人工智能擅长处理高维度、多尺度数据，能够挖掘参数之间的关系，揭示传统方法难以发现的规律。在AI for Science（简称为AI4S）中，这一过程离不开算力、数据与模型的深度融合。但当前AI4S仍难以复刻传统大模型“大力出奇迹”的粗放发展路径。

3月29日，在第二届浦江AI学术年会上，中国科学院院士、北京大学常务副校长张锦谈及AI4S时表示，人工智能不是工具的革命，而是科学革命的工具，AI应帮助加速科学发现，定义未来的产业。基础研究的核心在于发现基本科学问题。从0到1的原始创新至关重要，从1回归本质到0同样关键。二者循环迭代才能找到科学问题，在AI4S中，这一过程离不开算力、数据与模型的深度融合。

但当前AI4S仍面临算力碎片化、供给不匹配、数据源更稀缺、采集成本高、现有模型仍不够稳定可信等挑战。

中国科学院院士、清华大学教授胡事民。

中国科学院院士、清华大学教授胡事民表示，大模型已成为真正的生产力，以代码智能体为代表的新一代工具显示，大模型已不再局限于回答问题，而是开始具备读代码、修改代码、规划调度、执行命令，完成复杂任务。但AI4S难以复刻传统大模型“大力出奇迹”的粗放发展路径。究其原因，AI4S不仅数据源更稀缺、采集成本更高、数据模态更复杂，还对数据提出零幻觉、无噪声的要求。

其数据多源于实验室精密仪器检测、超算物理仿真、全球传感网络、临床试验观测等场景，单一样本的获取成本极高，耗资数万至数百万美元，同时耗时数年。数据涵盖文本、图像、生物序列等多模态，难以实现无损统一接入大模型。更关键的是，在AI4S中，一个空间坐标的幻觉，就是良药与毒药的距离。

在复杂推理层面，大模型的思维链是黑盒的涌现能力，难以保证它推导的每一步都符合物理现实。但AI4S迫切需要将底层的客观规律作为硬性约束直接写入逻辑推理中。与此同时，传统大模型依赖提示工程、模式匹配和思维链展开。在AI4S中，推理过程往往由守恒律、动力学方程、边界条件、约束优化等共同驱动，在仿真、结构预测、动力学演化等任务当中，误差会被累计和放大，导致整体崩溃。

目前，利用大模型做科研，语言合理和科学合理之间存在鸿沟，现有推理难以满足严格物理规律与科学约束。AI4S对精度和验证要求极高，现有模型仍不够稳定可信。胡事民表示，AI4S对大模型的要求正从会说会推理，走向懂科学、守规律、算得准、可验证。“我们有很大的挑战，我们面临开放问题，AI发现新的科学原理验证体系还没有建立，这是我们共同面临的挑战。”

为打造AGI4S基座能力，上海人工智能实验室发布面向重大科学突破的“AGI for Science珠穆朗玛计划”，助力全球科学家攀登科学高峰。算力端将打通超算与智算壁垒，构建算力一张图，破解科研算力碎片化、供给不匹配痛点。数据端将攻克科学数据看不懂、用不上难题，100PB级超大规模科学智能数据库Sciverse为科学发现提供数据基座支撑。实验端将打通从推演到验证的“最后一公里”，使原本长达数年的设计、合成、测试的科研周期缩短至3-6个月。在模型与平台端，科研人员可使用200余个专业智能体、50家顶尖科研机构的200余个专业数据集，接入百余种实验设备，一键调用2200多个专业工具，从“重复劳动”中解放出来。

上海人工智能实验室主任、首席科学家周伯文表示，回望科学的每一次重大突破，背后都带有协作机制的深刻变革。从0到1是“未知的未知”，AI助力科学家探索未知原创领域。从1到10，核心原理已知，但解决方案需多科学点复杂组合，这些组合形成指数级的未知搜索空间，AI可高效破局。从10到100是“已知的未知”，清楚卡点所在却暂无破解思路，人工智能也能在其中发挥巨大作用。当前，最前沿的科学探索正在跨越语言、知识、组织，以确定性的边界，呈现出跨学科融合、跨机构共创、非线性突破三大特性，AGI时代，毫无疑问需要构建与之匹配的科学协作范式。