人工智能賦能科學研究：內涵、特征與體系

陳凱華1,2李赫揚1,2 劉泓欣1,2 趙彬彬2 楊碩1,2*

1 中國科學院大學 公共政策與管理學院

2 中國科學院大學 國家前沿科技融合創(chuàng)新研究中心

人工智能正在深刻改變科學研究的基本內涵，重塑其知識生產方式和組織運行方式，推動形成人工智能賦能科學研究的新型科研范式，并加速全鏈條創(chuàng)新范式變革。文章從賦能應用、工具方法和認識知識3個維度，界定人工智能賦能科學研究的基本內涵，提煉其人機共生、自主演化、交叉融合、資源密集與開放生態(tài)5個核心特征，并構建涵蓋基礎設施、數據資源、模型工具、任務執(zhí)行和應用場景等層次的支撐體系與架構。在此基礎上，結合我國現實情況與戰(zhàn)略需求，進一步提出夯實智能化科研基礎設施底座、構建高質量科學數據供給體系、打造可信智能科研工具與開源協(xié)作生態(tài)、建立人機協(xié)同的智能科研執(zhí)行體系、強化重大場景牽引與敏捷安全治理、推進適應智能化的科研組織模式變革等策略，為人工智能賦能科學研究實踐提供理論與政策參考。

人工智能正以前所未有的深度和廣度重塑科學研究的底層邏輯，成為驅動前沿發(fā)現與科研范式躍遷的核心引擎。科學研究歷經經驗、理論、計算到數據密集型的范式變遷，當前正邁向人工智能賦能科學研究新范式，引發(fā)知識生產與科研體系的系統(tǒng)性重塑。面對這一變革，全球主要科技強國正密集升級戰(zhàn)略部署，加速探索新型科研創(chuàng)新體系的建設與管理模式。例如，美國于2025年底啟動“創(chuàng)世紀計劃”（Genesis Mission），以體系化方式推進人工智能賦能科學研究，歐盟、英國和日本亦相繼出臺相關戰(zhàn)略，開展類似部署。為順應這一全球趨勢，我國也持續(xù)強化戰(zhàn)略引導和優(yōu)化頂層部署。2025年4月，習近平總書記在主持二十屆中共中央政治局第二十次集體學習時強調，“以人工智能引領科研范式變革，加速各領域科技創(chuàng)新突破”，彰顯了人工智能在推動科研范式變革和提升科技創(chuàng)新能力中的戰(zhàn)略性、基礎性作用；2025年8月26日印發(fā)的《國務院關于深入實施“人工智能+”行動的意見》，把“人工智能+”科學技術作為第一重點行動，并提出“加快探索人工智能驅動的新型科研范式”；2025年10月23日，中國共產黨第二十屆中央委員會第四次全體會議通過的《中共中央關于制定國民經濟和社會發(fā)展第十五個五年規(guī)劃的建議》再次強調“以人工智能引領科研范式變革”。為有效支撐這一系列戰(zhàn)略引導和頂層設計，迫切需要系統(tǒng)把握人工智能賦能科學研究基本內涵、核心特征和支撐體系，進一步明確我國推進人工智能賦能科學研究的戰(zhàn)略著力點和組織實施路徑。

人工智能正從單點應用加速向全流程、全學科嵌入，在假設生成、實驗優(yōu)化、數據分析、模擬預測等科研環(huán)節(jié)中展現出顯著賦能效應，正在重塑知識創(chuàng)新體系，帶動國家創(chuàng)新體系變革。這表明人工智能賦能科學研究已經超出一般意義上的工具升級，正在推動科研活動由分散式、經驗式和局部優(yōu)化式運行，轉向更加智能化、協(xié)同化和體系化的新形態(tài)，其影響正從單一研究環(huán)節(jié)向貫通科學發(fā)現、技術突破與應用轉化的全鏈條延伸。面對這一系統(tǒng)性的范式變革，國內外圍繞人工智能賦能科學研究展開了多方探討，包括科研范式演進的歷史定位、科學設施與平臺條件的支撐基礎，以及具體領域中的適用邊界與賦能效應等。然而，已有討論多聚焦于局部或單一技術視角，尚未形成對人工智能賦能科學研究的統(tǒng)一認知框架，致使其內涵邊界、關鍵特征與支撐條件仍缺乏系統(tǒng)闡釋，難以為科研組織重構、資源統(tǒng)籌配置與國家層面的戰(zhàn)略布局提供有力支撐。

面對人工智能賦能科學研究從局部應用走向系統(tǒng)變革的發(fā)展態(tài)勢，迫切需要對人工智能賦能科學研究進行系統(tǒng)性的理論重構與體系謀劃。具體而言，亟待從賦能應用、工具方法和認識知識3個維度，剖析人工智能賦能科學研究的內涵，并提煉其核心特征；同時，前瞻性地構筑支撐這一新范式高效運行的體系架構，并提出破解現實瓶頸、推動其健康有序發(fā)展的推進策略。

1

人工智能賦能科學研究的內涵

人工智能賦能科學研究并不是單純提高計算速度或擴大數據規(guī)模，而是通過算法、數據、模型、平臺與智能體等新要素的引入，改變科學研究的運行邏輯、認知過程和知識生產條件。從變革邏輯看，人工智能賦能科學研究并非單一工具應用的延伸，而是涉及科學研究能力、問題求解方式和知識生產邏輯的系統(tǒng)性變化。首先，人工智能持續(xù)嵌入不同學科場景，拓展了科學研究的應用邊界和能力空間；其次，人工智能作為新型研究工具、方法平臺和任務執(zhí)行系統(tǒng)，正在改變科研問題的表征、建模、求解和驗證方式；隨著人工智能進一步發(fā)展，還可能影響知識發(fā)現方式、科學理解模式和科學解釋邏輯，推動科研活動從經驗驅動、理論驅動和數據驅動向模型驅動與智能增強相結合的方向演進。綜合現有表現及未來潛在趨勢，本文提出從賦能應用、工具方法和認識知識3個相互關聯(lián)的維度把握其內涵。其中，賦能應用論聚焦人工智能作為通用賦能技術對科研能力邊界的擴展，工具方法論關注其從工具到方法再到平臺的遞進式演化對科研流程的重塑，認識知識論則從更深層次揭示其對知識生產主體結構和科學認知方式的變革意義。3個維度之間存在遞進與互構的邏輯關系：賦能應用論回答的是人工智能能夠為科學研究提供何種能力支撐，是對賦能事實的確認，構成分析的經驗起點；工具方法論進一步追問人工智能以何種方式改變科學研究的運行過程，從效率工具到流程重構再到平臺化轉型，揭示賦能得以實現的方法機制；認識知識論則在前兩者基礎上追問人工智能在何種意義上改變了科學認識本身，觸及知識生產主體、認知路徑和理論建構方式的深層變革。三者構成從能力擴展到方法重塑再到認知變革的遞進鏈條。同時，三者又相互支撐：賦能應用的廣度為工具方法的演化提供需求牽引，工具方法的成熟為認識知識論層面的變革創(chuàng)造技術條件，而認識知識論層面的反思又重新界定賦能的邊界與方向。3個維度在人工智能賦能科學研究的不同發(fā)展階段側重有所不同：在早期階段，賦能應用論和工具方法論的作用更為顯著，人工智能主要以效率工具和方法平臺的形式嵌入科研過程；而隨著科研智能體的發(fā)展和人機協(xié)作的深化，認識知識論所揭示的知識生產主體變革和認知方式轉變才逐步凸顯。三者協(xié)同推動科學研究從單點突破走向系統(tǒng)耦合（圖1）。

圖1 人工智能賦能科學研究的賦能應用論、工具方法論和認識知識論框架

賦能應用論

賦能應用論強調，人工智能首先表現為一種具有廣泛遷移性和擴展性的通用賦能技術，其賦能作用不僅體現為效率提升，更體現為研究能力邊界的擴展和研究問題空間的重塑。與傳統(tǒng)科研工具通常依附于特定學科或實驗場景不同，人工智能依托算法學習、模型遷移和跨模態(tài)處理能力，可以在自然科學、工程科學與人文社會科學等領域中形成具有共性的底層能力支撐。因此，人工智能賦能科學研究的首要表現，不在于某一項具體算法被用于某一類任務，而在于其作為一種通用能力，持續(xù)嵌入不同學科的問題求解過程，改變研究對象的表征方式、數據處理方式和路徑選擇方式。

從實踐上看，人工智能的賦能作用已不局限于某一學科內部的效率提高，而是在不同學科之間形成了方法貫通和問題聯(lián)動的新格局。蛋白質結構預測、材料逆向設計、氣象預測和高能物理數據分析等都表明，人工智能并非停留于技術疊加層面，而是在推動不同學科形成新的研究方向和新的問題組織方式。這種賦能不僅改變了既有學科的研究方式，更通過與各學科的交叉融合，孕育產生了新的研究領域和新的學科方向，構成“人工智能+學科”的新范疇。與此同時，面向不同學科的全流程智能化探索也在加速推進。例如，中國科學技術大學研發(fā)的機器化學家系統(tǒng)已實現從文獻挖掘、配方設計到自主實驗驗證的閉環(huán)自動化；中國科學院推出的“磐石·科學基礎大模型”則面向多學科場景提供通用科研智能底座。此外，人工智能也加強了科學發(fā)現、技術驗證和場景轉化之間的聯(lián)動，使科研活動更多嵌入面向應用的創(chuàng)新鏈條之中。賦能應用論揭示了人工智能賦能科學研究的現實起點，即通過跨領域嵌入和廣泛擴散，推動形成以人工智能為底座的新型研究形態(tài)。

工具方法論

工具方法論強調，人工智能不僅是科研過程中的新工具，更是在快速演化為新的研究平臺和新的問題求解方法。人工智能具有學習、推斷、生成和優(yōu)化等復合能力，因而能夠同時在文獻處理、數據解析、模擬預測、假設生成、實驗設計和過程控制等多個環(huán)節(jié)中發(fā)揮作用。隨著開源模型、通用算法框架和自動化實驗平臺的發(fā)展，人工智能的角色正在由輔助性工具擴展為方法體系和科研平臺的重要組成部分。工具方法論揭示了人工智能從工具到方法再到平臺的3個遞進層次。

第一層次：工具化提效。面對海量、多模態(tài)和高維數據，傳統(tǒng)依賴人工清洗和規(guī)則建模的方法已難以適應快速增長的分析需求，而人工智能通過表征學習、模式識別和代理建模等方式，可以壓縮從數據采集到結果輸出的時間成本，并提高復雜任務中的識別精度和預測能力。

第二層次：方法化重構。人工智能正在重構科學研究的方法流程，使傳統(tǒng)的“假設—實驗—驗證”線性過程逐步轉變?yōu)椤皵祿Ｐ汀獙嶒灐答仭毕嗷デ短椎膭討B(tài)閉環(huán)，促進研究過程由經驗驅動轉向數據和模型協(xié)同驅動。

第三層次：平臺化轉型。統(tǒng)一的算法庫、標準化的數據接口和可復用的預訓練模型，降低了方法獲取與應用門檻，提高了跨機構、跨學科協(xié)作的可能性。在這一過程中，人工智能的角色也在發(fā)生轉變，從輔助科學家的工具，逐步演化為科研活動的合作伙伴，并在特定任務中承擔部分替代性功能。

更進一步看，工具方法論所揭示的工具化提效、方法化重構和平臺化轉型，不僅作用于科學研究環(huán)節(jié)本身，也正在向技術創(chuàng)新和場景應用延伸，成為支撐全鏈條創(chuàng)新范式變革的方法基礎。

認識知識論

認識知識論強調，人工智能賦能科學研究的更深層意義，在于它正在改變知識發(fā)現、知識組織和知識驗證的條件，進而重塑科學認識活動。人工智能的發(fā)展使知識生產不再僅僅依賴個體科學家的經驗積累和分析能力，而越來越依賴由人類科學家、數據資源、模型系統(tǒng)和科研平臺共同構成的復合認知系統(tǒng)。

1

人工智能顯著擴展了科學研究的認知邊界

對于高維、非線性和跨尺度的復雜問題，人工智能可以在更大范圍內進行模式搜索、變量關聯(lián)和候選機制識別，從而幫助研究者突破經驗判斷和局部最優(yōu)路徑的限制。

2

人工智能正在改變知識生產的主體結構

隨著其在知識抽取、結果推斷、實驗優(yōu)化和內容生成等方面能力的提升，知識生產逐漸從單一主體轉向復合主體：人類科學家負責問題提出、價值目標設定和結果解釋，人工智能系統(tǒng)則承擔大規(guī)模知識組織、模式發(fā)現和部分實驗控制等任務。尤其是隨著科研智能體的發(fā)展，人工智能已不僅僅是被動響應指令的分析工具，而是能夠自主規(guī)劃研究路徑、調度實驗資源并生成研究報告的主動參與者，知識生產的主體邊界由此進一步拓展。

3

人工智能引發(fā)了科學認知方式的深層轉變

傳統(tǒng)科研強調“理解后預測”，即先建立因果機制理論，再據此進行預測。而在人工智能賦能科學研究的部分場景中階段性地出現了“預測先于理解”的現象，即模型可以在理論解釋尚不完整的情況下給出較高精度預測。相關研究指出，人工智能的科學價值不僅取決于其預測精度，也取決于其能否進入因果解釋、機制揭示和理論理解的過程。

認識知識論并不意味著人工智能將取代科學家，而是揭示了一場知識生產方式的深刻變革——人工智能與科學家將協(xié)同構成新的認知系統(tǒng)，顯著改變人類發(fā)現、產生和運用知識的能力與方法，并推動科學知識體系的重組與更新。

賦能應用論、工具方法論和認識知識論分別從能力擴展、方法重構和知識生產變革3個層面，共同構成理解人工智能賦能科學研究的基本框架，也為歸納其結構性特征奠定了基礎。

2

人工智能賦能科學研究的核心特征

隨著人工智能賦能科學研究的內涵不斷豐富和拓展，這一新科研范式也呈現出一系列區(qū)別于傳統(tǒng)范式的系統(tǒng)性與結構性特征。其形成既根植于科研能力、方法和認知方式的變革，也與科研組織模式的重塑密切相關。中國科學院大學國家前沿科技融合創(chuàng)新研究中心在支撐中國科學院相關戰(zhàn)略研究過程中，系統(tǒng)梳理了科研組織模式的演變趨勢，歸納出6個方面的轉變：從自由式到建制化（工程化），從單學科到跨學科（融合化），從封閉式到開放式（協(xié)同式），從手工式到自動化（人機互動），從“小作坊”到集成化（平臺化），從非標化到程序化（流程化）。這些轉變相互關聯(lián)、彼此支撐，共同勾勒出人工智能時代科研組織模式變革的基本方向。它們并非各自獨立，而是可以沿研究主體、運行機制、知識組織、資源條件和生態(tài)模式5條主線加以歸納，由此提煉出5個最具代表性的核心特征：人機共生、自主演化、交叉融合、資源密集和開放生態(tài)。

人機共生性

人機共生性強調人工智能賦能科學研究過程中人類智慧與機器智能的深度耦合與功能互補，體現了科研體系主體結構與協(xié)作方式等的轉變。基于社會物理信息系統(tǒng)視角，人工智能的介入正推動科研體系由以人類研究者為中心、人與物理實驗環(huán)境互動的人—物二元系統(tǒng)，轉向人、機、物多主體協(xié)同的平行智能模式。人工智能系統(tǒng)正從傳統(tǒng)意義上被動執(zhí)行指令的工具，逐漸成為科研體系中推動研究設計、假設生成與實驗路徑探索的核心要素，其憑借自身感知智能、認知智能、決策智能和生成式智能等多層次能力，承擔包括數據處理、知識推理、實驗優(yōu)化和假設構建等越來越多的任務。這種變化并不意味著人類科學家被簡單替代，而是體現了人工智能與人類科學家之間優(yōu)勢互補、相互促進的協(xié)同關系，科研活動主體正從“以人為主”向“人機共生”演變。

在該過程中，人類科學家在定義科學問題、提供領域知識、設定價值目標和進行倫理判斷等方面具有不可替代性。人工智能的優(yōu)勢則主要體現為大規(guī)模知識整合、復雜模式識別、跨域推理生成和動態(tài)優(yōu)化。人與機器并非簡單的共存關系，而是圍繞科學問題形成了高度依賴、優(yōu)勢互補、協(xié)同演進的共生關系。這一共生關系的效能高度依賴于人機協(xié)同機制的設計，包括人機交互界面的友好性、任務分配的適配性和協(xié)同決策過程的透明性。例如，在生命科學研究中，人工智能可以依托高通量算法完成潛在靶點篩選和藥物分子建模，科研人員則結合理論推理與臨床經驗對結果進行甄別驗證并推動應用轉化，由此實現理論探索與實踐創(chuàng)新的融合。

自主演化性

自主演化性體現為人工智能賦能科學研究具有持續(xù)學習、快速迭代和動態(tài)優(yōu)化的內在機制，其底層支撐在于人工智能的自動化執(zhí)行能力與反饋驅動的優(yōu)化機制。這一特征推動科研體系從外部控制邏輯向內部演化邏輯轉變，從依賴人工干預轉向在人類指令下自主執(zhí)行。傳統(tǒng)科研活動大多依賴人工設計和階段性推進，而人工智能的強化學習機制和智能體技術使科學研究多個環(huán)節(jié)的自動化成為可能，科研流程由此從預設步驟的順序執(zhí)行，轉向數據反饋驅動的動態(tài)迭代，研究假設、實驗方案和模型參數在閉環(huán)中持續(xù)調整優(yōu)化。

具體來說，該特征首先表現為研究循環(huán)的顯著壓縮。數據處理、模擬篩選和實驗反饋之間可以更緊密地聯(lián)動，從而縮短科研周期，提高試錯效率。其次，科研任務組織形式也在變化，單一模型正逐步演化為由多個模塊、多個智能體和多個平臺構成的協(xié)同系統(tǒng)。例如，基于大語言模型構建的虛擬實驗室平臺，已經能夠在“首席科學家智能體”的協(xié)調下，組建由多個專家智能體構成的虛擬科研團隊，實現從假設生成到實驗驗證的高度自動化。這表明，人工智能系統(tǒng)已開始在特定場景中獨立完成從假設提出、實驗執(zhí)行到結果分析的完整科研閉環(huán)，標志著自主演化正從單環(huán)節(jié)自動化向全流程自主決策方向延伸。同時，算法模型隨著新數據的流入持續(xù)更新優(yōu)化，研究問題與方法隨著新發(fā)現而靈活調整，科學研究呈現出快速迭代、反饋驅動的演化過程。需要強調的是，當前的自主演化仍然是在人類設定的目標函數、約束條件和評價標準下的有限自主演化，而非完全脫離人類監(jiān)督的自由演化。

交叉融合性

交叉融合性體現為人工智能賦能科學研究所具有的跨知識方法、資源和主體關系的重組特征。人工智能本身為數學、統(tǒng)計學、計算機科學和各領域知識交叉作用的產物，其進入科研過程之后，進一步加速了不同學科之間的知識流動和方法遷移，也推動科研活動突破傳統(tǒng)學科邊界、組織邊界和產學研邊界。對于許多傳統(tǒng)上分屬于不同學科的問題，在人工智能框架下可以被轉化為相近的數據建模、特征學習或優(yōu)化求解問題，從而獲得統(tǒng)一分析的可能。作為通用性技術平臺，人工智能不僅為不同學科提供了相對通用的算法工具和分析框架，也為創(chuàng)新鏈與產業(yè)鏈之間的數據共享、模型共建和任務協(xié)同提供了支撐。在此基礎上，跨學科、跨主體、跨領域協(xié)作機制加快形成，推動科學研究由相對分割的學科和組織體系轉向更加融合協(xié)同的知識生產模式。

這一特征在復雜科學問題研究中表現得尤為突出。當前前沿科學問題越來越具有多尺度、多變量和多機制耦合的特點，單一學科方法及單一類型主體往往難以獨立完成求解。人工智能通過統(tǒng)一的數據表示、通用模型架構和跨場景遷移能力，增強了不同領域不同主體之間協(xié)同研究的可能性，推動知識組織方式從學科分立轉向問題導向，并在學科交叉地帶催生新的研究方向和學科生長點。

資源密集性

資源密集性體現為人工智能賦能科學研究對數據資源、技術資源、基礎設施資源、人才資源等多元要素的高度依賴，強調該范式有效運行需要重要的物質條件。尤其是在構建科學基礎模型、處理海量實驗數據和開展復雜系統(tǒng)模擬時，資源供給能力往往直接決定研究活動的廣度、深度和效率。

具體而言，數據密集體現為人工智能方法的有效運行高度依賴高質量、大規(guī)模、多模態(tài)的科學數據供給；技術密集體現為先進算法、科學基礎模型和科研軟件工具鏈成為新的核心科研資源；基礎設施密集體現為強大算力、自動化實驗平臺和高速網絡構成不可或缺的底層支撐。資源密集性不僅體現為硬件和算力投入，還體現為高質量數據治理、科研支持能力和復合型人才供給的系統(tǒng)投入。人工智能賦能基礎研究已經越來越依賴設施、數據和算法之間的系統(tǒng)耦合。因此，人工智能賦能科學研究不僅是方法問題，也是科研條件和制度安排問題。

開放生態(tài)性

開放生態(tài)性體現為人工智能賦能科學研究更依賴開放共享、平臺協(xié)同和多主體共建的科研環(huán)境。與傳統(tǒng)科研活動中相對封閉的團隊式運行不同，人工智能時代的科研能力越來越多地建立在開源模型、開放數據、共享平臺和協(xié)同網絡的基礎上。模型社區(qū)、數據平臺、代碼倉庫和科研云設施，正在共同構成新的科研生態(tài)基礎。

這一特征的形成可歸因于技術、資源和組織的多重因素。從技術上看，人工智能模型的訓練、驗證和優(yōu)化高度依賴高質量數據和持續(xù)反饋，需要通過開放數據資源、共享模型工具、公開代碼框架和引入社區(qū)反饋，促進模型在不同科研場景中的測試、修正和迭代。從資源上看，人工智能賦能科學研究具有顯著的資源密集特征，需要數據、算法、算力和實驗設施等關鍵資源的協(xié)同供給，以打破資源孤島與平臺壁壘。從組織上看，復雜科學問題的求解越來越需要跨機構、跨學科和跨部門合作。開放生態(tài)因而成為提高資源配置效率、促進知識流動和加速成果轉化的重要條件。人工智能驅動的知識創(chuàng)新體系正在朝著平臺化、融合化和生態(tài)化方向演進。因此，對于人工智能賦能科學研究而言，開放生態(tài)既是其現實運行的重要條件，也是其未來持續(xù)演化的重要方向。

小結

上述5個特征并非彼此孤立，而是在人工智能賦能科學研究的過程中相互支撐、相互耦合、共同作用，推動科學研究逐漸形成高度動態(tài)的復雜系統(tǒng)，并不斷實現研究范式的革新。其中，人機共生性，界定了該范式下科研活動的運行模式與主體間關系；自主演化性，揭示了其內在運行邏輯與核心動力機制；交叉融合性，構筑了學科融通、知識集聚的一體化格局與多主體協(xié)同創(chuàng)新能力；資源密集性，表征了范式高效運轉所依托的多元資源投入的物質基礎；開放生態(tài)性，體現了其依托開放共享、開源協(xié)同實現持續(xù)迭代與可持續(xù)演進的發(fā)展路徑。正是在這5個特征的共同作用下，人工智能賦能科學研究由分散的技術應用逐步演化為具有體系屬性的新型科研范式，并且其作為復雜系統(tǒng)的屬性將愈加凸顯。

3

人工智能賦能科學研究的支撐體系與架構

為適應人機共生、自主演化、交叉融合、資源密集與開放生態(tài)等新特征，亟待系統(tǒng)性重塑科學研究支撐體系與架構，構建面向人工智能賦能科學研究全流程的底座，通過實現物理設施、數據要素、智能方法與執(zhí)行主體的高效聯(lián)動，全面支撐海量資源調度、多尺度機理建模與復雜任務執(zhí)行。

整體架構

面向科研范式變革的復雜需求，整體架構可劃分為5個功能互補的子系統(tǒng)：

1.基礎設施層，面向科研設施，提供大規(guī)模算力、存儲與實驗環(huán)境的物理支撐；

2.數據資源層，面向科研知識，匯聚多模態(tài)科學數據，提供訓練和驗證的原料；

3.模型工具層，面向科研方法，構建智能化的分析預測能力；

4.任務執(zhí)行層，面向科研主體，實現人類科學家與各類智能體的高效協(xié)同；

5.應用場景層，面向科研問題，聚焦科學研究和產業(yè)研發(fā)的實際應用，牽引體系的落地與價值實現（圖2）。

圖2 人工智能賦能科學研究的體系架構

這5個功能層級并非靜態(tài)獨立，而是構成了一個閉環(huán)系統(tǒng)。在向上賦能路徑中，基礎設施與數據資源共同孕育模型工具，進而為多元主體的任務執(zhí)行提供支撐；在向下牽引路徑中，前沿應用場景提出的復雜科研需求，直接驅動底層基礎設施的調優(yōu)與數據模型的演進。同時，應用場景層在實踐中產生的新數據與新反饋持續(xù)反哺底層架構，推動算力、數據與模型的迭代升級。考慮到不同科學領域在研究對象、數據模態(tài)與知識體系上的顯著差異，整體架構的設計必須兼顧通用性與領域適配性，各領域既依賴于通用的算力網絡與科學大模型底座，又需根據自身特定的科學問題，有選擇性地調用、組合不同層級的設施、資源與執(zhí)行主體。

基礎設施層

基礎設施層是人工智能賦能科學研究體系的物理基石。該層需突破單一算力中心的局限，構建涵蓋數據集成平臺、軟件系統(tǒng)、計算硬件與機器人系統(tǒng)的支撐網絡。數據集成平臺負責海量多模態(tài)科學數據的清洗治理與高效分發(fā)；軟件系統(tǒng)整合操作系統(tǒng)、分布式文件、容器編排、工作流引擎及領域開發(fā)環(huán)境；計算硬件包含大規(guī)模圖形處理器/張量處理器（GPU/TPU）算力集群及新興計算架構，提供海量算力與高速通信能力；機器人系統(tǒng)通過自動化平臺實現虛擬模擬計算與物理真實實驗的緊密銜接，支撐高通量實驗的自主閉環(huán)執(zhí)行。

面對人工智能賦能科學研究中的海量數據與算力需求，基礎設施層需滿足高并發(fā)低延遲的數據傳輸、面向科學計算優(yōu)化的異構彈性調度、完善的容錯機制與安全保障，并建立統(tǒng)一的標準化接口規(guī)范，以打破各類實驗設備與高性能計算設施間的壁壘，保障從數據采集、模型訓練到結果分析的全鏈條自動化執(zhí)行。

數據資源層

數據資源處于人工智能賦能科學研究的核心地位，是驅動前沿科學發(fā)現和模型構建的戰(zhàn)略性基礎要素。人工智能驅動的科研新范式依賴于多類核心數據資源的規(guī)模化匯聚：科學文獻數據用于提取知識圖譜與發(fā)現研究模式；科學測試數據用于支撐模型訓練與性能評估；科學實驗數據源自物理學、化學、生物學等領域的實際實驗過程；數值模擬數據通過計算模型生成；人工智能生成數據由模型直接產出；產業(yè)與應用數據則反映科研成果在實際應用中的表現，推動科學研究與產業(yè)需求緊密結合。

人工智能賦能科學研究對數據資源層提出了可用性、流通性和安全性等關鍵需求，涵蓋自動化數據清洗與標準化、分布式存儲與高效索引，以及數據確權與隱私保護等方面。不同類型的科研數據并非相互獨立，而是通過多模態(tài)融合方式催生科學知識的形成。隨著人工智能從現有數據中學習并生成新數據，新數據通過實驗驗證進一步豐富整個科學數據生態(tài)系統(tǒng)，形成持續(xù)推動科學數據生態(tài)完善與發(fā)展的良性循環(huán)。

模型工具層

模型工具層作為認知單元與智能核心，為科學研究提供智能化的分析、預測與發(fā)現能力。該層主要由科學基礎大模型、學科專用大模型和工具平臺3個核心部分組成。科學基礎大模型作為通用底座，承擔跨領域知識融合與科學發(fā)現助手的職能；學科專用大模型針對特定領域進行深度優(yōu)化，融入專業(yè)知識并執(zhí)行特定科研任務；工具平臺則提供研究工具集、開發(fā)環(huán)境與實驗支撐，保障模型落地與應用。

模型工具層需要實現數據驅動學習與知識指導推理的深度融合，并具備跨領域知識遷移、多尺度建模能力及持續(xù)學習更新機制。該層賦予科研活動3種核心能力：

1.跨尺度分析能力，在統(tǒng)一框架內處理微觀粒子到宏觀系統(tǒng)問題；

2.科學假設生成能力，通過對存量知識庫的重組與分析自主生成可驗證的新觀點；

3.復雜系統(tǒng)模擬能力，突破傳統(tǒng)方法的計算瓶頸，針對氣候演變或生命過程等高動態(tài)復雜系統(tǒng)提供長周期、高精度模擬與預測。

任務執(zhí)行層

任務執(zhí)行層是連接科研問題與科研方法的關鍵樞紐，面向科研主體采用多元化組織形式，實現從傳統(tǒng)人類主導到人機智能協(xié)同的范式轉變。該層由人類科學家、人機協(xié)同系統(tǒng)和智能體等構成：人類科學家，作為核心決策者，主導科學問題定義、方向把控與最終的科學洞察；人機協(xié)同系統(tǒng)，實現專家知識與機器算力的深度融合；智能體，代表高階自動化執(zhí)行力，能夠獨立承擔特定任務，還可動態(tài)演化為分工處理綜合性研究難題的多智能體群。

為保障多元主體協(xié)同運轉，任務執(zhí)行層需建立靈活的任務分配與交互架構，構建支持意圖理解、知識傳遞與決策反饋的雙向溝通體系，并劃定清晰的責任邊界。該層的核心價值在于將科研能力從純人力驅動轉變?yōu)槿藱C智能混合驅動，通過不同執(zhí)行主體依據任務特點的靈活組合，實現從問題識別、方案設計、實驗執(zhí)行到結果分析的全流程智能化重構。

應用場景層

應用場景層是人工智能技術與前沿科學問題的關鍵結合點，既是整個科研體系構建的邏輯起點，也是最終效能檢驗的重要落點。當前，應用場景已廣泛覆蓋粒子物理與核物理學、化學、材料科學、生命科學、生物醫(yī)藥、網絡空間安全、天文學、空間科學、遙感科學和深地科學等基礎前沿學科，并深度延伸至產業(yè)研發(fā)實踐之中。應用場景層呈現出高度多樣性，涵蓋跨學科共性應用與領域特性應用：共性應用，聚焦多模態(tài)高維數據解析、大型科學裝置智能操控和隱蔽關聯(lián)規(guī)律挖掘等；特性應用，將人工智能技術與特定學科屬性深度耦合，如高能物理極端條件下的實時決策、生命科學多尺度耦合模型和生物醫(yī)藥逆向生成設計等。

應用場景在不同學科中的創(chuàng)新價值呈現出顯著的層次性。在范式變革層面，各場景的共性在于將數據驅動與物理約束、領域知識有機結合，促進科研全流程智能化。在效率提升層面，不同場景能夠根據學科特點顯著縮短科研周期。在能力增強層面，研究精度從定性描述提升至定量預測，決策方式從依賴專家經驗轉向數據循證。對于已有成熟方法的領域，人工智能發(fā)揮“錦上添花”的提升作用；對于傳統(tǒng)方法難以解決的問題，人工智能則發(fā)揮“雪中送炭”的突破作用，二者共同構成人工智能賦能科學研究的完整圖景。

4

推動人工智能賦能科學研究范式變革的對策建議

在前文對人工智能賦能科學研究的內涵、特征與支撐體系分析基礎上，結合我國發(fā)展基礎、現實短板與戰(zhàn)略需求，本文進一步從基礎設施、數據資源、模型工具、任務執(zhí)行、應用場景與組織治理等關鍵環(huán)節(jié)出發(fā)，提出推動人工智能賦能科學研究健康有序發(fā)展的對策建議。

夯實智能化科研基礎設施底座

針對當前我國科研體系中存在的算力分散、設施孤島化和統(tǒng)籌協(xié)同不足等結構性瓶頸問題，須按照關于體系化布局建設重大科技基礎設施、建設智能化科研平臺系統(tǒng)的重要部署，加快建設支撐人工智能賦能科學研究的自主可控智能化科研平臺系統(tǒng)。

1

加強國家級基礎設施頂層規(guī)劃，建設全要素集成的閉環(huán)科研平臺

在國家層面設立統(tǒng)籌推進機制，強化大科學裝置、國家實驗室與超算、智算中心的互聯(lián)互通，打破部門間、機構間的物理設施與數字系統(tǒng)壁壘，形成建制化的協(xié)同創(chuàng)新合力。通過制定統(tǒng)一的設施建設標準與接口規(guī)范，統(tǒng)籌解決算力建設的瓶頸問題，避免資源碎片化。

2

構建跨區(qū)域、跨機構的算力統(tǒng)籌與彈性調度機制

依托國家一體化算力網絡，建立跨區(qū)域、跨機構的算力彈性統(tǒng)籌與統(tǒng)一調度機制，開發(fā)支持大規(guī)模并行計算和異構算力高效協(xié)同的軟件框架，實現算力資源的按需分配與動態(tài)流轉，推動計算框架與科學大模型的深度適配。

3

強化底層關鍵硬件自主可控

加大對國產大規(guī)模GPU/TPU算力集群、新興異構計算硬件及底層操作系統(tǒng)的協(xié)同攻關力度，構建兼容開放的自主化基礎設施標準體系，逐步擺脫對國外單一算力的依賴。

構建高質量科學數據供給體系

當前，我國科學數據仍呈現碎片化狀態(tài)，面臨標準不一、權屬界定不清、共享動力不足等問題。亟須從標準規(guī)范、流通共享與高質量數據庫建設發(fā)力，全面提升科學數據的供給質量與效率。

1

健全標準規(guī)范，推進科學數據管理的智能化與標準化

加快出臺國家層面的科學數據分類分級標準與統(tǒng)一的元數據管理體系，建立涵蓋自動采集、智能清洗標注與合規(guī)存儲的全流程數據管理規(guī)范，提升異構科學數據的機器可讀性、互操作性與可靠性。

2

完善確權與評價激勵機制，打破數據流通共享壁壘

探索建立科學數據產權確權、安全流通與貢獻評價機制，將高質量開源數據集的構建與共享貢獻納入核心學術評價體系，通過制度設計激勵產學研各界主動打破數據壁壘。

3

統(tǒng)籌國家級數據庫建設，平衡跨域協(xié)同與隱私安全

集中建設自主可控的國內開源科學數據倉庫與多模態(tài)公共語料庫，引入聯(lián)邦學習、差分隱私等隱私保護技術實現科學數據安全流轉；同時，積極參與國際科學數據共享協(xié)議，構筑具備全球競爭力的開放科學數據生態(tài)系統(tǒng)。

打造可信智能科研工具與開源協(xié)作生態(tài)

當前智能科研工具體系在處理復雜科學問題時面臨可解釋性弱、物理一致性差等挑戰(zhàn)，且專用的底層研發(fā)工具鏈相對匱乏，亟須系統(tǒng)布局涵蓋模型算法、開發(fā)環(huán)境與開源協(xié)作平臺的完整自主可控工具生態(tài)。

1

統(tǒng)籌布局自主可控的基礎與專用協(xié)同的模型矩陣

系統(tǒng)構建自主可控的“共性底座+領域專精”多元模型矩陣體系，集中攻關跨領域科學基礎大模型，同時支持各學科開發(fā)深度內化專家知識的學科專用大模型，全面提升應對小樣本、多尺度復雜科學問題的求解效能。

2

完善適配多學科的通用算法與基礎工具鏈

集中力量攻關具備跨域泛化能力的通用智能算法框架，系統(tǒng)構建涵蓋跨尺度數值模擬、高通量協(xié)同篩選、復雜系統(tǒng)自動化控制等核心模塊的基礎科研工具鏈，通過開發(fā)低代碼運行環(huán)境和標準化應用編程接口（API），降低領域科學家調用前沿人工智能技術的門檻。

3

培育開源共建的協(xié)作生態(tài)

依托國家級平臺建設面向全球開放的人工智能賦能科學研究算法庫、高質量預訓練模型社區(qū)與開源科研軟件托管倉庫，鼓勵計算機領域專家與基礎學科科學家共同參與，形成工具集眾創(chuàng)共享、模型算法持續(xù)演進的協(xié)作生態(tài)。

建立人機協(xié)同的智能科研執(zhí)行體系

針對科研范式從人力主導向人機混合驅動演進的趨勢，必須從執(zhí)行層面重塑科研任務的實現路徑，構建以人類科學家為核心、智能體高效協(xié)同的現代化執(zhí)行體系。

1

制定人機協(xié)同的任務協(xié)作規(guī)范

明確智能化科研場景下各執(zhí)行主體的責任邊界，建立涵蓋意圖理解、任務拆解、自動執(zhí)行與人工復核的標準協(xié)作流程。在保障人類科學家對戰(zhàn)略方向與關鍵結果具有絕對決策權的同時，充分釋放人工智能在數據解析與規(guī)模化試錯中的執(zhí)行潛能。

2

加快科學智能體的自主研發(fā)與規(guī)模應用

設立專項攻關計劃，重點支持具備自主學習、邏輯推理與實驗規(guī)劃能力的科學智能體開發(fā)。推動各類智能體工具深度嵌入科研一線場景，將科研人員從繁雜的代碼編寫、文獻海選與基礎數據處理中解放出來，使其將更多精力投入原創(chuàng)性科學問題攻關。

3

推進多智能體協(xié)同網絡建設

順應智能體系統(tǒng)演化趨勢，探索構建分工明確、高效聯(lián)動的多智能體協(xié)作網絡平臺。通過多智能體在假設生成、實驗執(zhí)行、結果驗證等不同環(huán)節(jié)的接力協(xié)同，打通科研任務的全自動執(zhí)行閉環(huán)，實現復雜綜合性科研問題從單點突破向系統(tǒng)級并行求解的跨越。

強化重大場景牽引與敏捷安全治理

面對當前場景耦合較淺、需求牽引不足等痛點，亟待以國家重大需求為導向加速前沿應用拓展，并將敏捷治理、科研倫理與誠信建設作為底線支撐內化于場景拓展之中。

1

聚焦國家重大需求發(fā)布戰(zhàn)略級場景清單

錨定國際科技前沿與國家戰(zhàn)略部署，動態(tài)發(fā)布國家級重大應用場景任務指南，鼓勵科研機構與行業(yè)領軍企業(yè)聯(lián)合攻堅，帶動算力設施、數據資源與智能化工具的體系化協(xié)同與迭代升級。

2

推動科學研究與產業(yè)場景的深度融合

全面打通前沿科學發(fā)現向產業(yè)化應用的智能轉化鏈路，通過建立科研院所與科技領軍企業(yè)的場景共建與數據共通機制，推動研究成果在材料創(chuàng)制、藥物研發(fā)等真實工業(yè)場景中實現規(guī)模化落地，并依托產業(yè)端反饋數據反哺科研底座，形成雙向賦能的良性生態(tài)。

3

構筑敏捷治理防線

針對人工智能在科研中可能觸發(fā)的模型幻覺與知識污染、敏感科研數據泄露及技術濫用等新型安全風險，建立場景驅動的敏捷治理框架。在堅守國家科技安全與數據主權底線的前提下，實行包容審慎的分類監(jiān)管與動態(tài)審查機制，為人工智能在各類前沿科研場景中的應用探索提供安全、可控的制度保障與試錯空間。

4

強化科研倫理與誠信建設

加快制定人工智能賦能科學研究的倫理準則與誠信規(guī)范，明確人工智能生成內容在學術成果中的使用與標注要求，將倫理審查嵌入智能科研平臺與評價體系，防范成果歸屬爭議及新型學術不端等風險。

推進適應智能化的科研組織模式變革

人工智能賦能科研不僅是技術工具的升級，更是對傳統(tǒng)科研生產關系的系統(tǒng)性重塑。面對新范式下人機共生、自主演化、交叉融合、資源密集和開放生態(tài)等核心特征，科學研究正從單點式的自由探索向高度復雜的工程化協(xié)作轉變。因此，必須圍繞新需求，研究構建適配人工智能賦能科學研究的組織模式，打破單一學科建制與封閉的條塊化管理，以科研組織模式變革為核心，全面重構創(chuàng)新主體協(xié)同網絡、評價導向與人才生態(tài)，為新科研范式提供堅實的體制機制保障。

1

構建打破學科壁壘的融合創(chuàng)新聯(lián)合體

針對交叉融合性，應改變現有科研機構條塊分割的治理結構，探索建立以重大科學問題為導向的動態(tài)網絡式創(chuàng)新組織。鼓勵人工智能領域的算法專家與基礎學科科學家組建深度對接的跨界攻關團隊，通過機制創(chuàng)新促進跨域知識的流動與重組，形成要素融通的建制化科研合力。

2

建立適配智能范式的新型科技評價機制

堅決破除唯論文的單一學術評價導向，將高質量開源數據集構建、通用算法優(yōu)化、科學基礎大模型訓練及共性工具軟件開發(fā)等實質性支撐工作，全面納入科研人員的核心學術評價與晉升體系，以此激發(fā)多元創(chuàng)新主體參與人工智能賦能科學研究基礎生態(tài)建設的內生動力。

3

打造支撐新型組織運轉的復合人才梯隊

突破傳統(tǒng)單一學科的教育桎梏，依托科研組織變革牽引人才培養(yǎng)模式升級。系統(tǒng)布局“人工智能+學科”培養(yǎng)模式，加快引育兼顧領域知識與人工智能技能的復合型人才。同時在日常科研組織訓練中強化嚴謹的邏輯推演要求，防范青年學者因過度依賴智能工具而導致的科學直覺退化與底層機理探究能力弱化風險。

致謝：本文在研究過程中得到中國科學院學部人工智能賦能科學研究咨詢項目學科組多位院士專家的指導，在此表示衷心感謝。

作者簡介

陳凱華中國科學院大學公共政策與管理學院長聘體系特聘教授。主要研究領域為國家創(chuàng)新體系、科研智能管理與政策、創(chuàng)新計量學、創(chuàng)新管理科學與工程等。

楊 碩中國科學院大學公共政策與管理學院特別研究助理（博士后）。主要研究領域為創(chuàng)新擴散、新興產業(yè)政策、科研智能管理與政策等。

文章來源

陳凱華, 李赫揚, 劉泓欣, 等. 人工智能賦能科學研究：內涵、特征與體系. 中國科學院院刊, 2026, 41(6): 1206-1219.

DOI: 10.3724/j.issn.1000-3045.20260505004.

本刊發(fā)表的所有文章，除另有說明外，文責自負，不代表本刊觀點。