作為人類的“第二大腦”，AI for Science正在全球範圍內引發科研範式的深刻變革，也成為全國兩會期間代表委員關注的話題。

3月7日，在全國政協十四屆四次會議第二次全體會議上，全國政協委員、中國科學院院士周志華髮言建議，以人工智能引領科研範式變革。

3月8日，全國政協委員、工業和信息化部原副部長王江平在接受科技日報記者採訪時直言，人工智能已從科研輔助工具升級為推動科技進步的核心驅動力，未來更將深刻重塑科研範式與產業業態。

會場內外代表委員認為，人工智能無疑為全球科技革命注入全新動能，但對其賦能科研遇到的困境和問題也不容忽視。

AI浪潮下出現資源浪費與轉化梗阻難題

AlphaFold模型助力兩位非生命科學領域研究者斬獲2024年諾貝爾獎；“大原子模型計劃”可廣泛應用於半導體、合金、有機分子等多類材料體系研發……

在周志華看來，放眼國內外，人工智能賦能科學研究的階段性成果已經充分證明，人工智能不僅能加速求解長期懸而未決的重大科學難題，還有望重構科學發現的基本路徑。

然而，在AI for Science助力科研成果如潮水般持續涌現的背後，也出現了新的問題。周志華介紹，由於缺乏權威、標準化、大規模的科學數據集，以及受科學數據的獲取成本高、標準不統一、共享行為少等因素影響，目前，AI模型訓練效率不高、可靠性難以保障，重複建設與資源浪費現象尤為突出。

算力資源浪費同樣得到了王江平的關注。他在履職調研中發現，在材料探索圖形網絡（GNoME）模型預測的38萬種穩定材料中，僅有736種完成實驗驗證，驗證率不足0.2%。“這意味着，AI單日產生的預測成果，往往需要人類用10年甚至更長時間才能完成全面驗證，這造成了科研資源與算力資源的低效佔用。”王江平說。

他告訴記者，更令人擔憂的是，大量預測成果最終僅停留在學術論文層面，未能實現產業化落地，既無法釋放其應有的產業價值，還會造成資源浪費與轉化梗阻的雙重問題。

王江平將這種現象比喻為“堰塞湖”——上游AI預測能力洶涌澎湃，下游驗證與產業化通道狹窄不暢，“湖水”不斷積聚卻難以泄流。

在王江平看來，造成AI賦能科學研究出現“梗阻”的原因綜合而複雜。其中，預測模型自身存在侷限、缺乏統一標準與評估體系、實驗驗證能力嚴重不足是三個關鍵因素。要實現“對症下藥”，需要系統性的對策建議。

提升基礎創新能力培育複合型人才

那麼，我國布局AI for Science前沿科技研發體系，應該聚焦哪些領域发力，怎樣破除現有瓶頸？

在周志華看來，首先要加強政策引導，提升基礎創新能力。他建議，優化人工智能領域科學研究的統籌布局，加大對AI算法基礎研究的支持力度，重點支持一批具有前瞻性、戰略性的基礎研究項目，鼓勵科研人員開展原創性研究。同時，引導企業和社會資本參與AI算法基礎研究，形成多元化的投入機制。

面對既懂科研又通AI的複合型人才缺乏困局，周志華建言，從源頭構建“人工智能賦能科學研究”複合型創新人才培養體系，支持高水平研究型大學試點設立“博士+碩士”雙學位項目，讓博士研究生在攻讀AI專業博士學位期間，跨學科攻讀一個科學專業碩士學位，探索構建跨學科融合的研究生培養新模式。

王江平則建議，推進構建高質量數據集、高價值知識中心及AI預測成果評估標準體系三大核心載體。他建議，在重點行業建立公共高價值數據共享中心，構建高精度、長序列、多模態的公共數據集，減少重複勞動。同時，相關部門要建立權威的AI預測結果評估體系，為成果篩選與流轉提供依據。

王江平呼籲，推動AI for Science與AI for R&D協同發展。前者聚焦基礎科學突破，解決“卡脖子”問題；後者側重解決技術落地的工程化問題。他表示，推行“揭榜掛帥”機制，由企業出題，科研機構攻關，並探索政府沙盒監管，賦予研發環節自主權，激發創新活力。