科学家称科学发现是AI的终极考题从写代码到自主科研仍需跨越。AI在写代码方面已经取得了显著成就正规的配资平台，成功率高达88%，但在端到端科学发现上，最好的大模型在过去18个月里成功率仅停留在3%。上海人工智能实验室主任周伯文在2026世界人工智能大会的科学前沿论坛上分享了这一数据。
尽管如此，在世博展览馆内，AI在科学研究中的应用展示了另一番景象。例如，AI正在加速蛋白质设计和天气预报等领域的研究。科学家们认为，AI已经在“加速计算”和“拓宽领域”的环节发挥了重要作用，但离“自主科学发现”还有很长的路要走。特别是在提出假设、判断价值和承担责任这些科学的本质方面，人类科学家的地位仍然不可替代。
今年WAIC上的亮点之一是天鹜科技的Matwings Venus（晓鹜™），它是一个对话式蛋白质研发智能体，能够完成从行业调研到自动化实验验证的全流程。传统的蛋白质研发周期长、成本高且成功率低，而晓鹜™将研发周期从原来的2至5年压缩到2至6个月，实验样本数从上万次减少到约100次，研发成功率从1%提升到30%。晓鹜™的成功在于其拥有大量蛋白质序列数据作为训练基础，并且用户可以在平台上调用AI自动化黑灯实验室，直接合成设计的蛋白并检测功能。
AI4S（AI for Science）正成为与大语言模型、具身智能并列的三大AI关键方向之一，远期市场规模有望达千亿美元。上海交通大学智能计算研究院院长葛冬冬表示，传统超算在解决复杂科学问题时面临挑战，但AI的介入可以极大地加速计算。例如，崂山实验室开发的“问海”全球海洋环境高分辨率智能预报模型，基于实际海洋观测数据自动生成四维全要素预报产品，预报准且快。
然而，AI在科学研究中仍存在诸多障碍。周伯文指出，大模型只能被动观察世界，学到的是相关性而非因果性；面对复杂任务时，反馈信号稀疏，模型难以学习；此外，人类发表的研究成果只有成功数据，没有失败数据，导致模型只会模仿成功，无法创新。昌平国家实验室副主任金勤献也提到，AI for Science发展约十年，但至今没有一款完全由AI研发的药物获批上市。
科学研究本身缺少一套能把问题、行动、验证与学习持续连接起来的“科学方法”，这使得科学家的验证带宽无法放大，模型也无法从真实世界中成长。另一个问题是，现阶段的AI还提不出真正好的科学假设，也不会为错误的假说负责。
因此，科学研究中的密集反馈信号，甚至失败信号，将成为突破AI智能上限的关键。周伯文认为，“Research is the next Coding（科学研究是下一个编程）”是人工智能的终极命题。
算力与生态也是AI4S发展的瓶颈。曙光8000（登峰）是中国首个全国产十万卡AI超集群，覆盖多个科研和产业领域。然而，国产芯片在核心数学库上的缺失限制了其在科学计算领域的效能。葛冬冬的团队为国产芯片重写了五个关键数学库，但仍有许多空白需要填补。
上海人工智能实验室发布了“书生·端砚”科学发现平台，以书生科学大模型为底座，向多个学科领域纵深拓展。书生大模型能像科学家一样理解问题、设计方案、调用工具并验证结果。清华大学张数一课题组利用该平台在基因调控蛋白改造中取得显著进展。
周伯文认为，随着科学智能进入“下半场”，科学发现将是人工智能的终极考验。AI作为科学发现的工具，其使命应从加速科研自动化迈向以复杂科研任务牵引高阶智能。如果模型能学会从失败中自我反思、自我校准、自我更新，就意味着它真正像人一样开始思考。
AI是否会替代科学家？麻省理工学院教授泰格马克主张通过让AI更专注、更窄来确保它始终是工具而非“存在”。上海交通大学材料科学与工程学院讲席教授孙宝德认为，如果AI能从数据中发现规律，那么它成为人类科学家是早晚的事，核心问题是它是否具备自主意识去主动突破数据边界。
科学发现的下一程不会由一个模型或平台独自开启正规的配资平台，而要由科学家、AI和创新伙伴在真实世界中共同创造。
泓阈资本提示：文章来自网络，不代表本站观点。
- 上一篇：证券配资系统 入伏话养生 “冬病夏治”正当时
- 下一篇：没有了
相关文章
热点资讯
