作为人类的“第二大脑”，AI for Science正在全球范围内引发科研范式的深刻变革，也成为全国两会期间代表委员关注的话题。

3月7日，在全国政协十四届四次会议第二次全体会议上，全国政协委员、中国科学院院士周志华发言建议，以人工智能引领科研范式变革。

3月8日，全国政协委员、工业和信息化部原副部长王江平在接受科技日报记者采访时直言，人工智能已从科研辅助工具升级为推动科技进步的核心驱动力，未来更将深刻重塑科研范式与产业业态。

会场内外代表委员认为，人工智能无疑为全球科技革命注入全新动能，但对其赋能科研遇到的困境和问题也不容忽视。

一、AI浪潮下出现资源浪费与转化梗阻难题

AlphaFold模型助力两位非生命科学领域研究者斩获2024年诺贝尔奖；“大原子模型计划”可广泛应用于半导体、合金、有机分子等多类材料体系研发……

在周志华看来，放眼国内外，人工智能赋能科学研究的阶段性成果已经充分证明，人工智能不仅能加速求解长期悬而未决的重大科学难题，还有望重构科学发现的基本路径。

然而，在AI for Science助力科研成果如潮水般持续涌现的背后，也出现了新的问题。周志华介绍，由于缺乏权威、标准化、大规模的科学数据集，以及受科学数据的获取成本高、标准不统一、共享行为少等因素影响，目前，AI模型训练效率不高、可靠性难以保障，重复建设与资源浪费现象尤为突出。

算力资源浪费同样得到了王江平的关注。他在履职调研中发现，在材料探索图形网络（GNoME）模型预测的38万种稳定材料中，仅有736种完成实验验证，验证率不足0.2%。“这意味着，AI单日产生的预测成果，往往需要人类用10年甚至更长时间才能完成全面验证，这造成了科研资源与算力资源的低效占用。”王江平说。

他告诉记者，更令人担忧的是，大量预测成果最终仅停留在学术论文层面，未能实现产业化落地，既无法释放其应有的产业价值，还会造成资源浪费与转化梗阻的双重问题。

王江平将这种现象比喻为“堰塞湖”——上游AI预测能力汹涌澎湃，下游验证与产业化通道狭窄不畅，“湖水”不断积聚却难以泄流。

在王江平看来，造成AI赋能科学研究出现“梗阻”的原因综合而复杂。其中，预测模型自身存在局限、缺乏统一标准与评估体系、实验验证能力严重不足是三个关键因素。要实现“对症下药”，需要系统性的对策建议。

二、提升基础创新能力培育复合型人才

那么，我国布局AI for Science前沿科技研发体系，应该聚焦哪些领域发力，怎样破除现有瓶颈？

在周志华看来，首先要加强政策引导，提升基础创新能力。他建议，优化人工智能领域科学研究的统筹布局，加大对AI算法基础研究的支持力度，重点支持一批具有前瞻性、战略性的基础研究项目，鼓励科研人员开展原创性研究。同时，引导企业和社会资本参与AI算法基础研究，形成多元化的投入机制。

面对既懂科研又通AI的复合型人才缺乏困局，周志华建言，从源头构建“人工智能赋能科学研究”复合型创新人才培养体系，支持高水平研究型大学试点设立“博士+硕士”双学位项目，让博士研究生在攻读AI专业博士学位期间，跨学科攻读一个科学专业硕士学位，探索构建跨学科融合的研究生培养新模式。

王江平则建议，推进构建高质量数据集、高价值知识中心及AI预测成果评估标准体系三大核心载体。他建议，在重点行业建立公共高价值数据共享中心，构建高精度、长序列、多模态的公共数据集，减少重复劳动。同时，相关部门要建立权威的AI预测结果评估体系，为成果筛选与流转提供依据。

王江平呼吁，推动AI for Science与AI for R&D协同发展。前者聚焦基础科学突破，解决“卡脖子”问题；后者侧重解决技术落地的工程化问题。他表示，推行“揭榜挂帅”机制，由企业出题，科研机构攻关，并探索政府沙盒监管，赋予研发环节自主权，激发创新活力。