机会的作用。所有科学发现中大约33%-50%是偶然发现。"Luck favours the prepared mind"意味着什么已成为一些心理学家关心的研究问题。
除此之外，统计学的使用对科学方法产出产生可靠性的影响。另外，数学是科学方法的工具，而数学与科学描述对象（reality)之间的联系仍然模糊。以上局限的讨论可进一步阅读斯坦福大学教授John Ioannidis 在 2005 年发表的一篇热门科学论文“Why Most Published Research Findings Are False”和诺贝尔物理学奖获得者Eugene Wigner的论文"The Unreasonable Effectiveness of Mathematics in the Natural Sciences"。什么是人工智能（AI）？人工智能通常可以认为是计算机科学的一个分支，而实际是跨学科的产物。人工智能的形成使用了包括状态空间搜索、数值优化、形式逻辑、人工神经网络技术以及基于统计学、运筹学和经济学的方法，同时借鉴了心理学、语言学、哲学、神经科学和其他领域，有学者详细总结为29个学科。人工智能的定义有多种且尚有争议。此处采用最通俗的定义。人工智能是计算系统执行通常与人类智能相关的任务的能力，例如学习、推理、解决问题、感知和决策。人工智能的目标是模拟或者创造智能完成任务，其发展依赖于人类对智能的认识程度。人工智能的类型根据AI模型的智能水平和解决问题能力可以将AI分为三类：弱人工智能（ANI）：ANI 模型旨在执行单一的特定任务，例如识别图片、进行聊天或过滤邮件。例子包括语音助理、人脸识别技术、Gemini 等生成式 AI 模型，以及其他大语言模型 (LLM)，是目前已经存在的AI形式。通用人工智能（AGI）：AGI 能够执行广泛的任务，并利用类似人类的推理能力进行学习、适应和改进。与 ANI 不同，AGI 将具有适应性、自主性，并能够从其行动中学习。AGI是否已经实现，目前存在争论。比如，今年2月份 Nature杂志发表美国学者Eddy Keming Chen等的论文《Does AI already have human-level intelligence? The evidence is clear”》，认为AGI已实现。这种争论在笔者看来，一方面由于AGI的定义最前沿的研究者还未达成一致，用openAI研究工程师翁家翌的说法，15个人有20种不同的AGI定义；另一方面，也是另一种判断“AI处于前牛顿时期”的印证。超人工智能 (ASI)：ASI 将是一种具有自我意识的实体，其运行不受人类控制，在推理、创造力甚至情商方面都将大大超过人类智能。这是理论上最先进的 AI 形式，尚不存在。人工智能前沿技术
AI 智能体（AI agent）定义：一个具备“感知、思考、行动”能力的独立AI应用程序。它能设定目标并自主执行任务。角色：系统中的基本组件或独立工具。例子：一个能自动阅读邮件、分析日程、并代你回复的“虚拟秘书”。与响应直接命令的简单聊天机器人不同，AI智能体可以：
规划：将复杂的目标分解为一系列更小、更易于管理的步骤
推理：利用其知识和理解能力在每个步骤中做出决策
行动：与数字环境甚至物理环境（通过 API 或机器人接口）互动，以执行其计划
学习/适应：可能会从经验中学习，不断提高性能
智能体AI（ Agentic AI）定义：一种高级AI系统形态，指利用AI完成从被动响应到自主规划、执行复杂工作流的技术范式。角色：一个统筹系统或技术流派。通常由多个“AI智能体”相互协作、分工完成宏大目标。例子：一个智能供应链系统，其中包含“市场分析智能体”、“库存管理智能体”和“物流调度智能体”，它们协同工作以优化整个业务流程。AI for Science（AI4S）AI for Science（AI4S）这个术语最近几年在科研和科创界很流行。AI4S之所以近年来引人注目在于2020年以来生成式人工智能的强大能力给科学探索带来巨大的改变，最为人所知的是2024年诺贝尔化学奖的工作Alphfold2——一个可以从氨基酸序列预测蛋白质的复杂结构的AI模型。科研范式了解最近流行的科研第五范式前需要澄清“科研范式”这一术语并回顾科研的前四种范式。“科研范式”（scientific paradigm)出自哲学科学家托马斯·库恩的著作《科学革命的结构》。在其著作中，科研范式指的是各个学科在一定历史时期形成的对某专业知识的见解和共识。大众流行的“科研范式”指从宏观角度看到的科学研究方式。此处科研范式和科学方法的不同在于，科学方法通常指科学研究中用于获得可靠知识的具体原则和程序，科研范式指研究采取的总体形式或路径。科研第一范式：16世纪以前，人类的科研活动基于观察和归纳。研究步骤：观察 → 记录 → 归纳 → 经验总结。比如从钻木取火到地心说等。科研第二范式：现代科学始于16世纪牛顿的著作《自然哲学之数学原理》至20世纪中叶。研究方法：自然现象出发 → 抽象简化（建立理想模型） → 数学推演 → 理论预测。科研第三范式：随着20世纪中叶计算机的发明，利用计算机对复杂现象进行模拟仿真成为连接第一和第二范式的桥梁。科研第四范式：21世纪初，互联网的普及带来数据的爆炸，过收集、存储和处理大量数据的能力，催生了数据密集型科学发现的第四范式。科研第五范式：近几年，随着人工智能技术的发展特别是生成式人工智能模型的智能涌现，第五科研范式被学者提出来。以鄂维南等教授提出的“AI for Science”很容易将第五范式理解为基础科学发现领域的新范式，本文将采用李国杰教授提出的智能化科研（AI for Research)作为科研第五范式的简称或者。第五科研范式的定义见仁见智，李国杰教授认为它的特征是：（1） 人工智能 （AI） 全面融入科学、技术和工程研究，知识自动化，科研全过程的智能化；（2）人机智能融合，机器涌现的智能 成为科研的组成部分；（3）有效应对计算复杂性非常高的组合爆炸问题；（4）面向非确定性问题，概率统计模型在科研中发挥更大的作用；（5）跨学科合作成为主流科研方式，实现前4种科研范式的融合；（6）科研更加依靠以大模型为特征的科研大平台。总结起来有三个贯穿，一是贯穿科学、技术和工程，二是贯穿前四个科研范式，三是贯穿现代科学方法的每个步骤。本文之所以采用智能化科研（AI4R）这一术语，原因之一在于人工智能不仅会影响狭义的基础科学的发现即认识世界的方式，而且同样会影响技术和工程即改造世界的方式，也会影响社会科学的研究方式。另外，当涉及AI真正在医药、健康、新材料以及新能源等产业落地时，往往不是单一的科学问题，而是科学、技术和工程结合在一起的问题。至此，本文介绍了和AI for Science相关的一些概念。接下来会介绍AI for Science 社区的研究成果以及AI在产业界的应用前沿，特别关注AI for Materials的进展。主要参考资料：
夜雨聆风
