当模型成为科研新引擎：AI for Science 开启科学发现新周期
AlphaFold2 于 2020 年 CASP14 竞赛中实现高精度蛋白质结构预测，2021 年正式发表于 Nature，该成果让 AI‑for‑Science 进入全球科研界的视野。当下各类 AI 科研产品持续迭代，模型正在深度参与候选分子筛选、仿真模拟、数据解析等科研环节。但模型究竟只是一件效率工具，还是正在成为驱动科学发现的全新引擎？我们需要拉长历史周期，在几代科研范式演进的脉络之中，看清这一轮科学新周期的真实样貌。
一、范式迭代的长河：从假设驱动到数据驱动的科学传统
科学范式代表一个时代主流的科学问题提出、求证、验证的整套工作逻辑。新范式的诞生，往往不是对旧体系的全盘推翻，而是拓展人类认识客观世界的能力边界。各类学术研究平台的迭代演化，本质上也是顺应这一范式变迁的产物。
（一）假设驱动范式的运行逻辑与固有局限
长久以来，假设驱动科研范式是绝大多数基础研究的主流工作模式。研究者基于已有的理论积累与观测现象，提出科学假设，再设计实验、开展观测，通过实验结果验证或者证伪假设，完成一轮科学认知迭代。
这种模式高度依赖研究者的理论积淀与科研直觉。例如分子生物学早期大量基因功能研究，都是研究者先提出功能猜想，再设计对照实验完成验证。
但假设驱动范式同样存在客观瓶颈：人类研究者能够构思的假设，会受到个人知识、想象力的约束；面对高维、多变量复杂系统，人力很难穷尽可能的猜想组合，部分潜在的科学路径容易被人为忽略。
（二）数据驱动（第四范式）的兴起与现实短板
2007 年，计算机科学家吉姆・格雷（Jim Gray）在演讲中系统阐述第四范式构想：科学研究经历实验、理论、仿真之后，步入数据密集型科研时代，直接从大规模数据当中挖掘规律，不完全依赖预先提出的假设。该演讲相关内容后收入 2009 年出版的《第四范式：数据密集型科学发现》文集。
气候模拟、组学大数据、天文巡天观测，都是第四范式的典型落地场景。以天文领域为例，巡天望远镜持续产出 TB 级别观测数据，科研人员不需要全部提前预设观测目标，依靠数据挖掘算法，就可以从海量星空图像当中识别未知天体。
但数据驱动范式也存在现实短板。它高度依赖高质量、规模充足的标注数据集；当领域高质量数据稀缺，或者数据存在采样偏差时，从数据当中挖掘得到的规律很容易出现误导。同时，单纯的数据统计关联，很难自动输出背后完整的因果解释，得到相关性不等于得到科学机理。
每一代科研范式，都在弥补上一代范式的能力短板，但不会消解科研本身对于人类思辨解释的需求。
理解假设驱动与数据驱动各自的优势与短板，我们才能够更加客观地审视，AI‑for‑Science 所代表的模型驱动模式，究竟为科研带来了哪些新变化。
二、模型驱动兴起：AI‑for‑Science 浪潮的源起与范式定位之争
进入 2020 年代，算力规模持续增长、高质量科研数据集不断积累，深度学习模型工程化能力快速成熟，多重条件叠加，推动 AI‑for‑Science 从零星探索走向规模化实践。不少科研工具开始尝试把大模型能力融入日常科研流程，UniResearch 也在围绕文献处理、信息整理这类基础科研事务开展相关实践。
（一）模型驱动范式的标志性里程碑事件
AlphaFold2 的成功，让 “模型驱动科研” 这一概念被频繁提起，但学术界对于它的范式定位，至今没有形成统一共识。
（二）学界两种核心学术观点辨析
- 观点一：模型驱动属于第五科研范式 部分学界观点提出，传统第四范式侧重从已有数据中挖掘统计规律；而模型驱动范式，能够学习科学内在规律之后，主动生成候选对象、开展虚拟仿真，输出过去没有观测过的候选方案，再交由实验验证。模型本身成为科学假设、虚拟实验的生成载体，已经形成一套全新完整科研工作流，因此构成独立新范式。
- 观点二：模型驱动只是第四范式的技术增强 另一派学者持不同看法，认为模型驱动依旧属于第四范式的技术增强，算不上全新范式。他们的论据在于：模型训练依旧高度依赖大规模科研数据集，底层依旧建立在数据密集型科研基础之上；模型输出的全部候选结果，最终依旧需要真实实验完成验证，并没有跳出数据驱动科研的大框架，只是显著提升数据处理与生成的技术上限。
（三）争议背后的本质：范式评判标准的差异
这场争论带给我们重要启示：范式的划分，很大程度取决于评判标准。如果把评判标准放在 “工具与算法形态”，模型驱动展现出很强的独特性；如果评判标准放在 “科研底层逻辑链条：数据输入‑分析‑实验验证”，它又可以被纳入第四范式的体系之内。
模型驱动范式不是一夜诞生的革命，而是站在前几代科研范式之上生长出的新路径。
范式定位的学术辩论还在持续，但现实层面，中、美、欧已经相继出台顶层规划，推进 AI‑for‑Science 落地。下一部分，我们将横向对比全球主要经济体，看不同资源禀赋之下，各自走出了怎样的发展路径。
三、全球格局透视：中美欧 AI‑for‑Science 顶层战略与发展侧重对比
面对模型驱动带来的科研新周期，全球主要经济体均已出台专门战略文件，布局 AI‑for‑Science 赛道，但受各自产业基础、科研体制、资源禀赋影响，三者发展侧重存在显著差异。
（一）中国：兼顾基础模型、基础设施与产业应用
国务院 2025 年 8 月印发《关于深入实施 “人工智能 +” 行动的意见》，将 “人工智能 + 科学技术” 列为首要重点行动，明确提出以 AI 引领科研范式变革、加速 “从 0 到 1” 科学发现。国内同步推进科学数据集、算力基础设施建设，推动产学研协同攻关，面向材料、生物医药、能源等关键产业相关科学问题开展应用研究。
科研数字化转型背景下，实验室数字化、科研协作平台建设也成为国内科研体系建设重要方向，国内包括 UniResearch 在内的多款科研工具，也在顺着这一方向做产品适配。
（二）美国：企业与公立科研机构双轮驱动
美国的发展路径呈现企业与公立科研机构双轮驱动特征。大量通用科学大模型研发力量集中在头部科技企业；国立科研机构、高校侧重科学问题定义、实验验证、基础科学探索。美国国家科学院 2025 年发布的能源领域基础模型研究报告指出，算力、高质量标注数据集、复合型人才是现实发展缺口，同时提示商业闭源模型带来的科研可复现性风险。
（三）欧盟：以开放科学为底座，重视公共科研基础设施
欧盟委员会 2025‑10‑08 发布European Strategy for Artificial Intelligence (AI) in Science，深度绑定自身开放科学政策传统。政策更加优先强调数据开放、成果可复现、科研伦理治理，大力建设面向全欧洲科研人员的公共 AI‑for‑Science 算力与数据集基础设施，对商业闭源模型用于公开科研产出抱有更加审慎的态度。
（四）跨国对比得到的启示
OECD 在 2023 年发布的 AI 与科学研究报告提出，没有放之四海而皆准的最优路线。各国战略的差异，本质上是自身科研产业禀赋的投射：企业算力雄厚，则企业会承担更多模型研发；开放科学传统深厚，则公共基础设施、开放共享就会被放在更高优先级。
各国战略文件勾画了宏大蓝图，但蓝图不等于真实落地效果。当我们把视角从政策文件下沉到具体学科，就会看到 AI‑for‑Science 在不同学科之间，成熟度存在巨大分化。
四、落地现实图景：不同学科领域 AI‑for‑Science 发展成熟度分化
从全球各学科公开项目实践来看，AI‑for‑Science 的落地效果呈现明显的领域分化。
（一）走向常态化生产的代表学科：生物医药、材料科学
生物医药与材料科学是当前落地成果相对丰富的两大领域。该领域积累大规模公开实验数据集，科学问题适合转化为预测、筛选任务。AI 模型已经大量用于候选分子、候选材料的大规模预筛选，过滤掉大量无望候选对象，大幅缩减实验试错成本，不少课题组已经将模型预筛选纳入日常科研工作流。
（二）以辅助加速为主：气候模拟领域
气候模拟是另一典型场景。AI‑for‑Science 模型用来对传统气候仿真模型做加速降阶，在保证一定精度前提下，大幅降低模拟计算开销，已经被用于部分气候风险评估工作。但复杂极端气候事件的精细模拟，依旧高度依赖传统物理仿真底座，模型更多承担辅助加速角色，无法完全替代传统物理模型。
（三）尚以演示验证为主的部分基础科学方向
而不少基础科学方向，受限于高质量标注科研数据稀缺，AI‑for‑Science 成果更多停留在演示验证层面。可以完成小规模概念验证 Demo，但还很难深度嵌入课题组日常科研生产链条。
（四）区分两类成果：演示标杆与常态化科研生产
这份分化提示我们，需要建立两层认知：
- 演示级标杆成果：可以证明技术具备可行性，但距离日常科研还有距离；
- 常态化科研生产应用：真正成为科研人员日常工具，持续产出常规科研产出。
二者不能够直接画上等号。
明星演示成果可以吸引眼球，但常态化科研生产，才是衡量范式真正成熟的标尺。
注：以上学科落地分化，为基于全球公开项目、行业综述案例的归纳总结。
不同学科冷热不均的现状，是多方主体共同参与塑造出来的结果。政府、科研院所、企业、一线科研人员，各自怀揣不同诉求，共同推动 AI‑for‑Science 向前演进，也带来行业内部的内在张力。
五、多元主体视角：浪潮之下政府、科研机构、企业与研究者的机遇与诉求错位
AI‑for‑Science 浪潮由多方主体共同推动，但各方的核心目标、资源禀赋存在差异，由此形成行业内在张力，这也塑造了当下 AI‑for‑Science 的产业现实。
（一）政府科研管理机构：布局赛道，统筹公共资源与科研治理
政府科研管理机构，把 AI‑for‑Science 视为下一代科技竞争重要赛道。它的核心目标是抢占科技竞争高地，搭建公共算力、数据集基础设施，出台战略引导资源投入；同时兼顾科研治理，平衡创新速度、科研可复现性、人才培养多重目标。但大规模算力、数据集建设投入成本高昂，公共资源如何分配，是现实当中持续面对的难题。
（二）高校与公立科研院所：拥有科学问题与实验底座，但存在工程能力短板
高校与公立科研院所掌握大量真实科学问题、实验底座与科研人才。科研人员希望借助AI 驱动的科研工具，降低大规模筛选、仿真计算的重复劳动，把精力聚焦科学问题构思与结果解读。但现实阻碍同样突出：高质量科研数据集获取门槛高；很多传统课题组缺少 AI 工程开发能力，想要使用 AI‑for‑Science，需要补充交叉学科人力，形成现实短板。
（三）科技企业：算力工程优势，商业目标与科研开放诉求存在错位
科技企业拥有雄厚算力与大模型工程化能力，是 AI‑for‑Science 不可忽视的参与者。企业希望通过解决真实科学难题验证模型能力，探索技术授权、科研服务等商业化路径。但企业的商业目标，和公立科研 “开放、可复现” 的诉求天然存在错位：部分标杆成果为闭源模型完成，外部科研人员很难复现完整实验流程，这也给科研评价带来新挑战。
（四）一线科研人员：期待效率提升，同时对黑盒模型保持审慎
OECD 报告当中提及一线科研人员群体的矛盾心态：一方面期待模型带来科研效率提升；另一方面，不少科研人员对黑盒模型输出抱有顾虑，担心可复现性、机理解释不足等问题，不会直接把模型输出当做最终科学结论。
多方主体诉求不完全重合，并不代表矛盾对立。产学研协同恰恰是当前 AI‑for‑Science 最重要推进模式：科研机构输出科学问题与实验验证底座；企业输出模型工程、算力能力，多方互补。但诉求错位客观存在，也是我们理解行业诸多现象不可忽略的底色。
模型驱动带来的改变，并不只局限在技术层面。它会传导到科研工作流程、产学研协作模式，甚至重塑对科研人才的能力期待。
六、范式变迁的连锁反应：科研工作流、产学研协作与人才能力的新变化
范式驱动带来的变革，不止是新增一类工具，它会重塑完整科研工作流程，改变产学研的协作模式，同时对新一代科研研究者的知识与能力结构提出新要求。
（一）科研工作流发生结构性移位
在传统科研流程当中，研究者提出假设，设计实验，执行实验，解析实验数据。而模型介入之后，部分环节发生移位：研究者定义科学目标，交由模型完成大规模候选生成、虚拟仿真、初筛，研究者再针对模型输出的候选对象，设计真实实验完成验证。大规模试错筛选的工作，由模型承担，研究者把更多精力集中在问题定义与实验验证解读。
AI‑for‑Science 改变的是科研劳动的分配，而没有取消人类研究者的思辨与判断职责。
（二）产学研协作模式由后端转化为前置深度绑定
工作流的改变，进一步推动产学研协作模式迭代。过去产学研更多集中在成果转化的后端：科研机构产出成果，企业做产业化落地。而 AI‑for‑Science 时代，大量协作前置到科研源头阶段：企业提供模型算力底座，科研机构提供科学问题与实验验证，双方从项目早期就深度绑定，共同完成科学发现。这对科研项目管理、知识产权约定、数据共享机制都提出新的要求。
（三）科研人才能力结构提出新要求
范式变迁，最终会落到人的身上。传统学科研究者深耕本领域科学机理；传统 AI 人才精通模型算法，但缺少对具体科学领域的理解。AI‑for‑Science 场景下，复合型人才缺口开始凸显：既懂本学科科学问题，又能够理解模型能力边界，可以完成科学问题与模型任务之间的转换，成为一类重要能力。
海内外不少高校已经开始布局相关交叉课程与培养项目。但人才培养周期长，短时间内复合型人才供给缺口依旧客观存在，也成为限制很多课题组开展 AI‑for‑Science 实践的现实约束。
工作流、协作模式、人才需求都在发生变化，站在当前节点，AI‑for‑Science 中长期会走向何方？
七、面向未来：AI‑for‑Science 两条技术路线与中长期发展展望
当前 AI‑for‑Science 领域分化出通用科学大模型、领域专用模型两条主要演进路径。通用科学大模型追求跨学科通用性，愿景是降低各学科的使用门槛，但面临算力消耗巨大，细分任务精度存在短板；领域专用模型面向单一学科任务定制开发，细分场景精度更高，但通用性弱，更换研究场景往往需要重新微调训练。结合全球公开项目实践来看，二者更可能长期共存、互补发展，而非零和替代。
参照科研范式演进的历史经验，范式迭代属于渐进式演化，不会在短期集中爆发大量颠覆性基础科学突破。技术可以加速实验筛选、虚拟仿真等环节，但科学问题的定义、科学价值的解读，依旧离不开人的参与。
模型可以加速科学发现的过程，但提出真正有价值的科学问题，依旧属于人类研究者。
结语
模型为科研装上全新的加速引擎，但引擎本身不等于科学发现。AI‑for‑Science 开启的新周期，是工具与流程的巨大演进，但提出问题、定义研究目标、解读科学意义，依旧扎根于人类研究者对客观世界的好奇与思辨。范式的迭代，是拓展人类探索的边界，而不是取代探索者本身。
参考文献与数据来源
[1] 国务院.《关于深入实施”人工智能+”行动的意见》（国发〔2025〕11 号）[Z].2025-08.
[2] Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold[J]. Nature, 2021, 596(7873): 583-589.
[3] National Academies of Sciences, Engineering, and Medicine. Foundation Models for Scientific Discovery and Innovation: Opportunities Across the Department of Energy and the Scientific Enterprise[R]. Washington, DC: The National Academies Press, 2025. DOI:10.17226/29212.
[4] OECD. Artificial Intelligence in Science: Challenges, Opportunities and the Future of Research[R]. Paris: OECD Publishing, 2023. DOI:10.1787/a8d820bd-en.
[5] European Commission. A European Strategy for Artificial Intelligence in Science（COM(2025) 724 final）[R]. Brussels: European Commission, 2025-10-08.
[6] Hey T, Tansley S, Tolle K. The Fourth Paradigm: Data-Intensive Scientific Discovery[M]. Redmond: Microsoft Research, 2009.
