■本报记者 沈春蕾

近日，在北京举行的2026科学智能大会上，中国科学院院士、北京科学智能研究院学术委员会主任、北京大学教授鄂维南在报告中指出，人工智能（AI）极大提升了科学研究的能力和效率。

在随后的采访中，鄂维南围绕AI for Science（人工智能驱动的科学研究）的发展，分享了他在数学、大模型、科研体系、人才培养等方面的思考。

数学不应该被边缘化

问：数学是所有理工学科的基础。你认为数学在AI的发展中起到了什么作用？

鄂维南：数学背景对我个人发展来说还是很重要的，尤其是在我推动AI for Science发展时，数学发挥了很大作用。2016年前后，AI只应用于图像识别、自然语言处理等领域。后来我发现AI还可以解决一些基础的数学问题。这些问题的突破将带来全方位影响，甚至会让一些科学问题产生很大的改变。

我在2021年世界人工智能大会的报告中提到，科研和工程才是AI最好的应用场景。当时，我看到的不是某个具体的点，而是AI背后的统一性。以前很多问题搞不懂、停滞不前，都是因为维数灾难，即随着维数的增加，计算量呈指数倍增长的一种现象。当我意识到深度学习可以解决维数灾难时非常震惊。如果没有数学背景，估计我也想不到这一点。

我认为，数学是AI非常重要的基础，可以说最早推动AI发展的都是一些数学家。理论上讲数学是基础，但现实情况是数学在新一轮AI浪潮里基本上被边缘化了，这是我不太愿意看到的。

问：你会尝试改变数学被边缘化这一现状吗？

鄂维南：会。我正在推动AI数理基础的重大项目，希望通过项目牵引来改变现状。我认为，数学被边缘化对AI的发展也是一种阻碍。

AI发展的重大突破依赖工程化，但如果缺乏对底层逻辑和基本原理的理解，仅靠经验指导试错，资源的消耗将是巨大的。底层逻辑和基本原理只能来自数学和物理这样的认知学科，这也是目前AI作为一门学科所缺乏的东西。

现有大模型还不能破解科学难题

问：你觉得现有的大模型在AI for Science上的短板体现在哪些方面？

鄂维南：短板体现在真正困难的科学问题还很难通过现有大模型加以解决。虽然有些团队在投入资源尝试解决问题，但我认为还不能解决根本问题。因为科学对智能的要求本身就是难以解决的问题。比如数学家给出一个证明，他不仅证明了可能性，还列出了证明里的每一个步骤，这些都不在现有大模型的语料里。我认为，科学大模型必须具备非常强的科学推理和科学多模态识别的能力，但这个能力现有的基座模型还不具备。

问：现有大模型不具备科学推理和科学多模态识别能力，是数据问题还是现有大模型基座技术结构问题？

鄂维南：都有。数据显然有问题，而模型结构也有问题。现有大模型基于大语言模型的结构，在这个架构上预测下一个词元，这对解决语言问题来说是通用方式，但图像、空间跟语言完全不是一回事，所以大语言模型不见得可以很好地匹配。

我们做科研，尤其是做实验，需要和物理世界交互、看科学表征数据，这些都不是现有大模型架构擅长解决的问题，因此大模型还要从底层架构上有所突破。

AI时代需要什么样的科研体系

问：你认为AI时代我们需要什么样的科研体系？

鄂维南：我想从以下3个方面来谈。

一是科研平权化。我们要打破高校和科研机构对科研的垄断，尤其是要打破少数实验室对科研资源的垄断，让有想法、有能力的个人和团队都能参与科技创新。实现这个目标有一些基本条件，比如低成本、高效率的科研工具资源，多维度科研经费来源，科研成果转化平台等。

二是以产业视角构建新的科研体系。要想在高校、科研院所打破现在的科研体系是非常困难的，所以我们必须开拓新的机制方式，包括新型研发机构等来推动改变。总之，就是要跳出机构的限制，打通人才、创新、市场、资金各个环节。

三是自由探索仍然是颠覆性科技创新的核心要素。自由探索才是未来真正定义科技能力的一个标杆，但是我们现在把自由探索这个概念泛化了、稀释了。所以，我们仍然要鼓励自由探索、积极支持和保护自由探索，但前提是要甄别什么才是真正的自由探索，这和发表论文的区别还是非常大的。

问：你认为当前AI for Science最缺哪方面的人才？

鄂维南：最缺的是既懂AI又懂科学的人才。目前，推动AI for Science的主力大多是有AI背景的人，我觉得主力更应该是来自科学领域的人，他们能够更好地定义科学问题。

因此，AI for Science下一步的突破应该由科学领域的人提出问题，再与有AI背景的人开展合作。未来，培养既懂AI又懂科学的人才没有本质上的困难，唯一的问题可能来自体制上的惰性。

问：随着AI for Science的发展，你对青年科研工作者有哪些建议？

鄂维南：对青年科研工作者来说，这是一个巨大的机会，也是一个巨大的挑战。现在科研面临着全方位的改变，借助AI，人人都可以做高水平的科研，打破了过去来自机构和资源的限制，这是一个巨大的机会。不过，有人可能因为AI的加入“画地为牢”，把研究领域限制得太死。这是一个巨大的挑战。