“AI for Science（简称为AI4S）的竞争本质上是认知体系的竞争”，3月29日，中国科学院院士白春礼在第二届浦江AI学术年会开幕式上表示，不同科研体系如何理解科学，是以模型为核心，通过高维空间中的模式来逼近现实，还是以理论为核心，强调机制的解释与因果逻辑的严密性？是以数据驱动为主导，还是坚持从理论出发来构建认知的框架？各种差异化方法背后，对应的是不同科学观和认知路径，并将深刻影响未来科学的发展方向与知识结构。

当前，科学发现的机制正在发生根本性转变。人工智能深度介入科学实验后，科学发现的起点正在前移，“科学假设”这个最核心的任务不再完全是由人类产生，而是部分由模型产生。知识生产方式正在转型，模型、数据、代码本身逐渐成为重要的知识承载方式，在部分领域，模型本身就已经成为核心的科研成果，其价值甚至超越论文。美国硅谷的一些最新科研成果，不是发表在传统期刊上，而是率先在开放社区或推特平台上发表，抢占先机。

白春礼表示，科学组织的方式正在发生深刻变化。未来，科学界要以更大力度推动科研组织体系变革，以学科划分、PI（学术带头人）结构及论文评价为基础的现有科研体系在AI4S时代受到挑战。未来的科研组织将更加面向重大问题，强调跨学科协同，并以人机系统作为基本运行单元，这不仅意味着组织形式的变化，也将带来科研评价方式、资源配置逻辑以及人才培养路径的系统性调整。

此外，在白春礼看来，人工智能时代要强化哲学与科学之间的深度对话。哲学不应成为事后的反思，而应参与科学命题的形成。“过去一段时间，随着技术快速发展，社会普遍把人文科学在一定程度上边缘化。但从科学发展长周期看，真正重大的突破往往伴随着对基本概念和认知框架的反思。”科学问题必然与价值判断、社会后果和长期风险交织在一起。科学家与哲学家的结合不仅是为了提升认知深度，更是为了在无人区探索中保持理性自觉，确保科技进步始终服务于人类整体福祉。

以下是演讲实录，略有删减

AI加速发展，不仅改变了技术本身，也影响了科学研究的基本范式。人工智能的边界是什么？它到底能走多远？它对科学的影响到底是什么？是仅仅停留在革新科研方法上，还是能够进一步颠覆人类认知世界的底层逻辑？

从实验科学的兴起，到数学理论体系的建立，再到计算模拟与数据驱动科学的发展，人类不断取得科学突破。

17世纪，以牛顿为代表的一大批科学先驱，通过实验方法和数学工具，将自然现象演化转变成为可度量、可计算的对象，塑造了经典科学体系，带动了科学的极大繁荣。

19世纪，以麦克斯韦为代表的理论物理学家，把电磁现象统一为一组方程，推动科学从经验描述走向抽象理论。爱因斯坦通过相对论重构了时间与空间的基本认知框架，使理论科学进一步走向高度抽象与统一，形成了又一次深刻的范式跃迁。

20世纪中叶，以冯·诺伊曼等科学家为代表奠定了计算机体系，使得人类可以通过数值模拟研究复杂系统。比如在曼哈顿计划当中，科学家首次借助计算手段模拟核反应过程。

21世纪初，以人类基因组计划为代表的大科学工程，则推动科学进入以数据为核心驱动的新阶段。随后一大批被称之为国之重器的重大科学基础设施拔地而起，带动了科学探索不断向前沿发展。

由此可见，每一次重大的科学革命突破都伴随着人类认知世界方式的转变。当下，AGI的发展引领的变革，极有可能正站在一个全新的历史转折点上。

事实上，在AI for Science概念提出之前，科学研究已经悄然发生了一些变化，为当下AI4S奠定了方法论基础。例如计算模拟让机器得以参与对世界的感知和推演，高通量实验催生了数据洪流，很多成果都需要计算模型筛选，而不是依赖人工逐一剖析。

当科学研究需要先由机器进行初步梳理、再由人类进行深度解读时，科学研究本身就已经发生了改变，这背后可能蕴藏着三个层面的结构性重塑。

第一，科学发现的机制正在发生根本性转变。过去，科学研究要遵循从提出假设到实验验证的基本路径。这个过程高度依赖理论训练与经验积累，有时更靠长期积累的个人直觉，经过验证后发表文章，这是传统的科研路径。然而在人工智能深度介入科学实验后，科学发现的起点正在前移。

例如在材料科学、药物研发以及天体物理等领域，研究者往往首先面对的是海量数据，通过模型在高维空间中学习潜在结构，再从模型中生成假设并验证。也就是说，科学发现路径正从假设、验证转向数据、模型、假设、验证。这个变化的本质在于，“假设”这个最核心的任务不再完全是由人类产生，而是部分由模型产生。

这一判断已在前沿科学中得到验证——AlphaFold蛋白质结构预测取得成功，获得了诺贝尔奖。现在，在没有冷冻电镜、X光衍射等传统晶体结构数据基础的情况下，AI就已经能成功预测出2亿多种蛋白质结构，解决了困扰生物学家多少年的蛋白质折叠问题。2025年升级版的AlphaFold3不仅能够精准预测蛋白质结构，更能模拟蛋白质与DNA、RNA和小分子配体复合物的相互作用，准确率达98%。这意味着传统结构生物学的研究发生了改变，这并不是简单的效率提升，而是从根本上改变了生命科学的研究路径，科学家不需要盲目试错，而是可以基于AI的精准预测，直接靶向设计药物分子。

第二，科学组织的方式也在发生深刻变化。传统科研组织以课题组为基本单元，由学术带头人统筹，依托人工团队开展知识生产。在人工智能与自动化实验系统的驱动下，一种全新的科研单元正在崛起，即由人工的团队、AI与自动化实验平台协同构建的复合系统。在一些自动化实验中，机器不仅承担数据分析任务，还能自主规划实验条件、执行实验流程。

这个趋势在工业界、学术界均已落地实践。比如谷歌研发的系统可在无人干预的情况下完成几千次化学反应实验，并自动优化反应路径。与之类似，英国科学家打造的机器人化学家系统能够在封闭的实验环境中自主提出假设并开展验证。中国科大在这方面也有很好的工作。上海人工智能实验室开源的虚拟科学家系统能够模拟人类科学家的合作过程，研究科技创新规律。

这些实践充分表明，科研活动的基本单元正从“人”向“人机系统”转变。未来，科研竞争的核心或许不再是人的团队之间的较量，而是人机系统综合能力的比拼。科研组织变革的问题需给予高度重视。从历史经验来看，组织变革的滞后往往是竞争力丧失的主要原因。

第三，知识生产方式也在发生转型。长期以来，科学知识以论文为主要载体，科学家提出一个新的理论，就是通过一个文本来描述，把数据作为辅助支撑。在人工智能时代，模型、数据、代码本身也逐渐成为重要的知识承载方式，在部分领域，模型本身就已经成为核心的科研成果，其价值甚至超越论文。

比如DeepSeek-VL支持多模态检索，知识获取效率提升40倍。其能力集中体现在对语言知识与推理的综合呈现上。这个转变不仅革新了知识的表达形式，还将深度重塑科研评价和科研传播机制。美国硅谷的很多最新科研成果，不是发表在传统期刊上，而是率先在开放社区或推特平台上发表，抢占先机。这些成果表现形式不仅仅是论文，包括代码、文本、模型。

接下来讲讲科学研究体系的新特征。第一个特征，就是科学可能正在从理解世界走向逼近现实。传统科学强调了对自然规律的解释能力，追求因果的清晰与理论的完备。人工智能驱动研究中，越来越多的成果表现为有效却难以完全解释。深度学习模型在图像识别、气候预测等领域取得了极高精度，但其内部的机制难以完全解释。例如在气候科学领域，科学家引入AI模型开展天气预测，其短期预测精度已超越部分传统物理模型，然而这些模型并没有完全解释气候系统的物理机制。我访问欧洲时，中科院大学大气所所长跟我同行，利用他们开发的AI模型预测天气。我们在欧洲一些小城市，模型的预测比天气预报要准得多。

第二个特征，就是科学体系正从以因果逻辑为核心，逐步转向相关性与因果相结合的混合体系。传统科学研究强调通过理论解释因果关系，而人工智能则擅长从数据中发现模式与相关性。在很多场景中，我们可以在尚未完全理解机制情况下实现高效预测。

比如在药物筛选领域，AI模型可基于对分子结构的学习来预测其药效以及毒性，而无需完全明晰它的生物化学机制。2022年已有机构借助AI设计候选药物，顺利进入临床试验阶段，但这也潜藏风险，我们可能在不明缘由情况下运用正确的结果，但不知道缘由到底是什么。

第三个特征，也是最根本的一点，就是科学认知主体的变化。传统科学以人类为唯一认知主体，而在人工智能时代，科学逐渐演变为人类与机器共同构建的认知系统。例如在材料科学研究中，科学家利用AGI在数周之内就可以筛选出数十万种潜在材料候选，大幅缩短材料发现周期。在可控核聚变领域，AI通过实时控制等离子体稳定性，让人造太阳的商业化应用迈出关键一步。中国科学院“磐石”科学大模型，实现了靶点发现全流程自动化。在这些过程中，知识的生成并非完全由人类完成，而是人机协同的结果。

当然，这些变化并不意味着一个成熟、边界清晰的全新范式已然成型。相反，我们当下所洞察的这些特质，本质上仍处于动态演进的过程，亟待在实践中持续探索，不断发掘。在这样一个科研范式转型的背景下，我们面临着新的机遇和挑战，迫切需要我们用新的视角和方法来面对。

第一，AI4S的竞争本质上是认知体系的竞争。当前的讨论往往集中在算法、算力与数据规模等要素，但这更多属于实现层面的能力。从更深层看，真正的竞争可能在于不同科研体系如何理解科学，应当如何认识世界。比如是以模型为核心，通过高维空间中的模式来逼近现实，还是以理论为核心，强调机制的解释与因果逻辑的严密性？是以数据驱动为主导，还是坚持从理论出发来构建认知的框架？

这些看似方法层面的差异，实际上对应的是不同的科学观和认知路径，并将深刻影响未来科学的发展方向与知识结构。正因为如此，AI4S的竞争归根到底并不是单一技术的竞争，而是谁能在新一轮范式转型中率先形成稳定且具有解释力的认知体系。

第二，科学界需要以更大力度推动科研组织体系变革。现有科研体系很大程度上仍是以学科划分、PI（学术带头人）结构以及论文评价为基础，这个模式在传统科学阶段发挥了重要作用。但在AI4S时代，其适应性正受到挑战，涉及的科学问题日益复杂。人工智能深度参与科研过程，未来的科研组织将更加面向重大问题，强调跨学科协同，并以人机系统作为基本运行单元，这不仅意味着组织形式的变化，也将带来科研评价方式、资源配置逻辑以及人才培养路径的系统性调整，这种变革面临着巨大而复杂的挑战，会打破原有结构，需要领导科研者的战略性决心。

第三，中国的优势和机遇在于科技创新与产业创新的融合能力。我国在若干领域具备非常强的原始创新能力，同时也有大规模科学数据资源，这提供了重要条件。中国还具备完整的产业体系和丰富的应用场景，能够使新技术在更大的范围内快速验证和迭代。未来的竞争或许并不在于某一个环节的领先，而在于能否在科学工程与产业之间构建起高效的联动机制，实现持续迭代与系统简化。

最后一点很重要，就是在人工智能时代要强化哲学与科学之间的深度对话。过去一段时间，随着技术快速发展，社会普遍把人文科学在一定程度上边缘化。但从科学发展长周期看，真正重大的突破往往伴随着对基本概念和认知框架的反思，在人工智能深度介入科学研究的背景下，这个问题变得更加突出。

比如在自动化科研系统当中，如果算法生成了错误结论，责任到底应该如何界定？一个礼拜之前，我长了一颗麦粒肿，我问人工智能模型，麦粒肿该怎么处理？它说热敷。我查另外一个模型，那个模型说冷敷。我也不知道到底热敷好还是冷敷好，我就没敢动，结果麦粒肿长得越来越大。后来我到医院问大夫到底是热敷还是冷敷，大夫说，刚长的时候热敷，长大以后冷敷。

所以，假如我敷错了，这责任是谁的？是人工智能模型的编制者，还是平台，还是我自己？所以哲学不应该是事后的反思，而应该参与科学命题的形成。通过对基础概念、隐含前提以及科研范式的反思，帮助识别哪些问题值得提出。

总之，科学问题必然与价值判断、社会后果和长期风险交织在一起。在人工智能生命科学领域，哲学也不应该停留于事后的评判，而应与科学研究同步介入，通过对价值、目标、责任边界和人类处境的讨论，参与塑造技术发展的方向。

科学家与哲学家的结合不仅是为了提升认知深度，更是为了在无人区探索中保持理性自觉，确保科技进步始终服务于人类整体福祉。所以我在报告最后再次强调，在AI迅速发展的同时，人文思考不可或缺，科学不仅关乎能力，更关乎方向，不仅关乎发现，更关乎抉择。我们在推动技术进步的同时，更需以理性与善意拥抱科学，审慎思考它将引领人类驶向何方。