高校AI科研，自主水平究竟如何

把AI形容成能"自主搞科研"，听起来很震撼，真要放进高校实验室检验一下，分界线其实挺明显：它现在更像一个不知疲倦的高级助理，能跑流程，能筛选数据，运算速度惊人，但要说到"自己提出科学命题"，差距还相当大。

别急着给它封神。谈到实际应用，先看材料科学这个领域。

香港科技大学（广州）等院校已经把"材料基因组工程"运转得很成熟，AI大模型先把数百万种材料组合过一遍，再结合自动化装置回传实验数据，原本要几年才能摸索的方向，如今压缩到几个月，甚至有团队在48小时内从200万种潜在材料中筛出3种电解质候选材料。快。确实很快。

但这并非科幻片里的"AI科学家"。其本质上仍然是在人类设定的参数空间内做高速检索，跑得再快，也无法替你判断这个课题有没有价值，实验路线该朝哪个方向走。复杂、非标准化的实验，AI一上手就露馅，最后还是得有人盯着。

生物医药领域的情况相对更接近一些。

复旦、上海交大等高校借助AlphaFold 3和国产模型，已经能在药物靶点发现中开展"零人工干预"的初筛工作，分子结构直接生成，省去大量试错环节。这一场景最容易让外行产生误读，以为AI已经会"做药"了。其实没那么神奇，AI只是把海量候选先压缩到少数几个有潜力的对象，真正决定它有没有用的，依然是湿实验。不上台面的那一步，谁都绕不过去。

说穿了，AI现在不是替代实验室，是替你把实验室里最枯燥、最耗精力的那一段先完成。

数学和逻辑推演，又是另一个容易被夸大的方向。

清华、北大的团队已经在用大语言模型结合Lean等形式化验证工具，去挑战复杂数学猜想，AI能独立推导出部分逻辑链，这一进展不小，至少说明它不只"会写字"，也开始具备一定的"推理"能力。但问题同样很棘手：它擅长的是形式化程度高、边界清晰的题目，遇到自然语言中那种模糊、跳跃、含大量隐含条件的逻辑，立刻容易跑偏。

它会解题。还不会出题。

这句话挺扎心，但基本就是当下的真实状态。

教育部2024年4月发布的文件已经放开了口子，支持高校建设"AI+科研"交叉平台，鼓励借助大模型加速基础科学突破。再看《中国高校人工智能科研算力需求报告》，Top 20高校的高性能计算需求中，AI训练任务占比已经突破60%。资金、算力、平台，学校都在大力投入。动作不小。

但堆算力不等于拥有自主科研能力。缺乏高质量结构化数据，没有稳定的实验流程，没有导师把关，AI再强大也只能把错误放大，最终产出的不是发现，而是看似像模像样的"学术垃圾"。

某高校人工智能学院院长的一番话其实讲得很透：当下很多所谓"自主科研"，本质上仍是自动化工作流。真正的自主科研，应当是AI主动发现科学界尚未解决的问题，自己提出假说，自己组织验证。这一层级，目前尚未达到。

因此看到学校宣传"AI自主科研"，别只盯着海报有多唬人，直接去问三件事：有没有人类在环，实验是不是闭环验证，算力和数据是不是自己真有。三样里只要空一块，基本就别把它当"科学家"看。