■本报记者 赵宇彤

6周，5万篇论文，找到了火星制氧催化剂研发376万种潜在配方组合的最优解。交出这份亮眼成绩单的，正是集成了2台移动机器人、19个智能化学工作站和高通量计算系统的“智能科学家”——“小来”。

当人工智能（AI）成为科学家的“左膀右臂”，科学发现迎来了前所未有的加速度。

模型越来越大、设备越来越先进、机器人越来越多、实验室自动化水平越来越高……当AI成为撬动科学研究的新支点，对“更高、更快、更强”的追求也进入了新赛段。

“然而，AI for Science（人工智能驱动的科学研究）的未来，取决于我们能否建设一套统一、开放、自主、可控的标准体系，将数据、模型、设备、流程、安全与服务真正组织成为国家级智能科研基础设施。”近日，在第801次香山科学会议上，中国科学院院士、同济大学校长杨金龙作出判断。

科学研究的“第五范式”

“科学研究的历史演进，本质上是由科学工具革新驱动认知边界拓展的。”会上，中国科学院院士、清华大学化学系教授李隽指出，工具标准化是科研范式转变的前提。

1970年，美国科学哲学家托马斯·库恩首次提出“科研范式”的概念，即科学研究群体共同遵循的世界观和研究方式。科学发现的历史，先后经历了经验范式、理论范式、计算范式、数据驱动范式的重要演变。

“当前，科学研究正全面进入AI驱动的新阶段。”北京中关村学院院长刘铁岩表示。AI for Science已成为科学研究的“第五范式”，持续拓展人类探索未知物理世界的边界。

科学工具的革新直接带来了科研效率的跃升：催化剂设计、新能源材料、药物发现、功能高分子和生命健康等领域研发周期显著缩短，实验效率与可重复性大幅提高……

放眼全球，变化正在发生。美国试图通过“共享型科学基础设施模式”与“基础设施＋体系标准”双重路径，推动形成规模化、平台化的科研组织方式；日本将AI for Science正式纳入国家科技路线图，并作为未来重点突破方向；欧盟则聚焦AI伦理指南、生成式AI治理框架和AI数据治理条例，建立可信AI和数字主权的制度优势。

“在AI for Science中，掌握智能科研平台相关标准，就意味着掌握科学发现的底层基础。”杨金龙强调。

目前，在材料、药物、化学、生物制造等多个领域，我国已具备AI for Science平台建设的现实基础。其中，“智能科学家”专项标志着我国开始迈向组织化、体系化的智能科研基础设施建设阶段。

“该专项已部署19个分布式创新设施，形成了80个AI驱动的化学与材料实验平台，覆盖80%的相关实验场景。”杨金龙指出，已有70余家科研院所、40余家龙头企业加入智能科学家生态联盟。“在AI for Science领域，我国正走向以规则为纽带、以开源为机制、以联盟为组织形式的体系化演进。”

有可能陷入“数量繁荣、体系脆弱”的困境

随着AI与科学研究的深度融合，更严峻的挑战摆上明面。

“现在的最大风险不是平台不够，而是平台越来越多、彼此越来越不兼容。”杨金龙指出，尽管智能科学基础设施是AI for Science发展的基石，但当前行业正处于扩张性成长阶段，超过40家联盟单位正在建设AI for Science科研平台，超过50家单位积极筹建。架构割裂、数据不通、接口不兼容，已经成为跨机构协同和规模化创新的直接障碍。

在AI时代，数据不再是一般的技术资源，而是模型训练、知识提炼、实验规划和系统优化的原料。谁掌握高质量科研数据，谁就拥有先发优势。

“数据标准化是AI for Science成功的基石。”在李隽看来，目前仍缺乏统一的训练数据、物理一致性的标准，因此“输入垃圾、输出垃圾”的问题难以避免。

在AI模型与技术路线高速演进的背景下，这一问题显得更加棘手。“不同平台数据结构、元数据描述、命名方式和质量控制标准不一致，导致数据难以跨平台流转、汇聚。”杨金龙表示。

此外，缺乏统一的模型定义、校准、验证和部署框架，科研模型往往停留在局部项目内部，难以复用，更无法沉淀为科研资产。

由于不同厂商、工作站、自动化系统之间接口封闭，同时缺乏统一的安全规则、服务标准和能力评估机制，平台之间不仅难以形成统一的调度网络，也无法形成可信的开放生态。

“如果这种碎片化状态持续下去，我国即使拥有大量平台和示范场景，也可能陷入‘数量繁荣、体系脆弱’的困境。”杨金龙打了个比方，没有标准化铁轨，AI的列车可能还跑不过传统的马车，“看似先进的智能实验室，最终可能固化为一座座数字烟囱”。

这样的割裂状态大大制约了AI for Science从单点示范走向规模化应用的步伐。

“因此，当前最紧迫的任务不是继续建立新的孤立平台，而是建设国家级AI for Science平台标准体系。”杨金龙强调。

构建底层秩序

要解决这一难题，杨金龙想到了一个形象化表述——“书同文、车同轨”。

书同文，即统一的数据结构与调度协议，确保数据在不同系统之间无缝流转与互认；车同轨，则指统一实验设备接口与调度协议，实现异构硬件资源的标准化接入与协同。

“前者解决的是语义与知识统一问题，后者解决的是接口与执行统一问题。”杨金龙告诉记者，二者结合起来，才能构成AI for Science基础设施运行的底层秩序。

要实现这一目标，杨金龙提出了3个优先突破方向：科学数据标准、科学模型标准和实验基础设施标准。

“这既是当前问题最集中的环节，也是形成平台互联和能力共用的基础前提。”他进一步解释，科研数据只有在源头采集阶段就具备可描述、可追溯、可交换和可验证的特性，才有希望成为模型训练与科学发现的可靠基石。

同时，科学模型标准则应当推动模型成为能注册、能验证、能复用、能服务的科研资产，而不再简单停留于项目内“能跑通”的层面。

此外，在实验设施标准方面，只有当不同品牌、不同类型的工作站和机器人都能够接入统一标准API时，AI for Science平台才有可能从局部自动化迈向规模协同化。

在此过程中，要想打通数据、模型、设备与流程的全链路协同，不仅需要国家战略科技力量、技术领军企业的支持，也呼唤着复合型领军科研人员的加入。

“现阶段，科学家的困惑往往是‘标准化是技术推广的事、是产业界的事，和做前沿基础研究的有什么关系’。”中国标准化研究院院长王昆指出。实际上，在AI for Science这一新兴领域，技术路线尚未收敛、科学范式正在重塑，“因此，这一领域更需要兼具技术深度、标准广度、国际视野、产业洞察的复合型领军人才”。

对此，刘铁岩也深有感触。当AI成为科学发现的主要来源之一，科研人员的核心能力不再是“提假设、做实验”，而是在人类认知和AI能力边界上工作，即判断AI发现的可靠性边界、设计人机协同的研究流程，在不完全理解的情况下作科学决策。

“科学发展的重大跃迁从来不是单一技术的胜利，而是制度、设施、知识与组织方式共同演化的结果。”杨金龙总结道。