文章出自《中国科学院院刊》，作者为陈凯华等学者，主要是聚焦人工智能驱动科研范式变革，针对现有研究多局限于局部技术视角、缺少统一分析框架的问题，从内涵、核心特征、支撑体系架构、对策建议四个维度展开研究，为我国人工智能赋能科研提供理论与政策参考。

一、研究背景

       科研范式历经经验、理论、计算、数据密集型阶段，正向人工智能赋能新范式跃迁。美欧日纷纷出台相关战略布局，我国也通过顶层文件明确提出以人工智能引领科研范式变革。人工智能已经从单点应用渗透到科研全流程全学科，但尚未形成系统认知框架，亟需理论梳理与路径谋划。

二、人工智能赋能科学研究的三重内涵

      并非只是算力、数据规模提升，而是科研能力、求解方式、知识生产逻辑的系统性变革，包含递进且相互支撑的三个维度：

      赋能应用论：人工智能是通用赋能技术，拓展科研能力边界与问题空间。跨学科嵌入各研究领域，催生“人工智能+学科”新方向，打通科学发现到成果转化创新链条。

      工具方法论：人工智能由效率工具升级为科研方法与平台。分为工具化提效、方法化重构（将传统线性科研流程变为“数据‑模型‑实验‑反馈”动态闭环）、平台化转型三层，降低技术使用门槛，促进跨机构协作。

      认识知识论：重塑科学认知模式。拓展认知边界；知识生产变为人类‑机器复合主体协同完成；出现“预测先于理解”新现象，但人工智能不会取代科学家，人机协同组成全新认知系统。

三、五大核心特征

      人机共生：人‑机‑物多主体协同，科学家负责问题定义、价值与伦理判断，人工智能承担大规模计算、模式识别等任务，二者优势互补。

      自主演化：依托反馈机制实现科研环节自动化、闭环迭代，压缩科研周期，可组建多智能体虚拟科研团队；该自主演化是受人类约束的有限自主。

      交叉融合：打破学科、组织、产学研边界，以问题导向推动知识重组，助力复杂耦合科学问题求解，催生新研究方向。

      资源密集：高度依赖高质量科学数据、算法模型、算力设施、复合型人才等多元资源，范式落地离不开物质与制度条件保障。

      开放生态：依靠开源模型、开放数据、共享平台实现迭代，破解资源孤岛，促进跨主体协同创新。

      五大特征相互耦合，共同塑造新型科研复杂系统。

四、五层支撑体系架构

      整体为闭环系统，底层向上赋能，上层应用向下牵引底层迭代，兼顾通用性与领域适配性：

      基础设施层：物理基石，包含算力集群、存储、自动化实验机器人、软件系统，提供全链条硬件环境。

      数据资源层：战略核心要素，汇聚文献、实验、模拟、产业等多模态科研数据，兼顾数据治理、确权、安全流通。

      模型工具层：智能认知核心，由科学基础大模型、学科专用大模型、工具平台构成，赋予跨尺度分析、假设生成、复杂系统模拟能力。

      任务执行层：人机协同枢纽，由人类科学家、人机协同系统、科研智能体组成，明确主体责任边界，实现科研任务混合驱动。

      应用场景层：价值落点，覆盖基础学科与产业研发；对传统成熟领域起到效率提升作用，对传统方法难解问题实现突破。

五、我国推进人工智能赋能科研的对策建议

      夯实智能化科研基础设施底座：强化国家级顶层规划，打通设施壁垒；建立算力统筹调度机制；攻关国产硬件，实现底层自主可控。

      构建高质量科学数据供给体系：统一数据标准规范；完善数据确权、共享激励制度；建设国家级科学数据库，兼顾安全与国际开放。

      打造可信智能科研工具与开源协作生态：构建“通用底座+领域专用”模型矩阵；完善多学科基础算法工具链；培育开源共建生态。

      建立人机协同的智能科研执行体系：制定人机协作任务规范；研发科学智能体；建设多智能体协同网络，实现科研任务闭环执行。

      强化重大场景牵引与敏捷安全治理：发布国家级重大场景清单；促进科研与产业双向融合；建立敏捷治理机制，防范模型幻觉、数据泄露风险；完善科研伦理与成果标注规范。

      推进适配智能化的科研组织模式变革：组建跨学科融合创新联合体；改革科技评价体系，把数据集、模型开发纳入评价；培养复合型人才，同时防范科研人员过度依赖智能工具弱化基础研究能力。