2025年AI for Science崛起的机遇、挑战与建议报告.docxVIP

-1-

2025年6月18日第26期总第907期

AIforScience崛起的机遇、挑战与建议

当前，人工智能在促进科学发现、解决复杂工程问题等方面展示出强大的潜力和实力，逐渐成为推动科技创新的强大引擎，正引发一轮科学研究的范式变革。赛迪研究院分析认为，AIforScience在变革科研范式、提升科学实验水平、解决高维复杂问题、加速跨学科融合和压缩创新链路等方面具有重要意义，但也面临高质量数据稀缺、AI算法短板、跨学科协作难题、高性能计算资源稀缺以及伦理监管等挑战，并据此提出发展建议，以期推动AIforScience高质量发展，助力我国前沿科学领域加速突破。

-2-

一、AIforScience发展为科学研究带来机遇

AIforScience是利用人工智能技术和方法，通过从海量数据中提取有价值的信息，构建模型以预测和解释自然现象，从而加速科学研究进程，其核心要素包括数据、模型、算法、算力以及科学问题选择、跨学科协作等。相比传统科学研究，AIforScience在处理海量数据、破除“维度灾难”和推进学科交叉研究等方面具备突出优势，为科学研究带来了新的路径和方法。

推动数据智能驱动的科研范式加速崛起。通过海量数据挖掘、复杂模式识别、自主推理与智能分析能力，AI技术能够直接从数据中发现潜在规律，甚至逆向生成科学假设，改变传统科研依赖于人工提出假设、设计实验、验证结论的线性流程，正推动科学研究的数据驱动范式加速崛起。一方面，现代科学研究通常产生大量复杂的数据集，利用人工智能技术快速处理和分析来自实验、观测、模拟及文献等渠道的海量科学数据，从中提取有价值的信息和知识，识别潜在的规律和趋势，特别是对实验数据进行实时分析和即时反馈，让研究人员迅速调整实验方案，优化实验参数、模型参数、算法参数和研究过程，提高研究效率和成果质

-3-

量。另一方面，利用大语言模型处理图像、视频和音频的多模态能力将非结构化数据转化为结构化科研数据集，甚至利用AI合成新的科学数据，提升以科学数据支撑科学研究的能力。

提升科学实验设计和运行水平。近年来，人工智能技术发展推动研究人员探索AI驱动的自动化实验平台，通过自动化的实验设计、数据采集、结果分析等，利用强化学习动态调整实验方案，逐步将科学家从繁重复杂的假设、试错、验证的实验过程中解放出来，并通过算法模拟不同实验条件下的运行情况，优化资源配臵、减少实验次数、加速实验进程，以提高研究效率和减少资源浪费。特别是利用AI相关技术通过模拟极端物理环境以探索先前无法研究或无力研究的领域，如通过模拟核聚变、粒子加速器等昂贵、复杂、缓慢、危险的科学实验，减少对所需的设施、人员和资金的投入，加速实验进程，甚至能推动原型快速开发和测试，加速新领域突破和创新成果的转化应用。此外，AI自动化实验设计通过构建端到端学习的输入-输出模型，避免计算过程中人工输入特征的需要，能够减少人为误差，提升实验准确性。

-4-

推动复杂系统与高维问题跨越式突破。人工智能在解决高维复杂、目标明确和数据足够的问题上具有独特优势，通过深度神经网络捕捉多维数据中的隐性关联，构建超越人类直觉的系统模型，并利用机器学习和深度学习提炼模式和规律，能够处理和分析超出传统理论框架和人类认知范围的数据和信息，克服高维数据、非线性关系等传统科研方式的“维度灾难”，帮助科学家探索未知领域、发现新的规律和知识。同时，人工智能技术通过构建复杂的计算模型，模拟气候变化、宇宙演化、新药毒性测试和金融市场等自然界和社会系统中的高维复杂系统，并通过分析历史数据和现有知识，预测疾病爆发、自然灾害、经济危机等未来可能发生的现象，为解决复杂科学问题提供新的工具和方法，也为科学决策提供参考依据。

加速跨学科协同创新的模式升级。人工智能作为通用性技术基座，通过构建跨领域知识图谱、建立跨学科统一语义空间，利用强化学习平衡多学科研究目标，正逐步消解学科间的语义鸿沟与方法论壁垒，形成的“超学科”研究生态。在此基础上，各领域科学家专注于核心洞察力、提出高价值科学问题，而AI技术承

-5-

担数据挖掘、研究方案设计等任务，形成学科专家与算法工程师的共生关系，并通过开放数据平台和共享工具促进学科间的合作与交流，促进计算机科学与物理、化学、生物、医学等众多学科的交叉融合，推动交叉学科研究从偶然突破转向系统性创新。与此同时，AI技术驱动的跨学科合作带来新的视角和思维方式，促进科学家从新的角度审视传统问题，寻找新的解决方案，也帮助科学家探索暗物质