從經驗到智能驅動：AI如何開啟第5科研范式？

原文發表于《科技導報》2025 年第18 期 《 科學研究智能化轉型：基于AI的新范式及其深遠影響 》

人工智能（AI）的快速發展正在推動科學研究邁向以“智能驅動”為核心的第5科研范式，這是繼經驗、理論、計算與數據驅動之后的新一輪科研模式變革。本文回顧了科研范式的歷史演進，分析了AI推動科研從“人類主導”向“人機協同”的轉型邏輯，論述了大模型時代的發展與現狀，并探討了AI在科研管理、科學假設生成、論文與項目中的應用場景。基于此，研究人員提出構建可信科研AI體系，推進人機協同創新模式，完善科研治理與政策框架，加強跨學科融合，并健全科研倫理與社會責任機制，以確保AI驅動科研范式的可持續發展與有序演進。

1 AI驅動的第5科研范式

1.1 科研范式的歷史演進

科學研究的演進從未停歇。Jim Gray提出的科研范式框架指出，傳統科研經歷了4次主要的范式躍遷：經驗驅動范式、理論驅動范式、計算驅動范式和數據驅動范式，每一次變革都突破了人類認知邊界。而當下AI技術正催化第5范式的誕生，推動科研逐步邁向AI驅動的第5科研范式（圖1）。

圖1 科研范式發展歷程

1.2 科研范式進步的原因

在邁向第5范式的轉型過程中，理論數學、量子物理學、神經科學及語言學等領域推動了AI技術的發展（圖2）。科研范式轉變的背后是算力的提升、AI技術的發展、AI for Science（AI4S）與AI for Research（AI4R）的興起以及大模型的推動。

圖2 科研范式進步的原因

1.3 第5科研范式的界定

第5科研范式是以人工智能為核心驅動力，實現科研全流程智能化重構的研究體系，體現如下。

（1）主體轉變：從人類主導到人機協同，形成“人類直覺+機器智能”的雙引擎驅動。

（2）流程重構：打破傳統線性研究路徑，構建“假設生成—實驗設計—驗證迭代”的智能閉環。

（3）知識生產：基于大模型的涌現能力實現跨學科知識重組，突破人類認知局限與領域知識壁壘。

1.4 AI驅動的科研流程重構

1）假設生成。AI模型通過跨學科知識融合突破傳統思維局限，通過知識重組，將離散的科研發現編織成創新理論框架，使假設生成從依賴靈感的偶然行為轉變為系統性知識涌現的科學過程。AI自動生成假設，并通過計算模擬進行初步驗證。

2）實驗設計。AI構建數字實驗系統，進行虛實融合的智能優化。AI模型將物理約束編碼為多維參數空間，在虛擬環境中并行探索數百萬種實驗方案，動態優化實驗設計。

3）驗證迭代。AI模型對海量數據進行自動化處理、分析和優化，建立“理論—實驗—數據”的三角驗證體系，構建動態“評估—反饋”的強化學習閉環，進行假設的自我證偽機制。AI模型采用主動學習策略，使科研驗證從單次確認升級為持續認知迭代的智能進化系統。

2 百花齊放的大模型時代

2.1 大模型發展歷程

人工智能自1956年達特茅斯會議誕生以來，經歷了“三起兩落”——3次技術高峰與2次低谷交替（圖3）。

圖3 AI發展的“三起兩落”

21世紀，尤其是2014—2024年，生成式AI快速發展。深度學習生成模型在圖像、語音、文本等領域取得突破，催生多樣創新應用，既延續了技術積累，又為人工智能帶來新的活力與可能（圖4）。

圖4 大模型發展歷程

2.2 大模型百花齊放

大模型發展迅猛，尤其是大語言模型（LLM）推動了文本生成和對話系統的變革，并自然延伸至多模態領域。2022年底ChatGPT問世，標志生成式AI新高峰，隨后國內外LLM競相涌現，呈現百花齊放局面（圖5）。

圖5 LLM發展時間線

綜合來看，當前的大模型能力存在但不局限于以下方面。

（1）語言理解與生成：大模型能夠精準理解復雜語言結構和語義。

（2）邏輯推理與交互：大模型能夠根據輸入的信息進行歸納推理、演繹推斷，完成復雜的多步推理任務。

（3）知識存儲與檢索：大模型可以高效地從龐大的知識庫中提取相關信息，精準地回答問題。

（4）視覺與多模態：大模型的視覺理解能力使其能夠精準解析圖像內容，進行物體識別、語義分割等任務（圖6）。

圖6 LLM的基礎能力

2.3 大模型的能力與不足

大模型通過其強大的能力為各種復雜任務提供了支持。然而，大模型仍面臨其特有的局限性與倫理問題（圖7）。

1）幻覺現象。LLM的幻覺是指模型生成的內容可能與實際情況不符或出現邏輯上的錯誤。

2）可解釋性差。可解釋性差意味著無法理解模型是如何從輸入數據中提取特征，以及如何根據這些特征作出預測。

3）高級推理能力弱。LLM在涉及需要推理和抽象思維的復雜任務時，它們顯得力不從心。

4）倫理問題。LLM可能在無意識間吸收并傳播有害內容，使輸出結果帶有傾向性、不公平性。

圖7 LLM的局限性與倫理問題

3 大模型輔助的智能科研管理

AI大模型作為第5科研范式核心，推動科研管理變革，形成“ AI4X”與“X4AI”雙向賦能：AI技術滲透學科管理，學科反饋推動AI迭代，構建多學科融合的智能管理網絡（圖8）。

圖8 AI大模型輔助科研管理

1）科研管理建議：從“經驗”建議到“智能”建議。

• 校級層級（戰略智能）：通過數字孿生校園平臺模擬科研資源配置方案，動態優化“雙一流”學科布局，實現了科研資源與學科發展的精準匹配。

• 院系層級（戰術智能）：基于資源智能配置算法預測學科趨勢，開發ESI學科閾值預警系統，提前預判學科排名變化，避免資源錯配。

• 部門層級（操作智能）：利用多智能體仿真構建科研動態平衡算法，提升突發任務響應效率。通過數字沙盤模擬科研成果轉化路徑，縮短技術落地周期。

2）科研平臺建設：從“定制”建設到“智能”建設。

• 跨學科知識裝配引擎：通過DeepSeek模型，不同領域的知識可以無縫銜接，為科研團隊提供快速解決方案。

• 動態數據湖：Gemini多模態系統可同時處理文本、圖像、音頻輸入，實時生成實驗方案并優化步驟，加速復雜實驗進程。

• 智能實驗工坊：AI大模型還可以為復雜實驗方案的自動生成與優化提供幫助，避免了繁瑣的手動干預。

3）前瞻科研布局：生成式AI的預見性推演。

• 開設復合課程：推動AI與各學科的深度融合，培養復合型創新人才。

• 校企聯合培養：共同開展AI大模型的研究與人才培養，助力高校優化教學體系。

• 攻關核心技術：通過人工智能創新與產業研究院，專注于AI技術的原創研發和應用轉化，服務國家戰略需求。

4）科研人才管理：從“師徒制”管理到“全球化”管理。

• 構建動態圖譜：構建全球頂尖學者動態圖譜，實現人才引進的智能匹配與風險評估。

• 團隊智能診斷：GPT?4驅動的智能診斷系統自動生成包含知識結構補全方案的人才重組建議。

• 打造產學研人才旋轉門：通過華為聯合實驗室實現工業界專家與學術人才的動態流轉，縮短技術轉化周期。

4 大模型輔助的科學假設生成

1）人類的創造力密碼。以知識重組理論為基石的研究揭示，跨領域知識的碰撞往往能催生超線性價值。

2）打破傳統創新瓶頸。近幾年更多研究通過AI驅動的數據整合打破專業壁壘，加速創新性想法建立與迭代。

3）構建人機協作模式。為了更好地利用大模型的潛力實現具備創新性和可行性的科學假設生成，大量研究提出人機協作的科學探索模式，引領科學探索更加精準地實現系統性突破。通常由5個步驟實現：問題定義與領域聚焦—文獻搜索與關鍵背景知識獲取—基于科學知識庫生成假設—強化學習迭代細化假設—假設評估（圖9）。

圖9 大模型輔助的科學假設生成流程

4）生成式AI助力學術創造。科研變革動力的討論主要集中在算力提升與深度學習技術上，較少涉及生成式AI和跨模態智能系統在科研輔助過程中的應用。在材料與生命科學等領域（圖10），以AlphaFold3和GNoME為代表的生成式大模型憑借并行處理數據能力，以及主動學習和迭代優化策略，顯著加快了科研進程，推動新藥研發周期從10 a縮短至2~3 a。

圖10 GNoME與AlphaFold3假設生成過程

5 大模型輔助的論文與項目

1）提高科研效率。在論文寫作中，大模型在文獻綜述、數據分析與寫作輔助等方面表現出色。同時，大模型亦能協助實驗設計、構建研究框架與提出創新假設，推動科研高效進展。

2）高效推動申請書撰寫。在科研項目申請中，大模型為撰寫提供智能化支持。這種輔助顯著提高了申請書撰寫效率與系統化水平，進而增加申請成功率。

3）學位論文寫作支持。學位論文體現學生的學術能力，大模型可在文獻綜述、方法論與結果討論等環節提供專業支持。

4）智能化論文與項目評審。大模型技術通過智能篩查與分析，能基于創新性、技術路線等核心指標生成評審建議，提升公正性與準確性，減少人為偏見。同時，其還可承擔初步篩選任務，優化評審資源分配，增強整體評審效率。

5）生成式AI與跨模態智能的應用前景。生成式AI在自然語言生成與理解之外，還能融合多模態信息，為科研提供更全面支持。在跨學科合作中，其推動信息融合與智能推理，助力實現科研創新突破。

6 未來科研范式展望

生成式人工智能的崛起與跨模態智能系統的快速發展，為科研范式帶來了深遠的變革。這些先進技術跨越了文本、圖像與數據之間的模態界限，高效地實現知識的智能檢索與推理，輔助研究人員在多個科研環節中實現深度交互與協同創新。

未來復雜系統的建模會對人類專家有限的科研精力和科研速度帶來非常嚴峻的挑戰。而AI以其海量的知識儲備，卓越的計算能力和智能水平，可以將人類專家從底層的推理設計實驗中解放出來，從而更專注于頂層的科學問題凝練和科研路線把握。與此同時，科學家需要對AI的過程和產出的規范性、合法性和安全性保持足夠的警惕。AI的濫用也會對科研，甚至社會造成嚴重的威脅。AI是一把雙刃劍，廣大科研工作者需要學會用并且用好AI，科學未來才能走上新的高速路。

本文作者：朱鵬飛，姚鑫杰，姜國崧，范妍，曹海芳，高西遠，徐興歆，陶柏安，李維浩，武嘉和，胡清華

作者簡介：朱鵬飛，天津大學智能與計算學部，教授，研究方向為智能無人機。

文章來 源 ： 朱鵬飛, 姚鑫杰, 姜國崧, 等. 科學研究智能化轉型：基于AI的新范式及其深遠影響[J]. 科技導報, 2025, 43(18): 16?22 .

本文有刪改，

點擊科學研究智能化轉型：基于AI的新范式及其深遠影響.pdf獲取全文。

內容為【科技導報】公眾號原創，歡迎轉載
白名單回復后臺「轉載」

《科技導報》創刊于1980年，中國科協學術會刊，主要刊登科學前沿和技術熱點領域突破性的研究成果、權威性的科學評論、引領性的高端綜述，發表促進經濟社會發展、完善科技管理、優化科研環境、培育科學文化、促進科技創新和科技成果轉化的決策咨詢建議。常設欄目有院士卷首語、科技新聞、科技評論、專稿專題、綜述、論文、政策建議、科技人文等。