当AI遇见科学:未来的科学家会是什么样?

一、如果AI不只是聊天，而是和科学家一起发现

想象一下：你问人工智能（artificial intelligence，AI）一个问题：“怎样才能让一种药更有效？”它没有直接给你一个答案，而是首先去阅读大量研究资料，比较不同的观点；其次，提出几个可能的解释；再次，写程序分析数据、设计计算实验；最后，将值得验证的方案交给科学家和实验室。实验得到新结果后，AI再根据结果修改自己的判断。

这听起来像科幻电影，但这正逐渐成为现实。这类将AI应用于数学、物理、化学、生物、医学、材料等领域的工作，通常被称为“AI for Science”（简称AI4Science），也就是“人工智能+科学”（图1）。其真正有趣的地方，不是让AI替科学家做一道题，而是让AI参与科学发现的全过程。

图1  AI4Science 的基本思路：问题-假设-计算/实验-反馈-再发现

二、案例分享：AI开始走进真正的科研现场

第一个经典案例是AlphaFold。蛋白质可以理解为生命机器中的小零件，它们的三维结构往往决定了能做什么。过去，确定一个蛋白质的三维结构可能需要长时间和昂贵的实验。2020年，DeepMind的AlphaFold将蛋白质三维结构预测的准确度推进到了接近实验解析的水平，并在此后大规模应用于生物医学研究（图2）。如今AlphaFold已经从预测单个蛋白质，进一步发展到预测蛋白质与脱氧核糖核酸（deoxyribonucleic acid，DNA）、核糖核酸（ribonucleic acid，RNA）、小分子等的相互作用。

图2  AlphaFold：蛋白质结构预测

第二个案例是材料发现。Google DeepMind的材料探索图形网络（graph networks for materials exploration，GNoME）利用AI在巨大的材料空间中搜索新的晶体结构，研究团队报告发现了大量此前未知的稳定材料候选。过去，寻找一种新材料通常需要科学家凭经验逐一尝试；AI则可以先在计算机中筛选出值得实验的候选材料，再将有限的实验资源集中到最有希望的对象上。这种先由AI搜索候选，再通过实验验证的方式，正在改变材料科学的工作流程。

第三个案例来自数学。2026年9月，OpenAI宣布其内部AI系统给出了Navier–Stokes方程“存在性与光滑性问题”的一个解法。这是著名的七个“千禧年大奖难题”之一，其内容为描述流体运动的基本方程是否可能在有限的时间内出现奇异性。OpenAI称其系统通过大规模多智能体搜索找到了Navier–Stokes方程的证明，并进一步使用Lean完成了形式化验证。然而，截至目前，相关结果仍需数学界的独立检查与确认，围绕研究来源、贡献和验证也需要公开讨论。

三、AI为什么特别适合帮助科学家？

第一，AI很擅长“读”。科学家每天面对大量论文、实验记录、数据和资料。一个人很难将所有相关知识全部读完，而AI可以快速整理大量信息，帮助研究者找到可能被忽略的联系。

第二，AI很擅长“想”。面对一个问题，人容易沿着熟悉的思路思考；AI则可以同时提出许多不同的假设。虽然其中不少想法可能是错的，但科学发现通常是在不断排除错误可能性的过程中产生的。

第三，AI很擅长“做”。如今的AI已不限于文字生成，还可以编写代码、分析数据、调用计算工具，甚至接入科研数据库和自动化实验平台。这使得AI提出的想法可以更快地进入计算和验证环节。

但需要注意：AI会犯错。它可能将错误的信息说得非常有道理，也可能提出无法实现的实验方案。因此，科学中的AI不能只是一个答案机器，而应该是一个需要证据、实验和人类判断来约束的合作伙伴。

四、未来的科学家，可能不是一个人，而是一支人机团队

想象十年后的一个高中生。她想研究一种能够减少环境污染的新材料。她可能首先与AI讨论问题，让AI帮助她阅读相关资料；其次，让另一个AI分析已有实验数据；再次，让AI写一个小程序模拟不同材料组合；最后，挑选最值得尝试的几个方案，真正去实验室验证。实验结果回来以后，AI继续分析失败原因，提出下一轮方案（图3）。

这时，最重要的能力就不再是记住多少知识。而是：能否提出好问题？能否判断什么结果值得相信？能否发现一个看似普通的现象背后的意义？能否坚持验证，而不是因为AI给出的结论看似可信就轻易接受。

图3  未来可能出现的AI科研团队：AI负责大量探索，人类负责方向与关键判断

五、今天的青少年应该学什么？

答案可能比想象中简单：不要只学怎么使用AI，更要学会怎么做科学。

首先，要保持好奇心。看到一个现象时，多问一句为什么。其次，要学习基本的数学、物理、化学、生物和计算思维，因为AI越强，越擅长解决单一学科内的常规问题，真正有价值的问题往往需要跨学科知识。再次，要学会验证：一个答案是否可靠？证据在哪里？有没有另一种解释？最后，要敢于动手做小实验、写小程序、分析真实数据。

AI正在降低科学探索的门槛。过去，一个学生可能需要花几个月才能完成某些资料整理和程序分析，才能进入真正的探索；未来，这些准备工作可以由AI更快地完成。但门槛降低并不意味着科学变得简单。恰恰相反，当获得答案越来越容易时，提出一个值得研究的问题会变得越来越重要。

也许未来最优秀的科学家，不是最会背知识的人，而是最会发现问题、提出好问题、愿意验证自己想法的人。而AI则可能成为他们身边最强大的科研伙伴。

因此，AI4Science真正值得期待的地方，不只是AI能否替科学家做实验，而是：当人类拥有一个可以一起阅读、思考、计算、实验和反思的智能伙伴，我们能否更快地发现那些过去难以发现的规律？

这或许就是下一代科学的起点。

作者：申彦明 （大连理工大学计算机科学与技术学院 博士生导师 教授）

审核：齐恒（大连理工大学计算机科学与技术学院 博士生导师 教授）