从经验到智能驱动：AI如何开启第5科研范式？

1 AI驱动的第5科研范式

科学研究的演进从未停歇。Jim Gray提出的科研范式框架指出，传统科研经历了4次主要的范式跃迁：经验驱动范式、理论驱动范式、计算驱动范式和数据驱动范式，每一次变革都突破了人类认知边界。而当下AI技术正催化第5范式的诞生，推动科研逐步迈向AI驱动的第5科研范式（图1）。

图1 科研范式发展历程

在迈向第5范式的转型过程中，理论数学、量子物理学、神经科学及语言学等领域推动了AI技术的发展（图2）。科研范式转变的背后是算力的提升、AI技术的发展、AI for Science（AI4S）与AI for Research（AI4R）的兴起以及大模型的推动。

图2 科研范式进步的原因

第5科研范式是以人工智能为核心驱动力，实现科研全流程智能化重构的研究体系，体现如下。

（1）主体转变：从人类主导到人机协同，形成“人类直觉+机器智能”的双引擎驱动。

（2）流程重构：打破传统线性研究路径，构建“假设生成—实验设计—验证迭代”的智能闭环。

（3）知识生产：基于大模型的涌现能力实现跨学科知识重组，突破人类认知局限与领域知识壁垒。

1）假设生成。AI模型通过跨学科知识融合突破传统思维局限，通过知识重组，将离散的科研发现编织成创新理论框架，使假设生成从依赖灵感的偶然行为转变为系统性知识涌现的科学过程。AI自动生成假设，并通过计算模拟进行初步验证。

2）实验设计。AI构建数字实验系统，进行虚实融合的智能优化。AI模型将物理约束编码为多维参数空间，在虚拟环境中并行探索数百万种实验方案，动态优化实验设计。

3）验证迭代。AI模型对海量数据进行自动化处理、分析和优化，建立“理论—实验—数据”的三角验证体系，构建动态“评估—反馈”的强化学习闭环，进行假设的自我证伪机制。AI模型采用主动学习策略，使科研验证从单次确认升级为持续认知迭代的智能进化系统。

2 百花齐放的大模型时代

人工智能自1956年达特茅斯会议诞生以来，经历了“三起两落”——3次技术高峰与2次低谷交替（图3）。

图3 AI发展的“三起两落”

21世纪，尤其是2014—2024年，生成式AI快速发展。深度学习生成模型在图像、语音、文本等领域取得突破，催生多样创新应用，既延续了技术积累，又为人工智能带来新的活力与可能（图4）。

图4 大模型发展历程

大模型发展迅猛，尤其是大语言模型（LLM）推动了文本生成和对话系统的变革，并自然延伸至多模态领域。2022年底ChatGPT问世，标志生成式AI新高峰，随后国内外LLM竞相涌现，呈现百花齐放局面（图5）。

图5 LLM发展时间线

综合来看，当前的大模型能力存在但不局限于以下方面。

（1）语言理解与生成：大模型能够精准理解复杂语言结构和语义。

（2）逻辑推理与交互：大模型能够根据输入的信息进行归纳推理、演绎推断，完成复杂的多步推理任务。

（3）知识存储与检索：大模型可以高效地从庞大的知识库中提取相关信息，精准地回答问题。

（4）视觉与多模态：大模型的视觉理解能力使其能够精准解析图像内容，进行物体识别、语义分割等任务（图6）。

图6 LLM的基础能力

大模型通过其强大的能力为各种复杂任务提供了支持。然而，大模型仍面临其特有的局限性与伦理问题（图7）。

1）幻觉现象。LLM的幻觉是指模型生成的内容可能与实际情况不符或出现逻辑上的错误。

2）可解释性差。可解释性差意味着无法理解模型是如何从输入数据中提取特征，以及如何根据这些特征作出预测。

3）高级推理能力弱。LLM在涉及需要推理和抽象思维的复杂任务时，它们显得力不从心。

4）伦理问题。LLM可能在无意识间吸收并传播有害内容，使输出结果带有倾向性、不公平性。

图7 LLM的局限性与伦理问题

3 大模型辅助的智能科研管理

AI大模型作为第5科研范式核心，推动科研管理变革，形成“ AI4X”与“X4AI”双向赋能：AI技术渗透学科管理，学科反馈推动AI迭代，构建多学科融合的智能管理网络（图8）。

图8 AI大模型辅助科研管理

1）科研管理建议：从“经验”建议到“智能”建议。

• 校级层级（战略智能）：通过数字孪生校园平台模拟科研资源配置方案，动态优化“双一流”学科布局，实现了科研资源与学科发展的精准匹配。

• 院系层级（战术智能）：基于资源智能配置算法预测学科趋势，开发ESI学科阈值预警系统，提前预判学科排名变化，避免资源错配。

• 部门层级（操作智能）：利用多智能体仿真构建科研动态平衡算法，提升突发任务响应效率。通过数字沙盘模拟科研成果转化路径，缩短技术落地周期。

2）科研平台建设：从“定制”建设到“智能”建设。

• 跨学科知识装配引擎：通过DeepSeek模型，不同领域的知识可以无缝衔接，为科研团队提供快速解决方案。

• 动态数据湖：Gemini多模态系统可同时处理文本、图像、音频输入，实时生成实验方案并优化步骤，加速复杂实验进程。

• 智能实验工坊：AI大模型还可以为复杂实验方案的自动生成与优化提供帮助，避免了繁琐的手动干预。

3）前瞻科研布局：生成式AI的预见性推演。

• 开设复合课程：推动AI与各学科的深度融合，培养复合型创新人才。

• 校企联合培养：共同开展AI大模型的研究与人才培养，助力高校优化教学体系。

• 攻关核心技术：通过人工智能创新与产业研究院，专注于AI技术的原创研发和应用转化，服务国家战略需求。

4）科研人才管理：从“师徒制”管理到“全球化”管理。

• 构建动态图谱：构建全球顶尖学者动态图谱，实现人才引进的智能匹配与风险评估。

• 团队智能诊断：GPT−4驱动的智能诊断系统自动生成包含知识结构补全方案的人才重组建议。

• 打造产学研人才旋转门：通过华为联合实验室实现工业界专家与学术人才的动态流转，缩短技术转化周期。

4 大模型辅助的科学假设生成

1）人类的创造力密码。以知识重组理论为基石的研究揭示，跨领域知识的碰撞往往能催生超线性价值。

2）打破传统创新瓶颈。近几年更多研究通过AI驱动的数据整合打破专业壁垒，加速创新性想法建立与迭代。

3）构建人机协作模式。为了更好地利用大模型的潜力实现具备创新性和可行性的科学假设生成，大量研究提出人机协作的科学探索模式，引领科学探索更加精准地实现系统性突破。通常由5个步骤实现：问题定义与领域聚焦—文献搜索与关键背景知识获取—基于科学知识库生成假设—强化学习迭代细化假设—假设评估（图9）。

图9 大模型辅助的科学假设生成流程

4）生成式AI助力学术创造。科研变革动力的讨论主要集中在算力提升与深度学习技术上，较少涉及生成式AI和跨模态智能系统在科研辅助过程中的应用。在材料与生命科学等领域（图10），以AlphaFold3和GNoME为代表的生成式大模型凭借并行处理数据能力，以及主动学习和迭代优化策略，显著加快了科研进程，推动新药研发周期从10 a缩短至2~3 a。

图10 GNoME与AlphaFold3假设生成过程

5 大模型辅助的论文与项目

1）提高科研效率。在论文写作中，大模型在文献综述、数据分析与写作辅助等方面表现出色。同时，大模型亦能协助实验设计、构建研究框架与提出创新假设，推动科研高效进展。

2）高效推动申请书撰写。在科研项目申请中，大模型为撰写提供智能化支持。这种辅助显著提高了申请书撰写效率与系统化水平，进而增加申请成功率。

3）学位论文写作支持。学位论文体现学生的学术能力，大模型可在文献综述、方法论与结果讨论等环节提供专业支持。

4）智能化论文与项目评审。大模型技术通过智能筛查与分析，能基于创新性、技术路线等核心指标生成评审建议，提升公正性与准确性，减少人为偏见。同时，其还可承担初步筛选任务，优化评审资源分配，增强整体评审效率。

5）生成式AI与跨模态智能的应用前景。生成式AI在自然语言生成与理解之外，还能融合多模态信息，为科研提供更全面支持。在跨学科合作中，其推动信息融合与智能推理，助力实现科研创新突破。

6 未来科研范式展望

生成式人工智能的崛起与跨模态智能系统的快速发展，为科研范式带来了深远的变革。这些先进技术跨越了文本、图像与数据之间的模态界限，高效地实现知识的智能检索与推理，辅助研究人员在多个科研环节中实现深度交互与协同创新。

未来复杂系统的建模会对人类专家有限的科研精力和科研速度带来非常严峻的挑战。而AI以其海量的知识储备，卓越的计算能力和智能水平，可以将人类专家从底层的推理设计实验中解放出来，从而更专注于顶层的科学问题凝练和科研路线把握。与此同时，科学家需要对AI的过程和产出的规范性、合法性和安全性保持足够的警惕。AI的滥用也会对科研，甚至社会造成严重的威胁。AI是一把双刃剑，广大科研工作者需要学会用并且用好AI，科学未来才能走上新的高速路。