一、新动能涌现，科研范式面临历史性转变 当前，人工智能正加速进入基础科学研究的各个环节，成为新一轮科技变革的重要推动力；从蛋白质结构预测模型帮助研究取得突破、有关成果获得2024年诺贝尔奖关注，到“大原子模型计划”半导体、合金、有机分子等材料体系研发中的应用落地，人工智能赋能科研的阶段性成效已引发广泛讨论。 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在发言中指出，人工智能不仅能加快破解长期未解的重大科学问题，还有可能重塑科学发现的基本路径。全国政协委员、工业和信息化部原副部长王江平在接受采访时也表示，人工智能正从“辅助工具”走向“核心驱动力”，未来将对科研范式与产业形态带来深刻影响。 二、问题浮现，“堰塞湖”效应制约转化效能 但在成果快速增长的同时，一些结构性矛盾逐渐显现。 周志华指出，当前缺少权威、标准化、大规模的科学数据集，且科学数据获取成本高、标准不统一、共享不足，导致模型训练效率不高、可靠性难以稳定保障，重复建设和资源浪费较为突出。 王江平在履职调研中提到一组数据：某材料探索图神经网络模型预测的38万种稳定材料中——仅736种完成实验验证——验证率不足0.2%。这意味着，人工智能在短时间内生成的大量预测结果，往往需要以年为单位的实验周期才能逐步验证，科研资源与算力资源由此被长期占用、效率偏低。 更值得关注的是，不少预测成果最终停留在论文或报告层面，未能进入产业化环节，既难以形成实际价值，也加剧了资源浪费与转化受阻。王江平将其形容为“堰塞湖”：上游预测能力不断增强，下游验证与产业化通道却相对狭窄，成果积压难以顺畅转化。 三、原因剖析，三重瓶颈亟待系统破解 王江平认为，堵点主要集中在三个上：一是预测模型仍有局限，泛化能力与精度需要提升；二是缺少统一标准与评估体系，成果质量不一、筛选难度大；三是实验验证能力不足，科研基础设施建设跟不上模型迭代速度。多重因素叠加，使人工智能科研中的潜力难以充分释放。 四、代表委员建言，系统谋划破题路径 针对上述问题，代表委员从基础研究、人才培养、数据治理诸上提出建议。 在基础研究层面，周志华建议加强对人工智能基础研究的统筹布局，加大算法基础研究支持力度，重点支持一批前瞻性、战略性项目，同时引导企业和社会资本参与，形成多元投入机制，避免资源过度集中于短期应用而削弱原创性探索。 在人才培养层面，周志华建议从源头完善“人工智能赋能科学研究”的复合型人才培养体系，支持高水平研究型大学试点“博士+硕士”双学位项目，鼓励人工智能专业博士在攻读期间跨学科修读一个科学领域硕士学位，探索更有效的交叉培养模式，缓解既懂科研又通人工智能的人才短缺。 在数据治理与评估体系层面，王江平建议围绕高质量数据集、高价值知识中心、预测成果评估标准体系三项核心载体推进建设：在重点行业建立公共高价值数据共享中心，形成高精度、长序列、多模态公共数据集，减少重复劳动；同时由主管部门牵头建立权威的预测结果评估体系，为成果筛选、流转与应用提供依据，推动科研与产业研发协同，打通“预测—验证—产业化”的链条。
推动科研范式变革——重点不在预测数量的增加——而在于把可靠的数据、可解释的模型、可承载的验证体系与真实的产业需求有效衔接起来。只有以制度完善共享与标准，以人才与平台补足验证能力短板，才能让“计算发现”的动能真正转化为高质量发展的现实生产力。