中国工业报记者   孟凡君

当前，人工智能正以前所未有的速度渗透至经济社会各领域，尤其在科学研究中展现出强大的驱动力量，不仅拓展了知识探索的边界，更推动了多学科的深度融合，成为科技创新的重要引擎。11月9日，2025世界互联网大会乌镇峰会“人工智能赋能科学研究论坛”，以“人工智能赋能科学研究”为主题，探讨人工智能如何重塑科研范式、激发新质生产力。北京中关村学院副院长秦涛表示，科学智能是通往超级智能之路，最近很多大厂和科学家谈论的不仅仅是通用人工智能，但更多的是在讨论什么是超级智能。

秦涛认为，人工智能在大模型推动下有非常长足进展，特别是从2018年的GPT第一个版本到2023年的GPT第四个版本再到2025年上半年的GPT第五个版本，基本上比较接近通用人工智能。一是人类要探索未知世界。今天的AI更多的是米和千米尺度，宏观来看地球物理或者是宇宙治理，是从千米甚至到光年，微观来看可能到微米、纳米甚至飞米，不同的尺度适用的物理规律非常不一样。二是人类要探索认知。当前的通用人工智能，比如写文章、识图、生成图像等还是人类智能，但人类科学里面有很多未知的问题，因此需要探索一些未知的特别是当前还没有被攻克的科学难题。

中科曙光总裁助理、智能计算产品事业部总经理杜夏威分析，当下科研范式的演变对于数据和AI的集成，基本上已经达到了“瓶颈”。站在AI视角上，未来增量数据依然驱动AI或者大模型的快速发展，而增量数据产生的源泉一定来自于科研。“随着科研范式的演变，围绕着传统的数智模拟与AI计算的结合，成为科学计算中探索的一个非常重要的方式，包含重点材料、物理化学或者分子动力学等，但归根到底都在以第一性原理为代表的传统科学探索中。”杜夏威说。

生成式AI正在成为创新领域游戏规则的改革者

当前，生成式AI正在不断发展，需要不断学习AI更新迭代之处，真正能够拥抱AI先进技术。雷根斯堡大学教授罗兰·赫尔姆认为，生成式AI对日常创新活动产生毋庸置疑的影响，能够为人类创新赋能。研究结果表明，人工智能可以通过跨行业影响加速创新扩散效应，就是说AI能够告诉哪里有市场机会，让企业识别出创新点。因此，在看待AI的时候或者在使用AI的时候，要聚焦创新流程的维度，特别是生成式AI在商业领域中的应用现状。

“生成式AI正在成为创新领域游戏规则的改革者，虽然游戏规则并不适用于所有的创新领域，但是在许多方面都产生了重大影响。”罗兰·赫尔姆表示，从科学研究结果来看，创新流程可以讨论“开放式创新、激进式创新和渐进式创新”三种创新：开放式创新是一个非常复杂的过程，包含很多环节，生成式AI技术可以应用于所有开放式创新各个阶段，比如产品开发背后可能有不同的组合或者有不同的型号，无论是什么样的产品、什么型号的产品，都可以让生成式AI为产品设计迭代赋能。

激进式创新在发达国家能够对整个行业、整个产业、所有公司产生深远的影响。研究表明，从商业的角度来讲，一个企业想筹更多的资金、获得更多投资者的青睐，但生成式AI对于激进创新类的专利申请的影响没有那么显著。渐进式创新是产品管理当中非常重要的一环，在做产品管理的时候，每一天都要去做渐进式创新，就是说如果着眼于当下可能更多谈的是渐进式创新，如果着眼于是未来谈的则是长期发展，渐进式创新的重要性是毋庸置疑的。

从商业研究角度看，使用生成式AI会对渐进式创新起到很大的作用，但是到目前为止对于激进式创新的深远影响还不是特别显著，需要增加对市场的了解。生成式AI通常有助于开放式创新的过程，尤其是对于商业案例的开发很有意义，比如可以加快速度、加快商业案例的开发等。罗兰·赫尔姆表示，在很多商业研究中讨论生成式AI对于创新流程的影响，答案是生成式AI可以应用于创新流程的各个环节，能够提升或者优化反馈机制，能够更好地获得消费者的反馈，给消费者带来更好的体验。

驱动形成AI加速计算的主流研究方式

生成式AI不仅是工具，更是激发人类创造力的“催化剂”。杜夏威认为，研究生成式AI面临的问题，如果依然采用传统的计算方式求解所面临的尤其又是跨尺度的微观问题，在分子或者数量进一步增加的情况下会呈现一个计算爆炸的状态，这样就导致科学问题几乎无解、不可实现。因此，研究的切入点就是围绕第一性原理使用AI方法，从而有效降低整个求解和计算的过程（包含了复杂度以及时间成本），将整个计算形成一种可实现或者工程可实现的方式，最终驱动形成AI加速计算的主流研究方式。

在使用大模型或者研发大模型的时候，意识到数据或者数据集会直接影响到模型的效果，问题在于传统生成的数据未必见得能够直接应用到AI或模型开发过程当中，这就需要计算机人员与科学工作者一同处理好数据，最终形成高质量数据集的积累。杜夏威表示，数据集在今天看来不仅仅是对于科研领域的一个宝贵资产积累，同时也是对于当下最新的计算范式、实现数智求解+AI结合，能够进行有效计算的一个非常重要的素材的支撑。

“相应的科学探索过程中所产生的数据，依托其沉淀的数据集，未来一定会赋能到最新大模型的研究或模型技术的迭代过程中。”杜夏威分析，随着AI模型训练的开展，对于数据量以及计算量的需求都在快速增长，增长的根本在于无论是模型“参数量”还是数据集“数据量”的增加，都会直接提升模型精度或者模型效果。

实际上，伴随着AI模型训练过程的具体实施，要持续不断提供算力的支撑，从过往的参数量提升到今天的千亿规模或者万亿规模，即便回到使用大模型支持科学探索或科学计算的模式下，依然会发现计算量呈“爆炸级”的增长，其中包含了新材料的研发、药物的研发以及传统流体的模拟或者气象的计算。“如果实现AI与传统科学计算的集成，根基就是要具备充沛的算力，在全新的科研范式的探索下依然离不开算力的支撑。因此，如何构建AI对于科学计算性能、生态以及算力的输出，一直是科研考量的问题。”杜夏威表示。