夜雨聆风【导语】 2024年，诺贝尔化学奖颁给了AI预测蛋白质结构的科学家；2026年开年，清华大学一项横跨45年、分析超过4100万篇论文的研究登上Nature，却被Science深度报道——它揭示了一个悖论：AI正在让单个科学家"开挂"，却可能让整个科学界"内卷"到更窄的山头。这是科研人必须面对的"第五范式"真相。
一、从诺奖到"第五范式"：AI for Science不再是科幻
如果你还在把AI当成"写论文的辅助工具"，可能已经落后于时代了。
2024年诺贝尔化学奖的一半授予了DeepMind的Demis Hassabis和John Jumper，表彰他们开发的AlphaFold在蛋白质结构预测上的革命性贡献。在AlphaFold出现之前，全球结构生物学界通过实验手段验证的蛋白质结构不足20万个；而AlphaFold数据库提供了涵盖几乎所有已知物种的超过2亿个预测蛋白质结构，仅用数年便完成了人类以往百年的科研积累。2024年推出的AlphaFold3更进一步，不仅能预测蛋白质静态结构，还能高精度预测其与RNA、小分子、离子、糖基化修饰等的复合物结构，标志着AI驱动的结构预测从单一蛋白质向多分子互作网络的范式转变。
这一标志性事件被学界视为"第五科研范式"的确立。中国科学院自动化研究所副所长曾大军指出，科研范式已历经三次重大变革：以观察实验为核心的经验范式、以数理模型为基础的理论范式、以仿真模拟为标志的计算范式。如今，AI正推动科研逻辑发生根本性转变，催生出以"数据密集—智能涌现—人机协同"为特征的智能化科研新范式，即"第五范式"。人民日报评论文章也强调，人工智能正成为重构科研范式的核心驱动力，加快AI与科学研究的深度融合，是抢占未来科技制高点的战略性抉择。
二、清华Nature研究的"冷水"：个体加速，集体收缩
就在所有人欢呼AI for Science时代的到来时，清华大学电子工程系李勇教授、徐丰力助理教授联合芝加哥大学James Evans教授的团队，在2026年1月14日的Nature上发表了一项令人深思的研究。
他们构建全球首个AI赋能科研全景知识图谱，分析了超过4100万篇论文（其中约31.1万篇借助了AI工具），跨越机器学习、深度学习、生成式AI三个时代。结果发现了一个典型矛盾：
AI在助力科学家"个体加速"的同时，却导致科学界的集体注意力窄化和趋同优化的"群体登山"现象。
具体数据显示：使用AI辅助科学研究的科学家，年均发表论文量高出3.02倍，获得引用量高出4.84倍，从初级晋升资深平均提前1.37年——个体层面确实"加速"了。但在系统层面，AI擅长在已有的、数据丰富的领域内进行优化和自动化，却缺乏真正创新所需的"直觉"和"跨领域联想"能力。这导致科学家们集体涌入少量适合AI研究的"热门山峰"，科学探索的知识广度收缩了约4.6%，科学家间的跨界互动也显著减少。
Science杂志随即跟进深度报道，将这一现象概括为：AI has supercharged scientists, but may have shrunk science（AI让科学家超速，却可能让科学收缩）。
这个悖论绝非偶然。研究团队进一步分析表明，这是由当前科学智能AI模型缺乏通用性导致的系统性影响。换句话说，AI目前更像一个"专才"而非"通才"，它能把已知领域做到极致，却难以开辟全新疆土。
三、国自然重磅布局：2026年AI for Science的"国家队"信号
面对这一范式变革，中国科研体系正在顶层设计上全面发力。
2026年1月26日，国家自然科学基金委员会正式发布"可解释、可通用的下一代人工智能方法"重大研究计划项目指南，面向人工智能发展国家重大战略需求，以AI的基础科学问题为核心，推动AI方法在科学领域的创新应用。
该计划2026年度拟资助重点支持项目约5项（直接费用约200万元/项，资助期限3年），集成项目约4项（直接费用300–500万元/项，资助期限3年）。值得注意的是，项目指南明确列出了七大重点支持方向：
1. 几何对称性先验嵌入的深度神经网络
2. 智能体驱动的多模态全流程数据治理平台（支持蛋白质与多糖结构分析等科学任务）
3. 高维复杂物理约束下的生成建模与科学计算（面向功能材料设计、复杂物理场反演）
4. 融合物理与人工智能的极端尺度科学成像
5. 基于深度学习的量子多体计算
6. 人工智能加速的仿星器优化设计（面向可控核聚变）
7. 耐受极端环境的生物元件设计平台
以及两大集成方向：深度神经网络动力学机制理论与新架构设计；符合物理规律的世界模型理论与关键技术。
与此同时，"集成芯片前沿技术科学基础"重大研究计划也明确面向下一代AI for Science超算CPU需求，要求研制百芯粒级大规模集成芯片原型，在第一性原理精度分子动力学模拟应用中，速度相比超前两代工艺的主流CPU芯片提升1个数量级。
从国家基金委的密集布局可以看出，AI for Science已从"前沿探索"升级为"战略刚需"。
四、青年科研人可能需要思索的点
面对"第五范式"的浪潮和清华研究揭示的"窄化"风险，普通科研人该如何自处？
1. 做"AI+"，而非"+AI"
国自然指南反复强调，研究不能停留在简单应用层面，更要注重算法创新，真正解决特定科学难题。曾大军指出，AI for Science的核心特征之一是"以智能挖掘替代假设检验"，从海量数据中自主发现人类难以直观捕捉的规律与关联，进而提出新假设。这意味着，科研人不应只是把AI当作工具"加"到原有研究中，而应让AI深度重塑科学问题的提出方式。
2. 守住"跨界"的护城河
清华研究最大的警示是：AI容易导致"群体登山"。当所有人都在用AI做同样的事情时，跨学科能力才是真正的稀缺资源。复旦大学联合上海人工智能实验室开发的跨学科大模型，整合物理、化学、生物等学科知识，在超导材料预测、台风路径模拟等方面取得了更准确、更高效的成果。你的独特优势，可能恰恰在于AI无法自动生成的"领域直觉"。
3. 警惕"数据丰富区"的舒适陷阱
AI在数据丰富、问题明确的领域表现极佳，但在数据稀缺、机制不明的"无人区"反而无力。正如清华研究所示，科学探索的广度比短期产出更重要。2026年国自然"可解释、可通用的下一代人工智能方法"重大研究计划，其核心目标之一就是解决深度学习"对数据依赖性强"的短板，发展可解释、可通用的新方法体系。科研人应当有意识地保留一部分"反AI"的探索——去数据稀缺的边缘地带寻找下一个AlphaFold级别的突破。
结语
AI for Science不是"用AI写论文"那么简单，它正在重新定义"发现"本身。
从2024年诺贝尔化学奖到2026年清华Nature研究，从AlphaFold的2亿蛋白质预测到国自然重大研究计划的密集布局，一个清晰的信号是：不懂AI的科学家，可能正在失去未来；但只会用AI的科学家，可能正在失去科学的未来。
真正的"第五范式"，不是人与机器的竞争，而是人机协同的新契约——人类负责提出真正重要的问题，AI负责加速找到答案。守住这个边界，我们才能既享受AI带来的"个体加速"，又避免科学探索的"集体收缩"。
【参考文献与延伸阅读】
1. Hassabis D, Jumper J, et al. AlphaFold系列研究（2020–2024），Nature / Nobel Prize in Chemistry 2024. 诺贝尔奖官方新闻稿：https://www.nobelprize.org/prizes/chemistry/2024/press-release/
2. Hao Q, Xu F, Li Y, et al. Artificial intelligence tools expand scientists' impact but contract science's focus. Nature, 2026, 638: 1–9. DOI: 10.1038/s41586-025-09922-y
3. Zhao C. AI has supercharged scientists—but may have shrunk science. Science, 2026-01-14. https://www.science.org/content/article/ai-has-supercharged-scientists-may-have-shrunk-science
4. 国家自然科学基金委员会. "可解释、可通用的下一代人工智能方法"重大研究计划2026年度项目指南（国科金发计〔2026〕6号），2026-01-26. https://www.nsfc.gov.cn/p1/3381/2824/100371.html
5. 曾大军（中国科学院自动化研究所副所长）. 人工智能引领科研范式变革. 学习时报, 2025-11-10. 中国科学院自动化研究所官网转载：http://www.ia.cas.cn/xwzx/mtsm/202511/t20251111_8010236.html
6. 汪寿阳、刘梦. 以人工智能引领科研范式变革. 人民日报/学习时报, 2025-05-23. https://theory.people.com.cn/n1/2025/0523/c40531-40486058.html
7. 国家自然科学基金委员会. "集成芯片前沿技术科学基础"重大研究计划2026年度项目指南（国科金发计〔2026〕11号），2026-01-26. https://www.nsfc.gov.cn/p1/3381/2824/100396.html
8. 清华大学电子工程系. 新闻｜清华大学电子系Nature发文揭示AI赋能科研的"内卷悖论". 2026-01-15. https://www.ee.tsinghua.edu.cn/info/1076/5010.htm
本文相关数据与观点引自Nature、Science、国家自然科学基金委员会官网、中国科学院、诺贝尔奖官方、清华大学官网、人民日报/学习时报等来源。
本文仅供读者参考，启发更多有趣的意见。
