主要观点总结
本文是上海人工智能实验室主任周伯文在2025年中关村论坛上的讲稿，围绕人工智能与科学研究的深度融合进行阐述。文章指出，人工智能在科学研究中的应用已经成为普遍共识，而如何系统性思考，进行顶层设计，面向Science与AI进行有组织的科研，是需要思考和讨论的重要话题。文章详细阐述了AI for Science的作用和价值，包括如何定义AI for Science，AI for Science的内核，以及如何推动科研范式的系统性变革等。最后，作者强调了上海人工智能实验室启动的“AI4S攀登者行动计划”，并给出了值得深思的问题。
关键观点总结
关键观点1: AI for Science的作用和价值
人工智能在科学研究中的应用已经成为普遍共识，其在科学研究中的作用和价值越来越被认可。
关键观点2: 如何定义AI for Science
对于AI for Science的定义存在不同观点，一种是认为AI for Science主要是作为科研工具，另一种是认为AI for Science是修饰语，AI是核心词。
关键观点3: AI for Science的内核
AI for Science的内核在于如何打造真正能驱动科学研究的AI，这涉及到通专融合的能力，即优秀科学家的核心特质。
关键观点4: 推动科研范式的系统性变革
人工智能可以帮助推动科研范式的系统性变革，促进研究者、研究工具和研究对象之间的相互作用、协同演进和螺旋式上升。
关键观点5: 上海人工智能实验室的“AI4S攀登者行动计划”
该计划旨在打造科学工作者和AI工作者双向奔赴、协同攻关的新模式，聚焦重大科学问题攻关，要求大规模协同创新。
正文
2024
年诺贝尔化学奖得主，
DeepMind
公司
CEO Demis Hassabis
在诺奖颁奖典礼上总结了适合
AI
发展的科研领域的三个标准：第一，存在巨大的组合搜索空间；第二，具备清晰明确的目标函数；第三，拥有大量可靠数据，或者具有高效准确合成数据的方法。这三个标准在过往的成功案例中已经得到了充分验证，但是尚未充分考虑到
AI
在未来三到五年的发展可能带来的巨大潜力。
我认为，
AI
对所有科研工作的作用都可以归纳为它如何帮助研究对象、研究工具，以及研究者三个层面。上述关于研究领域的选择标准都可以被归纳为
研究工具
，即如何利用人工智能更高效地解决计算问题
（
AI for Computation
）
。然而，完整的科学研究过程不仅包含计算环节，还涉及多个重要方面：首先是对
研究对象，
即
AI
如何提升对研究对象的观察、理解和表征，这些表征最终都会转化为数据
（
AI for Data
）
。在这些数据的表征、理解、获取和修改等各个环节，
AI
分别能发挥哪些作用是一个重要问题，同时也是重大机会。其次是
研究者
（
AI for Innovator
）
，即科学家本身。科学研究的天花板往往取决于研究者自身的认知局限。随着学科划分越来越细，要做出具有重大影响力的工作，仅靠单一领域的专业知识和经验已经远远不够。如何帮助科学家提出更好的问题、找到更有价值的研究方向，都是
AI for Science
应该着力解决并且可能带来巨大回报的领域。
这就引申出另一个问题
——
如何定义
AI for Science
，如何将
AI for Science
翻译成中文？
针对这个问题，我们曾访谈了来自不同学科领域的上百位科学家，特别是青年科研人员。主要存在两种观点：第一种观点认为，
AI for Science
主要是指人工智能作为科研工具，重点在于如何具体应用；第二种观点则认为，
“
for Science
”
是修饰语，
AI
是核心词，重点是打造真正能驱动科学研究的
AI
这一悬而未决的问题。
Demis
等
AI
科学家最后都把问题收敛成
AI for Computation
，而要让
AI
在科学研究中取得实质性突破，还有大量工作要做。
那么，什么才是
for Science
的
AI
？
科学家通常同时具备广博的通识能力和精深的专业知识，这种
“
通专融合
”
的能力正是优秀科学家的核心特质，这一理念也恰好与人工智能的发展趋势不谋而合。
人工智能的发展路径可以抽象成一个二维路线图：横轴表示专业深度，纵轴表示泛化能力。在
Transformer
架构出现之前，人工智能发展主要沿着专业深度方向推进，从深蓝到
AlphaGo
都是典型代表。
