結果“一鍵輸出”,科研過程還重要嗎
——院士談AI的使用邊界
訂閱已訂閱已收藏
收藏
在山東青島機器人6S體驗店,一台機器人與消費者互動。新華社發

湖南長沙,雜交水稻全國重點實驗室科研人員在篩選及克隆雜交水稻低鎘、耐鹽鹼基因。新華社發

在吉林省仿生機器人創新中心,科研人員調試仿生拉壓體靈巧手樣機類人抓握姿態。新華社發

重慶市梁平區濕地保護中心工作人員在對採集數據進行整理。新華社發
【圓桌對話】
編者按
AI正在把科研推入一個“結果優先”的時代:自動拆解任務、調用工具、完成計算、輸出方案,以前數月的計算量被壓縮到數小時……但效率提升之后,更深層的問題浮現出來——哪些工作該交給AI,哪些事情必須留給人?結果和過程,究竟該如何平衡?
AI越是能快速交付結果,科研過程中那些無法被結果直接體現的部分就越需要被重新看見——問題如何被提出,方向如何被判斷,異常如何被追問,失敗如何被復盤,責任如何被界定……這關乎的不只是科研方法,還有評價體系、人才培養和科研誠信。
當“輸出”變得更容易,什麼才是真正值得“輸出”的,反而更需要人來回答。對此,本期特邀三位院士展開對話與探討。
主持人:
本報記者 崔興毅 陳海波
嘉賓:
中國工程院院士、中國科學院大連化學物理研究所所長 劉中民
中國科學院院士、南京大學地球科學與工程學院教授 沈樹忠
中國工程院院士、中國科學院光電技術研究所所長 羅先剛
效率提升后,還有更重要的事
主持人:AI優先輸出結果的模式,正在從哪些方面改變傳統科研的工作方式?
劉中民:AI帶來的變化是全鏈條的。日常有很多問題可以通過AI工具快速方便地得到總結性結果。以我從事的催化研究為例,過去我們開發一項新的催化技術,從文獻調研到催化劑配方篩選,再到工藝中試放大及技術工業化,動輒十年以上。現在,中國科學院大連化物所團隊開發的智能化工大模型已經實現了從“能理解、會回答”向“能規劃、會執行、可驗証”的跨越,需求提出后,模型可以自動拆解任務、調用工具、完成計算並輸出方案。在數據層面,我們在長興島建成了國內首個千噸級智能中試平台,能夠“按需生成”實驗室難以覆蓋的真實工況數據,這在過去是不可想象的。但我認為,目前AI改變的仍然是科研的效率和路徑,讓科研人員從重復勞動中釋放出來,去提出更有意義的科學問題,去做更有創造性的事。
沈樹忠:最本質的改變,是科研正在從過去“靠經驗、靠個人掌握的有限數據作推斷”,走向“利用大規模數據訓練和分析總結規律”。AI能夠從海量、復雜的數據中提取規律,完成人工難以完成的大規模數據比對,從而拓展知識和數據的使用范圍,提高科學推斷效率。AI for Science(人工智能驅動的科學研究)如果發展得好,將為人類認識各學科基本規律提供新的工具和方法。
但前提是,模型必須建立在扎實的數據積累和高質量訓練素材基礎上,需要長期投入,並不是隨意建模就可以得到可靠結果。這也是當前不少領域應用AI面臨的重要瓶頸。基因結構預測、數學問題求解等領域,AI已經展現出很強的能力,並在一些任務中顯著提高了科研效率﹔而在不少專業領域,數據積累和數據質量仍然是制約AI應用的重要因素。
以我們開展的古生物數據庫建設為例,我們整合全球不同來源、不同類型的數據訓練模型,用於預測化石產出、研究生物演化規律等。這些工作並不是憑空產生的,而是建立在世界各國科學家長期觀察、記錄和研究積累的基礎之上。換句話說,AI能夠處理和發現規律,但高質量的數據仍然來自人類長期的科學實踐。
羅先剛:我的體會很直接。我們團隊從2003年起研究納米尺度的異常光學現象,當時每周能落地的實體實驗次數屈指可數,大量工作只能靠理論推演和手動編程完成。懸鏈線光學的突破,靠的是十年間反復計算、失敗、再推演的循環。AI如果在那時介入,確實能大幅壓縮這一周期。
但AI改變最顯著的是“驗証效率”,而非“發現邏輯”。在微納光刻和超構表面設計中,大量參數迭代、結構篩選、重復性仿真,AI可以在數小時內完成過去數月的計算量,這是實實在在的解放。然而,AI的“優先輸出”模式有一個前提——它需要被給定一個明確的目標函數。而科研中最關鍵的一步,恰恰是確定這個目標函數本身。我們當年問出“能否用非離散型結構讓相位分布連續”這個問題,AI無法替我們提出。因此,AI改變的是科研的“執行層”,尚未觸及“提問層”。
在過程中積累能力,對結果應嚴格驗証
主持人:現代科研究竟是追求確定性研究結果,還是依托研究過程挖掘未知可能性?
劉中民:科研的核心目的在於創新。從基礎前沿看,應拓展人類的認知邊界﹔從應用角度看,應通過技術創新促進社會物質文明的發展。前者更多地探索未知,后者更多地追求結果的確定性。二者類似科學與技術的關系,都很重要,既互相聯系,又互相支撐,並非對立的矛盾關系。物質世界從來都是復雜和動態的,對於同一個過程,從科學層面可能需要將復雜體系高度簡化,才能認清現象背后的本質﹔從技術層面則不能忽略眾多影響因素或變量之間的聯系。但對於一個包含從微觀到宏觀巨大跨度的復雜工業過程,目前還沒有很好的數學方法加以精准描述,更多地需要通過“逐級放大”試驗進行驗証才能發展為可實際應用的技術。流程工業的新技術發展主要靠這樣的方式降低風險。在這過程中,也可以提煉科學問題,促進技術的迭代升級。AI對於復雜體系具有特別優勢,數據和科學原理雙驅動的人工智能,對流程工業技術發展具有巨大的促進潛力。
沈樹忠:二者並不矛盾。AI可以參與數據分析、規律提取、假設生成等環節,但目前還不能完全替代科學家提出關鍵科學問題、判斷研究方向和承擔最終科學責任。研究過程本身非常重要,因為科學問題、研究思路、技術方案以及對異常現象的追問,往往是在長期實踐中形成的。
但科研最終還是要追求經得起檢驗的科學結論。如果研究思路或者模型設計存在問題,得到的結果就可能出現偏差。因此,科學研究既要重視過程,也必須對結果進行嚴格驗証。
以利用化石記錄研究地球生命演化歷史為例,我們從2006年起開展相關數據庫建設,經過近20年的積累,已經形成了具有全球規模和影響力的古生物地層數據庫。AI模型的訓練同樣建立在人類此前長期積累的觀察和研究數據之上。沒有這些基礎數據,就很難形成可靠的模型。因此,過程是基礎,結果要檢驗,二者並不矛盾。
羅先剛:從我的科研經歷看,答案是后者。這裡需要區分:不追求單次確定性結果,不等於不追求效率。對目標明確、路徑清晰的驗証性任務和工程攻關,必須講效率、講成功率,能一次做對就要一次做對﹔對探索性、原創性研究,則不能用“必須一次成功”來考核追責,那可能會逼出保守選題和虛假嚴謹。懸鏈線光學最終產出器件,就來自十年間無數“不確定”的試錯。所以,科研的核心目的是在過程中積累“提出更好問題”的能力,同時以合理效率推進確定性任務。這種能力無法外包。若長期依賴AI直接交付結論,會喪失對好問題的判斷力﹔把AI當作壓縮試錯周期的工具,把省下的時間投入機理追問,AI才是強化而非替代科研。
“為什麼”是科研中最寶貴的部分
主持人:隻讓AI交付“最終結果”,會讓我們丟失哪些隻有人類科研過程才能產生的隱性價值?
劉中民:現階段AI仍然只是一種創新的工具,真正驅動創新的並非AI本身,而是人。AI隻交付“最終結果”的模式,其核心實際還是一種由數據驅動的“端到端”的模式。人,才是能理解產生“最終結果”的過程的可靠性與正確性的主體。特別是科研工作者,在這方面應始終處於主導地位。當前最大的問題是數據的豐富性與可靠性,文獻等公開資料能夠查到的往往是成功的例子及相關數據,而所謂的失敗的例子及數據也是寶貴的,但都散落在科研人員手裡,難以被利用。如果AI隻從“好結果”“好數據”中進行總結和學習,必定有缺陷,甚至帶來嚴重的誤導。另外,任何時代的知識和數據都不能稱為完備,AI也受到這些限制。有人講過,如果AI產生於哥白尼時代,不太可能給出“日心說”的結論,我同意這樣的說法。現階段看,AI仍處於初級階段,是提高效率的工具。我個人認為,突破現有知識限制,或者突發奇想式的創新,仍然要靠人的智慧。但也不排除AI具有超越人類的智慧,現在講還為時過早。
沈樹忠:會丟失很多。人類科研中的許多重要創新、靈感和意外發現,都來自長期觀察、實驗探索、失敗復盤和邏輯推演,這些過程所產生的科學價值,是單純的結果輸出難以替代的。
我曾數百次赴世界各地開展野外調查,很多關鍵數據都來自現場觀察。我們也在本領域開展AI模型研究,但模型建立在世界各國科學家數百年積累的數據基礎上。過去的科學研究往往是一個點一個點地觀察:發現化石以后,要記錄它的產出地點、層位、岩性、化石類型等信息,再把全球不同類型的數據整合起來,建立數據庫,進一步利用模型預測可能的化石產出,或者研究地球生物演化過程等。
這些看似由AI完成的結果,本質上仍然建立在大量真實觀察和數據記錄之上。如果沒有科學家長期開展野外觀察、採集和研究,就沒有高質量的數據,也就沒有可靠的AI模型。因此,AI越發展,我們越不能忽視科學觀察和實驗實踐本身。
羅先剛:丟失的是“與不確定共處的經驗”。我最深的記憶不是成功的瞬間,而是那些與不確定共處的日夜。失敗實驗背后的“為什麼不行”,和成功實驗背后的“為什麼行”,同樣構成科研積累的一部分。一個隻看到AI輸出“這個方案有效”的研究者,缺失了整個推理鏈條中最具訓練價值的部分。
具體到我的領域,超構表面的相位調控涉及電磁波與亞波長結構的耦合、諧振、色散等多重物理過程的交織。AI可以給出“最優結構參數”,但無法替代研究者理解“為什麼這組參數在物理上是自洽的”。這種理解,是后續提出新原理、新架構的唯一基礎。隱性價值還包括:對實驗異常的警覺、對“過於漂亮的結果”的懷疑以及跨學科聯想的能力——懸鏈線光學恰恰是數學、力學與光學的意外交匯,這種聯想來自人的思維,不來自數據擬合。
AI要做擅長的事,人要守住底線
主持人:哪些科研場景可以信任AI的結果、優先效率?哪些科研場景絕對不能脫離人的主導?
劉中民:以大模型為核心的生成式AI借助於計算機算力和存儲的大規模應用,展現出了處理高維復雜問題的優勢。需要發揮這些特點的場景,可以多用AI。如文獻檢索和總結,原來查閱文獻要花幾個月,現在AI幾分鐘就能出一份綜述報告。在催化劑高通量篩選中,機器學習已經能夠快速預測構效關系、優化合成條件。但人也不能變懶,要明白結果及其背后邏輯的可靠性、正確性,並能夠運用這些結果。
對於科學邏輯不清楚的多因素、多變量的巨復雜體系,以及本來就沒有理論基礎的場景,AI可以幫助梳理和總結以提高效率。但建立理論體系,甚至在沒有理論指導的情況下發展技術,要慎重使用AI。如流程工業新技術從實驗室到工業化的“死亡之谷”跨越,其中涉及工程判斷、安全評估、產業對接等重要環節,仍然需要富有專業經驗的研發人員來把關。總體上,讓AI做它擅長的“快”,讓人守住“對”的底線。
沈樹忠:在嚴肅的科學研究中,AI生成或推斷的關鍵結果都需要經過人工審查和必要的獨立驗証。AI得到一個結果以后,我們應檢驗它是否與實際觀察相一致。如果存在矛盾,就需要進一步檢查原始數據、模型設計和基本假設,再對模型進行優化。
對於數據積累比較成熟、驗証標准比較清晰的任務,AI可以承擔大量數據處理和分析工作,提高科研效率。例如基因結構預測、數學問題求解,以及整合大量化石信息重建生物多樣性變化等,但涉及地層界線定義、生物大滅絕模式判定等核心科學問題時,人工推理、專業判斷和獨立驗証仍然不可替代。
特別是在AI結果與實際地質記錄發生矛盾時,不能簡單接受AI給出的答案,而應該回到原始數據,追問模型採用了什麼假設、數據是否存在偏差,以及為什麼會出現這種矛盾。這種科學判斷能力,需要長期的專業訓練和實踐積累。
羅先剛:界限很清楚。目標是已知的,可以信任AI﹔目標是需要被發現的,必須由人主導。
基礎驗証、參數迭代、數據復盤、重復性仿真——這些場景的目標函數明確,AI出結果高效可靠,完全可以優先效率。我們團隊現在做全空間伴隨的拓扑優化,涉及海量參數空間搜索,AI和計算工具的介入是必要的。微納光刻中的工藝參數優化、超構表面的色散曲線擬合,也屬於可信任范疇。
但是,這些場景不能脫離人的推演:第一,新物理機理的提出。懸鏈線光學的核心突破,是從基本物理層面追問相位調控的本質,這需要判斷力而非計算力。第二,跨學科的問題提煉。把現實需求轉化為科學原理問題,是戰略科學家的核心能力,AI目前不具備這種轉化意識。
科研評價和人才培養體系需改革
主持人:AI輔助科研未來會走向“結果導向”還是“過程優先”?科研人員該如何平衡AI工具效率與自身核心能力?
劉中民:我認為未來的方向是“人機協同、過程優先”。大連化物所正在構建的“實驗室—虛擬工廠—實體工廠”新范式,核心思路就是讓AI承擔計算、模擬和優化的角色,而人則聚焦在提出正確的問題、判斷工程可行性、評估安全風險方面。我們應培育“AI+化工”的復合型人才,不是讓人去跟AI比誰算得快,而是讓人具備“理解全貌”的能力。
具體建議有三條:第一,科研人員應主動擁抱AI,把它當作“工程伙伴”而非“替代者”﹔第二,評價體系需改革,不能隻看論文和結果,應重視方法創新和人才培養的長期價值﹔第三,國家層面應統籌建設行業高質量數據集和數據中心,打破數據壁壘,同時使用AI輔助產生高質量數據,讓AI真正成為支撐整個科研體系的基礎設施。
沈樹忠:目前很難給出一個確定答案,還需要在實踐中不斷探索。但有一點是明確的:基礎知識和實踐能力不能丟。從事地質科學研究,不能一開始就完全依賴AI。
AI通用模型在知識檢索、文獻閱讀、資料整理等方面,能夠給科研人員帶來很多便利。但AI使用的邊界,也涉及科研誠信和科學責任。科研人員可以合理使用AI輔助文獻檢索、資料整理和語言表達,但不能把AI生成的內容未經核實就作為自己的科學結論,更不能用AI替代研究者來承擔相應的學術責任。
我們團隊從事地球科學、大數據和AI研究的學生,都要求參加野外科學考察。我帶的博士生,即使主要用數理統計和大數據方法研究生物多樣性,入學期間也要到野外觀察地質剖面、採集和辨識化石。隻有真正知道化石在岩層中是什麼狀態,再去看數據庫裡的數字,才能理解這些數字究竟意味著什麼。
所以,我認為,AI是拓寬科學視野、提高信息處理能力和加速科學推斷的重要工具,但野外觀察、實物辨析、實驗驗証以及對異常現象的追問,仍然是地球科學研究必須守住的基礎。
羅先剛:我的判斷是,工具層面應注重結果導向,人的培養層面必須注重過程優先。這兩者不矛盾,但絕不能混淆。
工具越高效,對人的判斷力要求越高。如果我們的科研評價隻看AI輔助產出的論文數量和指標,就會催生一批“善於調用工具但缺乏物理直覺”的研究者。這對基礎研究是危險的。我在中國科學院光電技術研究所推動科研評價改革時,堅持把創新能力和人才產出作為核心要素,而不是簡單看產出效率。
對青年科研人員,我的建議是:把AI用在你能說清楚“為什麼做和為什麼這樣做”的環節上,把最寶貴的時間和心力留給那些你還說不清楚“為什麼”的問題。科學研究既需要“於無聲處聽驚雷”的敏銳,更需要“板凳甘坐十年冷”的定力。AI可以幫你“坐”得更有效率,但不能替你“坐”。懸鏈線光學等了十年才等到答案,不是因為算得不夠快,而是因為那個問題本身值得等。
分享讓更多人看到
- 評論
- 關注
































第一時間為您推送權威資訊
報道全球 傳播中國
關注人民網,傳播正能量