浦江科学之问的10个问题分别是：

•1 人工智能的数理基础

•2 实现高增益持续燃烧的聚变等离子体

•3 突破经典物理极限的大规模比特的量子纠错指数级抑制

•4 构建跨尺度、跨模态的化学反应基础模型

•5 利用AI实现原子级物质合成操控及性能预测

•6 早期宇宙超大质量黑洞快速形成机制

•7 海陆冰气多圈层耦合下全球季风区极端天气气候机理及预测

•8 基于生成式AI的完整生命实体构建与设计研究

•9 蛋白质如何在"动态变化"中决定生命功能、疾病发生与药物作用

•10 衰老的时空异质性及其系统性调节机制

上海人工智能实验室青年科学家钟翰森点破了这层结构：第1个问题是AI技术本身的基础，后面9个都可以用AI赋能研究。

注意这个顺序——AI既是研究对象，又是研究工具。它不再只是某一个学科的分支，而是其他所有科学领域的"共同地基"。

上海人工智能实验室主任周伯文有个比喻：早期的AI for Science像"科学家的访客"——帮忙检索文献、分析数据、跑计算，随叫随到，但始终是屋外的客人。如今，AI已经进入问题定义、假设生成、方案设计、实验验证各个环节，成了科研"房子里的常住者"。

变化最直观的是时间。传统抗体发现的关键环节以年计算，AI与生物学协同后，部分环节可以压缩到约90天；蛋白质折叠这个困扰科学界数十年的问题，靠AlphaFold取得关键突破。

中科院院士、上海交通大学李政道研究所副所长丁洪从超导研究说起：一种理论设想从提出到实验确认，过去往往要数十年，现在大科学装置的极端实验条件与AI结合，正帮研究者更快找到新现象。复旦大学计算力学与人工智能交叉研究院创院院长蓝楚科，把AI给科研带来的变化归结为两个词——加速，和发现。

过去几十年，科研依次走过实验、理论、计算、数据科学四种范式。如今，被称为"第五科研范式"的AI for Science被正式提出。

它不是简单地让某个环节变快。当AI能理解文献、能提出假说、能设计实验、能分析结果，科研各个环节之间的连接方式就被整体重写。

这也是为什么，判断一个科研方向该不该投入，不能只看它"热不热"，而要看AI能不能真正降低某个环节的成本、缩短某段反馈的时间。