AI for Science：从知识发现引擎到科研治理工具【Metascience2025】|人工智能|顶尖科学家榜单

一、大会情况

人工智能技术的快速发展正在深刻重塑科学研究范式，其对科学发现的加速作用备受关注。在MetaScience2025伦敦大会的全体会议上，围绕主题"AI在科学中的应用：加速发现？"与会专家深入探讨了人工智能在科学研究中的变革性作用，包括AI模型在药物发现、生物医学研究、材料科学等领域的突破性应用，传统科学评估体系如何适应AI驱动的研究范式，AI生成科学内容的质量控制与伦理考量，以及全球科技发展不平衡背景下AI科学应用的公平性等关键问题。专家们从技术创新、政策制定、哲学思辨和科学计量等多个维度，分析了AI技术对科学发现模式的深层影响，强调在科学研究日益数据化和智能化的时代背景下，如何确保AI真正服务于科学发现而非仅仅追求技术炫技的重要性。

会议由伦敦大学学院(UCL)研究创新与全球参与副校长Geraint Rees主持，Google DeepMind影响力加速器负责人Anna Koivuniemi围绕AI在科学领域的变革性应用作开幕主旨演讲。伦敦大学学院神经学教授Parashkev Nachev，印度科学研究所DST政策研究中心高级研究员Moumita Koley，慕尼黑工业大学科学技术哲学与历史教授、伦理数据倡议科学主任Sabina Leonelli，西北大学管理与组织学教授、科学学与创新研究中心创始主任王大顺等五位来自不同国家和研究领域的顶尖学者组成主旨小组，分别从神经科学应用、发展中国家科技政策、科学伦理哲学以及科学创新计量分析等角度，深入探讨了AI技术在推动科学发现过程中的机遇与挑战。

二、主要内容

1.Google DeepMind的实践案例与全球合作愿景

Google DeepMind影响力加速器负责人Anna Koivuniemi强调，AI的使命是负责任地构建AI以造福人类，科学研究是这一使命中的重要组成部分。通过天气预测、蛋白质结构预测、AI科学家三个案例，Anna展示出AI理解复杂系统的强大能力和在科学发现中的巨大潜力。Google的"Weather Next Gen"模型成功预测飓风登陆德克萨斯州，比全球气象机构更准确，并提前4天预警。AlphaFold解决了困扰科学界数十年的蛋白质结构预测难题。如今已向研究人员提供2亿个结构，超过300万研究人员受益，并对药物发现做出巨大贡献。Google推出的"AI科学家"模型与帝国理工学院合作，在几天内发现了科学家多年研究才找到的抗生素耐药性细菌假设。

在AI工具应用普及方面，AI工具在全球南方的应用存在较大数字鸿沟，非洲等地区AlphaFold使用率较低，主要因缺乏技能和经验。Google正培训这些地区研究人员，如喀麦隆研究员利用AlphaFold研究抗生素耐药性的成功案例。

最后，Anna对AI for Science未来发展提出四大合作方向：1.定义21世纪重大科学问题、2.提高数据可获得性、3.确保公平受益、4.开展元科学研究。在风险防控措施上，需要承认AI可能降低科学创造性、影响可靠性等风险，Google正开发相应防范工具并建立负责任实践机制。

2.从资源约束到创新机遇：印度科研环境下的AI应用调研

来自印度科学院班加罗尔分校DST政策研究中心的高级研究分析师Moumita Koley针对全球南方国家使用AI的情况进行了调研，涵盖了印度来自化学、数学、公共科学、政策和生物科学等不同领域的研究人员。她围绕研究生命周期的五个阶段提出了四个核心问题：1.研究人员在哪些阶段使用AI、2.看到了什么机会、3.面临什么挑战，4.AI是否真正加速了科学发现。

调研结果显示，在当前印度的AI for Science应用中，呈现明显的阶段性特征。在研究问题制定和研究设计阶段，AI使用非常有限，主要是大语言模型的应用。在数据分析和解释阶段，部分学科开始广泛使用AI，特别是机器学习技术。而在研究交流阶段，几乎所有研究人员都在使用大语言模型。

研究人员对AI持谨慎乐观态度，特别是材料科学领域的研究者较为乐观。然而，他们也表达了几个主要担忧：首先是资源问题，担心AI工具过于昂贵，特别是对于印度等发展中国家的研究机构；其次是语言障碍，非英语母语研究者希望AI能帮助改善学术写作质量；最后是内容质量问题，担心AI生成的大量低质量内容会影响真正有价值的研究成果的可见度。

Moumita最后提到，当前的研究激励制度可能是导致科学创新性下降的原因，建议可以利用AI处理常规工作，让研究人员专注于思考更重要的问题。

3.批判性反思AI for Science的五大挑战

慕尼黑工业大学科学技术哲学与历史系主任Sabina Leonelli在发言中提出了AI在科学研究中应用面临的五大核心挑战，为当前普遍乐观的AI科学应用讨论提供了批判性视角。

一是创造性与常规工作的界限模糊。当前AI工具普遍基于"常规枯燥工作"与"创造性思维"的二元划分，但科学史表明这种区分极其困难。以DNA双螺旋结构发现为例，看似枯燥的X射线晶体学工作实际上成为了重大发现的源泉，这说明所谓的"常规工作"往往蕴含着创新潜力。

二是算法偏见和透明度不足。AI模型中嵌入的概念假设和偏见往往难以识别和评估，模型越复杂，这些问题越难察觉。

三是关键技能的潜在流失。过度依赖AI工具可能导致研究人员丧失阅读、写作和独立思考能力。Leonelli特别强调了"便利"概念的复杂性——便利是主观的、语境化的，在AI for Science场景应用中，需要明确的方案比较才能清晰评估。

四是资源偏见和技术垄断。AI技术发展需要巨大的硬件资源和超算设施，只有大公司和少数机构能够参与技术开发，普通研究者被排除在外。当前AI发展过分关注通用人工智能，而非科学应用的特定需求。

五是模型验证和成果质量控制的高昂成本。AI模型的验证、监控和质量评估需要大量人力投入，但这类工作往往报酬微薄、缺乏认可。

Leonelli强调，需要建立负责任的AI实践，优先考虑生物、社会和科学多样性，确保最脆弱群体的代表性，并思考跨学科、跨文化的合作形式，以确保AI技术的负责任发展。

4.AI驱动的的创新发现系统介绍

凯洛格管理学院技术学系主任王大顺教授展示了如何利用数据分析发现隐藏的科研创新潜力。几年前，西北大学领导层要求王教授研究本校的科研创新情况。通过整合大学的专利转让、授权信息、出版记录、资助数据和人力资源数据，并结合全球研究创新数据集，他们构建了一个全流程的科研影响分析系统SciSciGPT。

医学院教授Cathy Green的案例体现出分析系统的潜力，她拥有数百篇论文和数千万美元研究资助，但从未申请过专利。然而，数据分析显示，她的论文被其他专利大量引用作为重要先验技术，特别是被一家德国免疫疗法初创公司的十项专利所引用。当技术转移办公室主任与Cathy交流这一发现后，她在一周内就提交了首个专利申请，三年后还获得了STTR资助并开始皮肤癌相关的创业项目。

西北大学内部已经发现了约100名类似的"隐藏创新者"，其他大学也有数百名这样的研究人员。利用AI持续扫描和监控所有机构的研究成果，能够持续挖掘隐藏在大学内的巨大创新潜力。现在项目成功获得NSF2000万美元资助，已与美国30所大学合作，并计划将合作版图扩展至其他国家。西北大学近期成立了创新研究所，获得2500万美元资助开发"创新智能"的大语言模型。王教授强调，科研效率哪怕提升5%，对人类健康和生活质量的影响都将是巨大的，这种AI驱动的创新发现系统将大幅提升机构和国家的科研成功率与全球竞争力。

5.从生产力危机到智能化解决方案

UCL脑科学教授Parashkev Nachev指出了当前科学研究面临的严重生产力危机。以医药领域为例，从1950年到2010年，学术论文发表数量每九年翻一番，但能够成功进入市场的新药投资回报却每九年减半，这表明传统的科学评估体系存在根本性问题。现有的评估方法主要依赖引用数量和研究者声誉等定性指标，无法有效预测研究的实际应用价值和社会影响。

为解决这一问题，Parashkev教授团队在加州大学洛杉矶分校医学研究中心的支持下，开发了基于内容分析的AI预测模型。他们分析了超过4000万篇来自Microsoft Academic的学术论文，重点研究这些论文的标题和摘要内容与其是否被纳入专利申请或政策文件之间的关系。

研究结果令人鼓舞。通过建立高维度的内容表征模型，他们发现论文内容与其实际应用价值之间存在明显的结构性关联。更重要的是，这种基于内容的AI模型在预测论文是否会产生实际影响方面，比传统的引用指标表现出更高的准确性。该模型不仅能够预测专利相关性，甚至可以识别与诺贝尔奖相关的研究工作，且这种预测能力在1991年以来的时间跨度内保持稳定。

Parashkev教授强调，这种方法的核心价值在于结合复杂的AI模型与人类专业判断，通过深度分析研究内容来指导科学投资决策，从而在研究早期就能预测其潜在影响力。

AI正在科学系统中扮演越来越多元的角色——既是知识发现的加速引擎，也是科研体系自身的调度器与重构者。它既能参与生成新知识、提出假设、验证模型，也正在被用于优化科研资源配置、评估潜在影响力、识别隐形创新者。在此过程中，AI不仅提升了科研效率，更重新塑造了我们理解科学的方式。未来的科研生态，将是人与机器共构、个体与系统协同的智能闭环。