作者：周雅
作者 | 高飞
来源 | 科技行者
【编者按】8月21日，2026科学智能大会在北京中关村国际创新中心举办，由中国科协科学智能专家委员会提供学术指导。50余位院士、80余位青年学者及4000余名产学研各界代表参会，议题覆盖科学智能基础理论、科学基础大模型、行业智能体、数据集建设、产业落地应用、开源生态与国际合作等方向。本系列文章基于大会期间的报告与采访，记录各方在AI for Science领域的判断与实践。本文是对北京中关村学院的采访。
2026科学智能大会设置了14场平行会议，覆盖AI for Science从基础理论到材料开发、从生命科学到科学计算的主要方向。北京中关村学院副院长秦涛参加的是“科研智能体与自主科研系统”平行论坛，在论坛间隙，科技行者参与了他的媒体采访。
北京中关村学院2024年9月由教育部和北京市共建，与全国31所双一流高校联合培养博士生。在加入学院之前，秦涛在微软亚洲研究院做了十多年首席研究员，带队在2018年将中英机器翻译推至人类专业水平，发表论文超过百篇。
在他看来，大模型的既有技术路线逐渐成熟之后，AI for Science会成为下一个主要方向，OpenAI、Anthropic等头部公司都已经开始布局。秦涛认为这个方向的难点在于，计算端的能力提升很快，真正的瓶颈在于实验室的验证速度远远跟不上。
围绕这个判断，秦涛谈到了北京中关村学院的培养模式、与产业的合作方式，以及AI时代科研工作者最需要的能力。
先有问题，再有课程
传统大学的培养是一条串行流水线：先学知识，学完跟导师做科研，做完科研去实习，毕业后才进入产业实践。
北京中关村学院采取了一种与之相反的路线，学生从第一天起就要找到自己感兴趣的真实问题，根据问题决定上什么课，而不是学完一整套课程再去想做什么。这些问题来自真实产业，做出的成果也要回到产业。
北京中关村学院把这套理念浓缩成三极：“极基础、极应用、极交叉。”极基础是说要深挖AI理论，以釜底抽薪的方式去改变今天AI的格局；极应用是说需要了解各行各业的核心痛点，成果必须产生实际的社会价值或商业价值；极交叉则是AI作为一门应用学科的天然属性，它必须和其他学科、其他行业发生反应。
这套科研理念，对应的是一种不设常规边界的培养方式。学生来自清华、北大、中科大等三十一所共建高校，到了北京中关村学院，就不再区分出身；六百多名学生来自六十个专业，在学院内也不再分系别。导师和学生的关系是双向的，导师可以带学生做科研，学生也可以自己立项，老师反过来配合。培养阶段上，直博和普博混在一起，甚至北京少年人工智能学院的初二到高二学生也参与博士生的科研项目。
这种“倒过来”的教育模式，与20世纪60年代加拿大麦克马斯特大学首创的“问题导向学习”有一个共同的出发点：让问题走在知识前面。
不过问题导向学习通常还限定在课堂内，用虚拟案例替代教科书，中关村学院的问题直接来自产业一线，衡量标准也从分数变成了一个更硬的问题：企业的实际困境解决了没有？
秦涛解释“极应用”时坦率地说：十年前做AI，发一篇论文就够了；现在做AI，要让它在各行各业真正落地。他提到一组数据来说明，为什么仅仅发论文已经不够：机器学习三大顶会NeurIPS、ICML、ICLR，一年接收的论文加起来接近两万篇，即便一个人每天读五百篇也消化不完。在AI的加持下，论文的写作和审稿环节都可以借助大模型完成，发表本身变得容易，但论文的实际影响力并没有同比例增长。
秦涛用“AI for AI”来描述这种现象，他强调的是影响力比论文数量更重要。他们对前沿课程的要求也够激进：一个老师今年再讲去年讲过的课，内容必须更新80%以上。在大多数大学，一套精心打磨的PPT可以用上五年甚至十年，但在人工智能这个领域，半年前的前沿知识到今天可能已经过时了。
从材料到核聚变
“极应用”落到实处，意味着和真实的产业打交道。2025年下半年，中关村学院用三个月走访了三十多家大型企业，集中在材料和能源行业，目的是找到那些企业自身解决不了的技术难题。秦涛举了一个例子：有企业的某种关键材料面临断供，库存用完就要停产。企业问，AI能不能帮我们找到替代方案？
三个月走下来，团队发现了一百多个企业自身无法攻克的真实难题，目前已经和其中六七家企业建立了大约十个科研攻关项目。
这种“问题来自产业、成果回到产业”的逻辑也延伸到了创业孵化。学院为师生配备了孵化平台和投资基金，鼓励在读期间就启动产业化。秦涛在采访中举了几个已经公开的项目作为例子。
其中一家做具身智能，核心创新是用人的第一视角采集数据来训练机器人“大脑”。传统的方法用机器人本身去采数据，成本高、通量低，还有安全风险；让人戴上摄像头和传感手套在真实场景中操作，数据采集的效率和质量都高得多。
这家公司在2025年初提出这个路线的时候，同类做法在海外还没出现，半年后海外才有公司跟进。秦涛提到一个细节：最初向投资人介绍这个方向时，对方的第一反应是“美国有没有公司在做？没有的话，你们靠不靠谱？”
另一个项目做新材料方向，试图把过去依赖经验和运气的材料研发变成可计算、可复现的过程。一种新电池材料的迭代，过去可能需要几十年，AI有可能把这个周期大幅压缩，一家公司成立不到三个月就拿到了亿元级天使轮融资。他还提到一家做可控核聚变的公司，是全国首家把AI用在这个方向的，2025年9月注册，不到半年完成了6000万元融资，而据秦涛观察，这类方向上一旦有一家公司跑出来，很快就会有一批跟上。
一天十万个分子
除此之外，秦涛还在采访中详细展开了验证瓶颈的问题。
用AI设计一个药物分子、一条蛋白质序列，甚至一段DNA或RNA，都是容易的事，一天生成十万个、百万个分子没有任何技术障碍，但验证环节的速度完全跟不上。
一个蛋白质要培养出来，一个小分子要合成出来，周期以周计算，人工做实验的话两三周甚至一个月才能合成几个。AI的计算通量与实验室的验证通量之间，差了几个数量级，这才是AI for Science今天最大的瓶颈。
这个矛盾不是技术层面上AI还不够强的问题，而是数字世界和物理世界之间有一条始终存在的鸿沟。秦涛引用了一句朴素的话来解释这一点：实践是检验真理的唯一标准。AI在数字世界里可以给出任何答案，但它不负责答案对不对；只有在实验室里验证之后，结论才能成立。
这种“生成廉价、验证昂贵”的格局在历史上并非没有先例。胶片时代，拍一张照片有成本，摄影师必须在按下快门之前做出判断。数码相机让拍照几乎免费之后，每年产生的照片数以万亿计，但真正有价值的影像并没有等比例增长。区分好照片与坏照片的成本，从曝光和冲洗转移到了选片和编辑。AI for Science面临的局面类似：生成假设的成本趋近于零之后，验证和筛选就成了整条链路上最贵的环节。
为了应对这个瓶颈，自动化实验室正在成为各方争相布局的方向。通过将AI与机器人实验平台打通，提高验证端的通量，同时把验证过程中产生的数据回馈给模型，形成闭环迭代。
这条路目前仍在早期，但它的逻辑是清晰的：如果不能让验证追上生成的速度，AI for Science就会停留在“计算漂亮、落地困难”的阶段。
门槛降低之后的新问题
如果说验证瓶颈是AI for Science的“硬约束”，那么另一个变化则更接近哲学层面。
秦涛用“民主化”和“普及化”来描述AI对科学研究的影响：学科门槛大幅降低，科研的准入条件也和过去完全不同了。他举例说：前不久，北京协和医院的一位医师用GPT帮自己证明了一个数学难题。这位医师不是数学出身，但他有想法、愿意动手，AI替他解决了技术能力上的短板。
依托北京中关村学院成立的少年人工智能学院，也是一个例证。那里的学生从初二到高二不等，其中一些直接参与了博士生的科研项目。秦涛说，这些中学生借助AI工具，已经可以和博士生同台竞技，做出相当好的科研工作。
门槛降低带来了一个后果：执行能力被AI拉平之后，区分人与人的变量不再是“会不会做”，而是“知不知道该做什么”。秦涛把这种能力叫做“判断力”。一方面是选择问题的判断力，面对AI打开的无数可能性，你能不能找到真正值得投入的问题，因为好的问题比好的答案更重要；另一方面是评估结果的判断力，AI给出的方案可能看起来合理，但你需要判断它对不对。
这两层判断力，也解释了北京中关村学院为什么把培养顺序颠倒过来。如果判断力只能在实际问题中生长，那么等学生学完全部知识再去面对问题，就太晚了。
秦涛在微软亚洲研究院工作时经常碰到一个现象：科研人员觉得自己做完了90%的工作，产品部门只需要做剩下的10%就好。但产品部门看同一件事，结论完全相反：你只做了10%，我还有90%的事情要做。两边看的是同一个东西，但因为背景和优先级不同，得出的判断截然相反。
这个经验放在今天的AI for Science场景下，信号更强烈。AI做完了计算端的“90%”，但计算之后的验证、验证之后的落地，这段路程才是真正困难的“90%”。
而能不能走通这段路，取决于一种AI暂时无法替代的东西：在复杂现实中做出判断的能力。
热门跟贴