性化、多因子聯(lián)合的干預(yù)方案，系統(tǒng)性地引導(dǎo)個(gè)體健康軌跡向更優(yōu)的穩(wěn)態(tài)區(qū)域移動(dòng)，強(qiáng)化生命系統(tǒng)的整體穩(wěn)態(tài)維持能力。人工智能賦能的“量化—預(yù)測(cè)—干預(yù)”體系，標(biāo)志著健康管理從基于群體統(tǒng)計(jì)的經(jīng)驗(yàn)醫(yī)學(xué)轉(zhuǎn)向基于個(gè)體動(dòng)態(tài)數(shù)據(jù)的精準(zhǔn)科學(xué)，有望為實(shí)現(xiàn)全生命周期的主動(dòng)健康提供理論基礎(chǔ)與技術(shù)支撐。

人工智能賦能精準(zhǔn)診療

人工智能驅(qū)動(dòng)的精準(zhǔn)診療，本質(zhì)上是一種基于多維生命數(shù)據(jù)開(kāi)展深度解析的新醫(yī)學(xué)范式。它不再局限于傳統(tǒng)經(jīng)驗(yàn)診斷，而是通過(guò)融合基因組、轉(zhuǎn)錄組、醫(yī)學(xué)影像及臨床文本等跨模態(tài)數(shù)據(jù)，在分子水平上對(duì)患者進(jìn)行精確分層，將碎片化的生物醫(yī)療信息轉(zhuǎn)化為可計(jì)算的知識(shí)圖譜，為臨床決策提供超越人類(lèi)感官與經(jīng)驗(yàn)的客觀依據(jù)。

當(dāng)前，這一范式的落地已涌現(xiàn)出若干代表性場(chǎng)景。在腫瘤靶向治療領(lǐng)域，人工智能模型能夠整合基因突變圖譜、病理圖像及用藥史，預(yù)測(cè)最可能有效的藥物組合及耐藥出現(xiàn)時(shí)間。在慢病管理中，基于強(qiáng)化學(xué)習(xí)的動(dòng)態(tài)給藥策略正在糖尿病、高血壓等疾病中驗(yàn)證，實(shí)現(xiàn)用藥方案的個(gè)體化實(shí)時(shí)調(diào)整。更進(jìn)一步，醫(yī)療多模態(tài)大模型，如衍生自GPT（生成式預(yù)訓(xùn)練變換器）架構(gòu)的醫(yī)療專(zhuān)用模型，已嘗試將影像、病歷、文獻(xiàn)端到端融合，直接生成帶有推理路徑的診斷建議。這些進(jìn)展標(biāo)志著診療行為正從“通用型”向“定制化”質(zhì)變。

然而，精準(zhǔn)診療全面落地仍面臨三重瓶頸。

1.數(shù)據(jù)孤島問(wèn)題突出。醫(yī)療數(shù)據(jù)的強(qiáng)隱私屬性導(dǎo)致跨機(jī)構(gòu)聯(lián)合建模困難，罕見(jiàn)病及復(fù)雜病例的多中心研究受阻。

2.算法因果推理能力薄弱。現(xiàn)有模型在“一人多病”的高共病場(chǎng)景中魯棒性不足，決策可解釋性難以滿(mǎn)足醫(yī)學(xué)倫理對(duì)因果邏輯的要求。

3.基層算力與軟件支撐匱乏，優(yōu)質(zhì)模型集中于頂級(jí)醫(yī)院，普惠下沉受阻。

針對(duì)上述瓶頸，國(guó)內(nèi)已開(kāi)展系統(tǒng)性基礎(chǔ)布局。國(guó)家生物信息中心承擔(dān)國(guó)家生命健康數(shù)據(jù)中心先導(dǎo)項(xiàng)目，初步構(gòu)建了國(guó)家級(jí)人群隊(duì)列數(shù)據(jù)治理體系，覆蓋從基礎(chǔ)組學(xué)到臨床表型的全尺度數(shù)據(jù)。同時(shí)，面向病理識(shí)別、靶點(diǎn)篩選及預(yù)后評(píng)估的下游模型已進(jìn)入多中心臨床驗(yàn)證階段，為人工智能從科研工具向診療服務(wù)引擎的轉(zhuǎn)化積累了關(guān)鍵證據(jù)。

展望未來(lái)，精準(zhǔn)診療將向超高維度融合與全時(shí)序動(dòng)態(tài)推演深度演進(jìn)。一個(gè)明確的前沿方向是構(gòu)建個(gè)體化的“數(shù)字孿生”模型——整合時(shí)序病歷、可穿戴設(shè)備實(shí)時(shí)數(shù)據(jù)及環(huán)境信息，對(duì)疾病復(fù)發(fā)或惡化風(fēng)險(xiǎn)進(jìn)行前瞻性推演。目前，國(guó)際上已有團(tuán)隊(duì)在腫瘤術(shù)后復(fù)發(fā)預(yù)測(cè)中嘗試該技術(shù)，而國(guó)內(nèi)在心血管疾病領(lǐng)域的數(shù)字孿生也初步驗(yàn)證了可行性。在精準(zhǔn)診療方面，更具突破性的是風(fēng)險(xiǎn)-疾病復(fù)雜網(wǎng)絡(luò)建模：通過(guò)解析高血壓、肥胖、心衰等多因素的非線(xiàn)性交互，人工智能可為老年人共病患者輸出系統(tǒng)級(jí)診療方案，替代傳統(tǒng)的單科逐一處理模式。這一方向的發(fā)展及成熟將推動(dòng)醫(yī)療體系從“被動(dòng)響應(yīng)”轉(zhuǎn)向“主動(dòng)預(yù)見(jiàn)”，進(jìn)入全面智能化的新階段。

病原微生物鑒定與預(yù)警

精準(zhǔn)快速鑒定和預(yù)測(cè)病原微生物是維護(hù)生物安全的關(guān)鍵；其對(duì)于有效應(yīng)對(duì)新發(fā)突發(fā)傳染病、生物恐怖襲擊和生物入侵等重大生物安全挑戰(zhàn)具有至關(guān)重要的意義。病原微生物的發(fā)現(xiàn)和預(yù)測(cè)能力，由病原分離培養(yǎng)、分子檢測(cè)、基因組測(cè)序、高通量組學(xué)和人工智能等技術(shù)依次推動(dòng)形成，經(jīng)歷了由低通量、事件驅(qū)動(dòng)的被動(dòng)識(shí)別，到基于分子特征的主動(dòng)監(jiān)測(cè)，再到以海量序列數(shù)據(jù)和系統(tǒng)比較為基礎(chǔ)的系統(tǒng)監(jiān)測(cè)，當(dāng)前正在進(jìn)入以機(jī)器學(xué)習(xí)和大語(yǔ)言模型為支撐的智能化預(yù)測(cè)階段。

病原菌檢測(cè)與預(yù)警經(jīng)過(guò)一系列發(fā)展階段。不同發(fā)展階段病原菌檢測(cè)技術(shù)的差異不僅體現(xiàn)在檢測(cè)手段和數(shù)據(jù)規(guī)模的變化，更在于研究者對(duì)病原體風(fēng)險(xiǎn)的認(rèn)知范式逐步從“確證病原體是什么（What）”跨越至“推斷其起源、宿主范圍、致病潛力及未來(lái)演化趨勢(shì)（Where & How）”。傳統(tǒng)的病原微生物鑒定方法普遍存在檢測(cè)效率低、對(duì)未知病原體發(fā)現(xiàn)敏感性不足、風(fēng)險(xiǎn)預(yù)警準(zhǔn)確性有限等關(guān)鍵瓶頸。當(dāng)前，基于人工智能的病原微生物快速鑒定與預(yù)警體系，依托高質(zhì)量數(shù)據(jù)、異構(gòu)算力、自動(dòng)化實(shí)驗(yàn)平臺(tái)和可信治理體系，貫通病原鑒定、監(jiān)測(cè)預(yù)警和疫苗藥物設(shè)計(jì)優(yōu)化三大場(chǎng)景，形成從快速發(fā)現(xiàn)、精準(zhǔn)評(píng)估到研發(fā)提速的全鏈條智能體系，并推動(dòng)關(guān)鍵平臺(tái)、核心算法和基礎(chǔ)設(shè)施自主可控，夯實(shí)國(guó)家生物安全向國(guó)家安全延展的戰(zhàn)略技術(shù)底座。

從未來(lái)發(fā)展趨勢(shì)看，病原微生物人工智能正在從圍繞單一任務(wù)的模型應(yīng)用，轉(zhuǎn)向以數(shù)據(jù)、算力、機(jī)制、治理和應(yīng)用體系為支撐的綜合能力建設(shè)。下一階段重點(diǎn)是一方面提高模型參數(shù)規(guī)模和局部精度，另一方面形成可持續(xù)的數(shù)據(jù)底盤(pán)、可共享的協(xié)作機(jī)制、前置化的安全倫理要求、可負(fù)擔(dān)的算力與能源保障，并把基礎(chǔ)模型、生成式方法、多模態(tài)融合、因果機(jī)制建模、智能體協(xié)同和輕量化部署有效嵌入病原鑒定、監(jiān)測(cè)預(yù)警和疫苗藥物研發(fā)等關(guān)鍵環(huán)節(jié)。

智能育種

智能育種是以人工智能為核心驅(qū)動(dòng)力，通過(guò)整合基因組、表型組、環(huán)境等多維數(shù)據(jù)，構(gòu)建復(fù)雜性狀精準(zhǔn)預(yù)測(cè)模型，系統(tǒng)揭示遺傳調(diào)控網(wǎng)絡(luò)的新興技術(shù)。它如同“超級(jí)育種助手”，將育種從依賴(lài)經(jīng)驗(yàn)與試錯(cuò)的傳統(tǒng)模式，轉(zhuǎn)變?yōu)閿?shù)據(jù)驅(qū)動(dòng)的精準(zhǔn)設(shè)計(jì)范式，可系統(tǒng)性破解傳統(tǒng)育種效率低、周期長(zhǎng)、成功率低的瓶頸，大幅提升復(fù)雜性狀改良的精準(zhǔn)度，加速作物新品種培育，為應(yīng)對(duì)全球糧食安全與氣候變化提供戰(zhàn)略性技術(shù)支撐。

智能育種的發(fā)展高度依賴(lài)高通量、大規(guī)模表型數(shù)據(jù)的獲取。目前，高通量表型平臺(tái)快速發(fā)展，無(wú)人機(jī)遙感、機(jī)器視覺(jué)和傳感器網(wǎng)絡(luò)被用于連續(xù)監(jiān)測(cè)植株生長(zhǎng)狀態(tài)，實(shí)現(xiàn)田間動(dòng)態(tài)表型采集；機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型逐步應(yīng)用于性狀預(yù)測(cè)、候選基因挖掘及環(huán)境適應(yīng)性分析。我國(guó)已布局建設(shè)了一批作物種質(zhì)庫(kù)、表型組大設(shè)施，建立了多維度育種數(shù)據(jù)庫(kù)與數(shù)字化管理平臺(tái)，啟動(dòng)了農(nóng)業(yè)生物育種重大專(zhuān)項(xiàng)。通過(guò)龍頭企業(yè)與科研院所合作，已經(jīng)初步構(gòu)建了水稻、玉米、大豆等主要作物的基因組選擇模型與育種決策系統(tǒng)。然而，智能育種仍面臨多方面制約：

1.數(shù)據(jù)來(lái)源分散、標(biāo)準(zhǔn)不統(tǒng)一，高質(zhì)量表型數(shù)據(jù)積累不足，表型獲取受環(huán)境、設(shè)備和人為操作影響較大，制約模型訓(xùn)練精度；

2.復(fù)雜農(nóng)藝性狀多由多基因控制且受環(huán)境顯著調(diào)控，遺傳機(jī)制呈現(xiàn)高度非線(xiàn)性，現(xiàn)有模型在跨生態(tài)區(qū)域預(yù)測(cè)時(shí)穩(wěn)定性不足；

3.生物學(xué)、數(shù)據(jù)科學(xué)與工程技術(shù)之間仍存在技術(shù)壁壘，尚未形成協(xié)同的技術(shù)體系。

未來(lái)，智能育種將向預(yù)測(cè)精準(zhǔn)化、設(shè)計(jì)定制化與全流程智能化方向發(fā)展。合成生物學(xué)、基因編輯與人工智能的深度融合有望推動(dòng)育種從“優(yōu)中選優(yōu)”邁向“主動(dòng)設(shè)計(jì)”；多模態(tài)大模型的發(fā)展及應(yīng)用將進(jìn)一步提升基因功能與環(huán)境互作的解析能力。在此基礎(chǔ)上，智能育種將向更高層次的系統(tǒng)集成演進(jìn)：一方面，多組學(xué)數(shù)據(jù)、生態(tài)環(huán)境數(shù)據(jù)與管理數(shù)據(jù)深度融合，構(gòu)建面向育種全過(guò)程的數(shù)字孿生系統(tǒng)，實(shí)現(xiàn)虛擬預(yù)測(cè)與現(xiàn)實(shí)驗(yàn)證的協(xié)同推進(jìn)；另一方面，隨著算法可解釋性增強(qiáng)與共享平臺(tái)建設(shè)完善，跨區(qū)域、跨機(jī)構(gòu)的協(xié)同創(chuàng)新體系逐步形成，推動(dòng)現(xiàn)代種業(yè)向精準(zhǔn)化、高效化和智能化持續(xù)發(fā)展。

AI+腦機(jī)接口

腦機(jī)智能（“人工智能+腦機(jī)接口”）以人工智能算法為核心驅(qū)動(dòng)，建立大腦與外部設(shè)備之間的高效信息通路，從理解、翻譯、作用3個(gè)層面實(shí)現(xiàn)人工智能技術(shù)與腦機(jī)接口技術(shù)的緊密結(jié)合，以構(gòu)建更高效、更智能的人機(jī)交互和腦機(jī)協(xié)同。

在理解層面，人工智能技術(shù)與腦機(jī)接口結(jié)合的核心在于從原始神經(jīng)信號(hào)中提取穩(wěn)定、可泛化的神經(jīng)表示，從而克服傳統(tǒng)手工特征提取方法難以應(yīng)對(duì)腦信號(hào)的高噪聲、非穩(wěn)態(tài)、個(gè)體差異顯著等復(fù)雜特性。近年來(lái)，基于深度學(xué)習(xí)的模型（如CNN、Transformer等）逐漸被應(yīng)用于腦信號(hào)建模，通過(guò)自監(jiān)督預(yù)訓(xùn)練在大規(guī)模未標(biāo)注數(shù)據(jù)上學(xué)習(xí)通用表征，并通過(guò)遷移學(xué)習(xí)等技術(shù)提升模型在不同任務(wù)或個(gè)體間的泛化能力。

在翻譯層面，研究者將神經(jīng)表示進(jìn)一步解碼為具體的控制指令、語(yǔ)言?xún)?nèi)容或感知信息等。在運(yùn)動(dòng)康復(fù)與增強(qiáng)場(chǎng)景中，研究者將狀態(tài)空間模型（如卡爾曼濾波等）與神經(jīng)網(wǎng)絡(luò)相結(jié)合，實(shí)現(xiàn)對(duì)機(jī)械臂或光標(biāo)運(yùn)動(dòng)的連續(xù)控制，從而幫助運(yùn)動(dòng)功能障礙患者恢復(fù)手部功能；通過(guò)構(gòu)建結(jié)合神經(jīng)解碼模型與語(yǔ)言模型約束的解碼框架，可將腦信號(hào)轉(zhuǎn)化為手寫(xiě)文字或語(yǔ)音，為語(yǔ)言表達(dá)受限患者提供輔助溝通手段。在感知覺(jué)替代與恢復(fù)場(chǎng)景中，擴(kuò)散模型等生成式方法甚至可從腦活動(dòng)中重建感知內(nèi)容（如圖像、聲音等），從解碼側(cè)為后續(xù)實(shí)現(xiàn)患者視、聽(tīng)覺(jué)功能的重建打下基礎(chǔ)。在睡眠干預(yù)、情緒識(shí)別等場(chǎng)景中，腦電基座大模型能顯著提升泛化性能，實(shí)現(xiàn)新增用戶(hù)的快速適配與高性能解碼。

在作用層面，人工智能技術(shù)與腦機(jī)接口的結(jié)合聚焦于神經(jīng)調(diào)控與閉環(huán)干預(yù)。在帕金森病、癲癇、抑郁癥等重大腦疾病的治療中，應(yīng)用貝葉斯優(yōu)化（適用于小樣本、可解釋性強(qiáng)）、強(qiáng)化學(xué)習(xí)（用于閉環(huán)優(yōu)化刺激策略）等方法優(yōu)化電刺激參數(shù)，從而實(shí)現(xiàn)對(duì)神經(jīng)系統(tǒng)的個(gè)性化、自適應(yīng)的精準(zhǔn)調(diào)節(jié)。

未來(lái)，人工智能將持續(xù)推動(dòng)腦機(jī)接口向3個(gè)方向發(fā)展：

1.從任務(wù)特定模型走向神經(jīng)信號(hào)基礎(chǔ)模型，通過(guò)構(gòu)建大規(guī)模預(yù)訓(xùn)練模型，實(shí)現(xiàn)跨個(gè)體、跨任務(wù)、跨會(huì)話(huà)的通用解碼能力，顯著降低對(duì)標(biāo)注數(shù)據(jù)的依賴(lài)，提升系統(tǒng)泛化性與實(shí)用性；

2.從單向解碼走向雙向閉環(huán)系統(tǒng)，實(shí)現(xiàn)“感知—計(jì)算—調(diào)控”一體化，形成自適應(yīng)閉環(huán)調(diào)控架構(gòu)，尤其適用于重大腦疾病的動(dòng)態(tài)治療需求；

3.加強(qiáng)大模型與多模態(tài)人工智能的深度融合，結(jié)合語(yǔ)言、視覺(jué)、聽(tīng)覺(jué)等多模態(tài)信息，構(gòu)建更自然的人機(jī)交互。

數(shù)字生態(tài)

生態(tài)學(xué)研究宏觀生命系統(tǒng)的結(jié)構(gòu)、功能及其動(dòng)態(tài)變化，為人類(lèi)認(rèn)識(shí)、保護(hù)和利用自然提供科學(xué)基礎(chǔ)。作為生命科學(xué)的宏觀延伸，生態(tài)學(xué)能夠放大分子、細(xì)胞等微觀研究成果（如育種）落地應(yīng)用的效果，更是我國(guó)生態(tài)文明建設(shè)、重大生態(tài)工程實(shí)施的保障。

當(dāng)前，人工智能正以前所未有的廣度與深度重塑生態(tài)學(xué)的研究范式。例如，人工智能工具擅長(zhǎng)處理和分析海量的光學(xué)、聲學(xué)、環(huán)境DNA（eDNA）及氣體通量等野外數(shù)據(jù)，極大拓展了觀測(cè)和量化復(fù)雜生態(tài)現(xiàn)象的能力。針對(duì)生態(tài)數(shù)據(jù)稀疏的挑戰(zhàn)，知識(shí)和數(shù)據(jù)雙驅(qū)動(dòng)的新范式（如“知識(shí)引導(dǎo)的機(jī)器學(xué)習(xí)”）正嘗試將物理和生物學(xué)定律作為先驗(yàn)知識(shí)注入深度神經(jīng)網(wǎng)絡(luò)，以輸出物理一致性更強(qiáng)的預(yù)測(cè)，已在碳、水循環(huán)模擬等領(lǐng)域取得顯著成效。然而，人工智能賦能生態(tài)學(xué)也面臨著深刻挑戰(zhàn)。一方面，主流人工智能算法側(cè)重模式識(shí)別和預(yù)測(cè)精度，難以滿(mǎn)足生態(tài)學(xué)探求宏觀生命系統(tǒng)運(yùn)行、演化機(jī)制的核心訴求。另一方面，“數(shù)據(jù)孤島”、學(xué)科認(rèn)知壁壘，以及對(duì)極端環(huán)境擾動(dòng)等未知情境的泛化，均是亟待解決的難題。

人工智能與生態(tài)學(xué)深度協(xié)同的數(shù)字生態(tài)研究，需要致力于新理論發(fā)現(xiàn)和全鏈路智能應(yīng)用。利用科學(xué)機(jī)器學(xué)習(xí)（如符號(hào)回歸等）解析多模態(tài)與跨尺度異構(gòu)數(shù)據(jù)，揭示高維網(wǎng)絡(luò)的隱藏變量，從而發(fā)現(xiàn)復(fù)雜規(guī)律、生成新假設(shè)并提供機(jī)理性解釋?zhuān)纬尚吕碚摗Ｔ趹?yīng)用端，構(gòu)建跨尺度的孿生仿真系統(tǒng)，打造“數(shù)據(jù)融合—挖掘推理—仿真預(yù)演—決策控制”的全鏈路智能體系。例如，在數(shù)字農(nóng)田中充分預(yù)演“基因型×環(huán)境×管理”復(fù)雜交互的結(jié)果，通過(guò)精準(zhǔn)管理實(shí)現(xiàn)提質(zhì)增效；從植物工廠(chǎng)內(nèi)實(shí)現(xiàn)端到端的智能作業(yè)，到生物多樣性保護(hù)區(qū)的動(dòng)態(tài)規(guī)劃，乃至面向深空的“地外生命支持系統(tǒng)”提供封閉生態(tài)系統(tǒng)的自主調(diào)控方案，數(shù)字生態(tài)將成為人類(lèi)重塑可持續(xù)生存能力的核心路徑。

3

強(qiáng)化人工智能賦能生命科學(xué)研究的政策支撐，破解發(fā)展瓶頸

為系統(tǒng)應(yīng)對(duì)生命科學(xué)高維復(fù)雜性的挑戰(zhàn)，亟待加強(qiáng)數(shù)據(jù)資源、算法算力、應(yīng)用場(chǎng)景、組織保障、倫理安全等的建設(shè)，形成支撐人工智能賦能生命科學(xué)穩(wěn)健發(fā)展的支撐體系。

構(gòu)建“人工智能就緒”的高質(zhì)量數(shù)據(jù)基座，破解數(shù)據(jù)孤島與標(biāo)準(zhǔn)缺失難題

1

發(fā)起國(guó)家生命科學(xué)大數(shù)據(jù)計(jì)劃，構(gòu)建“人工智能就緒”（AI-Ready）的高質(zhì)量數(shù)據(jù)基座

實(shí)施國(guó)家主導(dǎo)的數(shù)據(jù)基建戰(zhàn)略，建設(shè)跨機(jī)構(gòu)、跨領(lǐng)域的AI-Ready高質(zhì)量數(shù)據(jù)集，重點(diǎn)涵蓋從分子到個(gè)體、從靜態(tài)到動(dòng)態(tài)的多尺度、時(shí)序性健康與疾病隊(duì)列數(shù)據(jù)。

2

建立統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)、元數(shù)據(jù)規(guī)范與安全共享機(jī)制

制定基因組、蛋白質(zhì)組、醫(yī)學(xué)影像、臨床文本、作物表型、穿戴設(shè)備時(shí)序數(shù)據(jù)等核心模態(tài)的采集、標(biāo)注、質(zhì)控的標(biāo)準(zhǔn)。

3

探索建立“可用不可見(jiàn)”數(shù)據(jù)流通模式

打通并破解醫(yī)院、高校、科研機(jī)構(gòu)與企業(yè)間的數(shù)據(jù)壁壘，為研發(fā)下一代生命科學(xué)基礎(chǔ)大模型提供堅(jiān)實(shí)、合規(guī)的數(shù)據(jù)底座。

突破算法與算力瓶頸，建立可信評(píng)測(cè)驅(qū)動(dòng)的創(chuàng)新體系

1

設(shè)立國(guó)家專(zhuān)項(xiàng)，進(jìn)一步開(kāi)發(fā)面向生命科學(xué)的大模型

發(fā)展強(qiáng)大的跨尺度泛化能力，能夠統(tǒng)一處理從基因序列、蛋白質(zhì)結(jié)構(gòu)到醫(yī)學(xué)影像、臨床文本等不同維度與模態(tài)的信息，實(shí)現(xiàn)生命信息的語(yǔ)義化融合；深度融合物理學(xué)、化學(xué)及生物學(xué)先驗(yàn)知識(shí)，將科學(xué)規(guī)律作為約束嵌入模型訓(xùn)練，確保預(yù)測(cè)結(jié)果符合客觀規(guī)律，并提升模型的可解釋性，突破“黑箱”局限。

2

統(tǒng)籌建設(shè)國(guó)家級(jí)人工智能生命科學(xué)超級(jí)計(jì)算中心

強(qiáng)化國(guó)產(chǎn)先進(jìn)計(jì)算芯片與主流深度學(xué)習(xí)框架的深度適配與性能優(yōu)化，為大規(guī)模模型訓(xùn)練提供自主可控的算力基座。

3

構(gòu)建適用于生命科學(xué)領(lǐng)域的人工智能工具準(zhǔn)確性評(píng)測(cè)與安全性驗(yàn)證體系

設(shè)立第三方評(píng)測(cè)平臺(tái)，構(gòu)建關(guān)鍵性能的多維認(rèn)證指標(biāo)。同步部署性能持續(xù)監(jiān)測(cè)機(jī)制，推動(dòng)人工智能工具的準(zhǔn)確性與安全性作為進(jìn)入科研與臨床核心流程的準(zhǔn)入門(mén)檻，為后續(xù)監(jiān)管審批提供科學(xué)依據(jù)。

牽引重大應(yīng)用場(chǎng)景落地，驅(qū)動(dòng)技術(shù)迭代與生態(tài)聚合

1

實(shí)施人工智能驅(qū)動(dòng)的多領(lǐng)域應(yīng)用示范工程，以目標(biāo)倒逼技術(shù)集成

聚焦人工智能在微生物、動(dòng)物、植物、生態(tài)等領(lǐng)域的應(yīng)用場(chǎng)景，部署場(chǎng)景驅(qū)動(dòng)的國(guó)家級(jí)應(yīng)用示范工程，實(shí)行“揭榜掛帥”與滾動(dòng)支持機(jī)制，以明確的科學(xué)目標(biāo)倒逼技術(shù)集成。

2

發(fā)展基于多尺度、多模態(tài)數(shù)據(jù)構(gòu)建動(dòng)態(tài)、具有因果推理關(guān)系的大模型的理論框架，全面支撐重大場(chǎng)景應(yīng)用

發(fā)展全新理論框架，攻克跨尺度、多模態(tài)數(shù)據(jù)融合瓶頸，構(gòu)建具有動(dòng)態(tài)、因果推理能力的大模型等共性瓶頸，建設(shè)可復(fù)用、可演進(jìn)的使能技術(shù)平臺(tái)，加速?gòu)墓铝⑼黄频较到y(tǒng)能力形成的轉(zhuǎn)變；利用建立的新理論框架，圍繞數(shù)字細(xì)胞、健康量化與精準(zhǔn)干預(yù)、精準(zhǔn)診療、數(shù)字免疫、病原微生物精準(zhǔn)預(yù)測(cè)、智能育種、腦機(jī)接口及數(shù)字生態(tài)等重點(diǎn)方向與代表性應(yīng)用場(chǎng)景，推動(dòng)大模型在各領(lǐng)域的應(yīng)用落地。

強(qiáng)化系統(tǒng)性組織保障，適應(yīng)深度融合的跨學(xué)科特性

1

加強(qiáng)人工智能賦能生命科學(xué)的多元投入

對(duì)重點(diǎn)技術(shù)與場(chǎng)景給予長(zhǎng)期穩(wěn)定支持，引導(dǎo)社會(huì)資本投向早期高風(fēng)險(xiǎn)交叉創(chuàng)新項(xiàng)目，形成政府投入與市場(chǎng)融資互補(bǔ)的資金保障體系。布局建設(shè)高通量“干濕閉環(huán)”智能實(shí)驗(yàn)平臺(tái)、多模態(tài)生物數(shù)據(jù)庫(kù)等核心基礎(chǔ)設(shè)施，面向科研機(jī)構(gòu)與企業(yè)開(kāi)放共享，降低創(chuàng)新門(mén)檻。

2

構(gòu)建適應(yīng)人工智能賦能發(fā)展的監(jiān)管與知識(shí)產(chǎn)權(quán)體系

加快出臺(tái)適配技術(shù)快速迭代趨勢(shì)的法規(guī)細(xì)則，為人工智能驅(qū)動(dòng)的技術(shù)研發(fā)與應(yīng)用設(shè)立靈活高效的審評(píng)審批通道。強(qiáng)化知識(shí)產(chǎn)權(quán)保護(hù)，重點(diǎn)完善針對(duì)算法模型、生物元件等創(chuàng)新對(duì)象的專(zhuān)利與商業(yè)秘密保護(hù)規(guī)則。

3

布局人工智能與生命科學(xué)交叉學(xué)科，建立面向全球的引才引智與長(zhǎng)期人才培養(yǎng)機(jī)制

支持高校布局人工智能與生命科學(xué)交叉學(xué)科方向，擴(kuò)大專(zhuān)項(xiàng)人才培養(yǎng)規(guī)模，建立面向全球的引才引智機(jī)制，為領(lǐng)域長(zhǎng)期發(fā)展儲(chǔ)備復(fù)合型領(lǐng)軍人才。設(shè)立交叉學(xué)科人才評(píng)價(jià)通道，重點(diǎn)考察人才解決復(fù)雜科學(xué)問(wèn)題的實(shí)際貢獻(xiàn)與協(xié)同創(chuàng)新能力。

構(gòu)建前瞻性倫理與安全治理框架，筑牢創(chuàng)新發(fā)展的安全底線(xiàn)

1

加快完善倫理與安全相關(guān)法規(guī)與標(biāo)準(zhǔn)體系，填補(bǔ)現(xiàn)行監(jiān)管框架的結(jié)構(gòu)性空白

在國(guó)家層面出臺(tái)AI4LS倫理與安全分類(lèi)分級(jí)管理指南，明確“紅線(xiàn)”與“黃線(xiàn)”風(fēng)險(xiǎn)閾值，建立覆蓋模型訓(xùn)練數(shù)據(jù)篩查、輸出內(nèi)容管控、用途追溯的全流程責(zé)任機(jī)制，推動(dòng)安全設(shè)計(jì)理念嵌入人工智能系統(tǒng)研發(fā)的全過(guò)程。

2

建立國(guó)家級(jí)AI4LS倫理與安全評(píng)測(cè)與監(jiān)測(cè)平臺(tái)，系統(tǒng)開(kāi)展前沿模型的風(fēng)險(xiǎn)評(píng)估與紅隊(duì)測(cè)試

面對(duì)開(kāi)源模型能力擴(kuò)散的現(xiàn)實(shí)挑戰(zhàn)，構(gòu)建“最壞情況”風(fēng)險(xiǎn)預(yù)判機(jī)制，指導(dǎo)開(kāi)源策略與防護(hù)措施設(shè)計(jì)。

3

積極參與全球人工智能應(yīng)用的治理規(guī)范與相關(guān)指南的制定，推動(dòng)構(gòu)建人類(lèi)命運(yùn)共同體理念下的治理框架

通過(guò)多邊平臺(tái)加強(qiáng)科技外交，提升我國(guó)在人工智能倫理與安全治理領(lǐng)域的話(huà)語(yǔ)權(quán)。

作者簡(jiǎn)介

朱新廣中國(guó)科學(xué)院分子植物科學(xué)卓越創(chuàng)新中心研究員。研究領(lǐng)域：光合作用、數(shù)字植物、C4改造、作物育種、植物工廠(chǎng)蛋白替代。

韓 斌中國(guó)科學(xué)院院士。中國(guó)科學(xué)院分子植物科學(xué)卓越創(chuàng)新中心研究員。研究領(lǐng)域：水稻基因組學(xué)、群體遺傳學(xué)、水稻全基因組關(guān)聯(lián)分析及栽培稻的起源和馴化。

文章來(lái)源

朱新廣, 鮑一明, 金哲儂, 等. 人工智能賦能生命科學(xué)研究范式變革、應(yīng)用場(chǎng)景及發(fā)展布局. 中國(guó)科學(xué)院院刊, 2026, 41(6): 1127-1138.

DOI: 10.3724/j.issn.1000-3045.20260419001.

本刊發(fā)表的所有文章，除另有說(shuō)明外，文責(zé)自負(fù)，不代表本刊觀點(diǎn)。