AI驱动科研范式变革：内涵、特征与体系构建

本文刊载于《中国科学院院刊》2026年第6期“国家科学技术思想库：人工智能赋能科学研究”

陈凯华1,2 李赫扬1,2 刘泓欣1,2 赵彬彬2 杨硕1,2*

1 中国科学院大学 公共政策与管理学院

2 中国科学院大学 国家前沿科技融合创新研究中心

人工智能正深刻重塑科学研究的内在逻辑，推动知识生产与组织模式向智能化、协同化转型，催生新型科研范式。本文从赋能应用、工具方法与认识知识三维度，界定人工智能赋能科研的核心内涵，凝练出人机共生、自主演化、交叉融合、资源密集与开放生态五大特征，并构建涵盖基础设施、数据资源、模型工具、任务执行与应用场景的支撑体系。结合我国实际与战略需求，提出夯实智能科研底座、构建高质量数据供给、打造可信工具与开源生态、建立人机协同执行体系、强化场景牵引与敏捷治理、推进组织模式变革等策略，为AI赋能科研提供理论支撑与政策参考。

人工智能以前所未有的深度重构科研底层逻辑，成为驱动前沿突破与范式跃迁的核心引擎。科研范式历经经验、理论、计算到数据密集型演进，正加速迈向AI驱动的新阶段，引发知识体系与科研结构的系统性重构。全球科技强国密集布局，如美国2025年底启动“创世纪计划”，欧盟、英国、日本相继出台AI科研战略。我国亦强化顶层设计：2025年4月，习近平总书记强调“以人工智能引领科研范式变革”；8月《国务院关于深入实施“人工智能+”行动的意见》将“人工智能+科学技术”列为首要行动；10月党的二十届四中全会再次明确“以人工智能引领科研范式变革”。亟需系统厘清AI赋能科研的内涵、特征与体系，明确战略路径。

AI正从单点工具演进为全流程、全学科嵌入的变革力量，在假设生成、实验优化、数据分析、模拟预测等环节释放显著效能，推动科研从经验驱动转向智能协同，影响延伸至发现、突破与转化全链条。国内外虽有广泛探讨，但多聚焦局部技术视角，缺乏统一认知框架，导致内涵边界模糊、特征不明、支撑体系缺位，难以支撑科研组织重构与国家战略部署。

面对AI赋能科研从局部应用迈向系统变革的趋势，亟需理论重构与体系谋划。本文提出从赋能应用、工具方法、认识知识三维度系统解析其内涵，提炼核心特征，并构建支撑架构与推进策略。

1

人工智能赋能科学研究的内涵

AI赋能科研并非仅提升算力或数据规模，而是通过算法、模型、平台与智能体等新要素，重构科研运行逻辑、认知路径与知识生产条件。其本质是科研能力、问题求解与知识生成机制的系统性变革。首先，AI持续渗透多学科场景，拓展研究边界；其次，作为新型工具、方法与平台，改变科研问题的表征、建模与验证方式；未来更可能重塑知识发现与科学解释逻辑，推动科研从经验、理论、数据驱动转向模型驱动与智能增强融合。本文提出三维度框架：赋能应用论、工具方法论、认识知识论，三者递进互构。

赋能应用论聚焦AI作为通用技术对科研能力的扩展，确认其跨领域嵌入的事实，是分析起点；工具方法论揭示AI从效率工具到流程重构再到平台化转型的演化机制；认识知识论则深入探究其对知识生产主体与认知方式的深层变革。三者协同构成“能力扩展—方法重塑—认知跃迁”链条：应用广度驱动工具演化，工具成熟支撑认知变革，认知反思反向界定赋能边界。早期阶段以应用与工具为主，随科研智能体发展，认知变革逐步凸显，推动科研从单点突破走向系统耦合（图1）。

图1 人工智能赋能科学研究的赋能应用论、工具方法论和认识知识论框架

赋能应用论

AI作为通用赋能技术，突破学科壁垒，提供跨域底层能力。其价值不在于单一算法应用，而在于重塑研究对象表征、数据处理与路径选择方式。实践表明，AI已推动蛋白质结构预测、材料逆向设计、气象模拟等跨学科融合，催生“人工智能+学科”新领域。中国科大“机器化学家”实现文献挖掘—配方设计—实验验证闭环；中科院“磐石·科学基础大模型”构建多学科通用智能底座。AI强化科学发现与产业转化联动，嵌入全链条创新，奠定新型科研形态的现实基础。

工具方法论

AI正从辅助工具演变为方法体系与科研平台。其学习、推理、生成与优化能力覆盖文献处理、数据解析、模拟预测、假设生成、实验设计等全环节。随着开源模型与自动化平台发展，AI角色由“辅助者”转向“协作者”乃至“执行者”。工具方法论呈现三层次演进：

第一层次：工具化提效。AI通过表征学习与代理建模，压缩数据处理周期，提升高维任务精度。

第二层次：方法化重构。传统“假设—实验—验证”线性流程，转向“数据—模型—实验—反馈”动态闭环，实现数据与模型协同驱动。

第三层次：平台化转型。统一算法库、标准接口与预训练模型降低使用门槛，促进跨机构协作。AI逐步成为科研活动的主动参与者，承担部分替代性功能。

该演进不仅重塑科研流程，更成为全链条创新范式变革的方法基石。

认识知识论

AI的深层意义在于重构知识发现、组织与验证机制，重塑科学认知系统。知识生产从个体经验转向“人—数据—模型—平台”复合认知体。

1

扩展认知边界

AI可高效处理高维、非线性、跨尺度问题，突破经验判断与局部最优限制，拓展科学探索空间。

2

重塑知识生产主体

人类负责问题定义与价值判断，AI承担知识抽取、模式发现与实验优化。科研智能体已能自主规划路径、调度资源、生成报告，主体边界由“人主导”向“人机共生产”演进。

3

转变科学认知方式

传统“理解后预测”转向部分场景“预测先于理解”——模型在机制未明时仍可高精度预测。AI价值不仅在于预测，更在于能否介入因果解释与理论建构。AI不取代科学家，而是与之协同构建新认知系统，推动知识体系重组与更新。

三维度共同构成理解AI赋能科研的基础框架，为提炼核心特征奠定基础。

2

人工智能赋能科学研究的核心特征

伴随内涵深化，AI赋能科研呈现五大结构性特征：人机共生、自主演化、交叉融合、资源密集、开放生态，源于科研能力、方法、认知与组织模式的系统变革。

人机共生性

强调人类智慧与机器智能深度耦合、功能互补。科研系统从“人—物”二元转向“人—机—物”多主体协同的平行智能模式。AI从被动工具演变为推动设计、生成假设与优化实验的核心要素，凭借感知、认知、决策与生成智能，承担数据处理、推理、建模等任务。人类保留问题定义、价值判断与伦理决策权，AI擅长大规模整合、模式识别与动态优化。二者形成依赖互补、协同演进的共生关系，效能取决于交互界面、任务分配与决策透明性。如生命科学中，AI筛选靶点，科学家验证应用，实现理论与实践融合。

自主演化性

体现为持续学习、快速迭代与反馈驱动的内生机制。AI依托强化学习与智能体技术，推动科研从人工预设转向闭环动态优化。研究循环显著压缩，数据—模型—实验—反馈形成自驱动循环。虚拟实验室平台已在“首席科学家智能体”协调下，组建多专家智能体团队，实现从假设到验证的全流程自动化。模型随新数据持续更新，问题与方法随发现灵活调整。当前仍属“受限自主”，依赖人类设定目标与评价标准。

交叉融合性

AI加速学科、方法、主体间知识流动与重组。作为数学、统计、计算机与领域知识的交叉产物，AI将多学科问题统一为数据建模与优化任务，打破学科、组织与产学研边界。复杂科学问题（如多尺度耦合系统）依赖AI统一框架实现跨域协同，推动知识组织从“学科分立”转向“问题导向”，催生新兴交叉方向。

资源密集性

AI赋能科研高度依赖数据、算力、算法、人才等多元要素。高质量科学数据是训练基础，先进算法与大模型是核心资源，强大算力与自动化实验平台是底层支撑。资源密集不仅体现为硬件投入，更在于数据治理、支持能力与复合人才的系统性建设。AI驱动科研已成方法、条件与制度的系统工程。

开放生态性

AI科研依赖开源模型、共享数据、协同平台与社区反馈。模型训练、验证与迭代需开放数据与代码，打破资源孤岛。复杂问题求解需跨机构、跨学科协作，开放生态成为提升效率、加速转化的关键条件。科研创新体系正向平台化、融合化、生态化演进，开放既是运行基础，也是发展方向。

小结

五大特征相互耦合、协同作用，推动AI赋能科研从技术应用升维为系统性范式。人机共生定义运行模式，自主演化提供动力机制，交叉融合构建知识网络，资源密集奠定物质基础，开放生态支撑持续演进，共同形成高度动态的复杂科研系统。

3

人工智能赋能科学研究的支撑体系与架构

为适配五大特征，亟需构建全流程、全要素联动的支撑体系，打通物理设施、数据资源、智能方法与执行主体，支撑海量调度、多尺度建模与复杂任务执行。

整体架构

整体架构由五大功能层构成，互为支撑、闭环运行：

1. 基础设施层：提供算力、存储与实验环境物理支撑；

2. 数据资源层：汇聚多模态科学数据，供给模型训练原料；

3. 模型工具层：构建智能分析与发现能力；

4. 任务执行层：实现人与智能体高效协同；

5. 应用场景层：聚焦科研问题与产业需求，牵引体系落地（图2）。

图2 人工智能赋能科学研究的体系架构

五层构成闭环：基础设施与数据孕育模型，支撑任务执行；应用场景反馈驱动底层迭代。架构需兼顾通用性与领域适配性，各学科依托通用底座，按需调用层级资源。

基础设施层

是物理基石，需突破算力孤岛，构建集成数据平台、软件系统、计算硬件与机器人系统的支撑网络。数据平台负责清洗与分发；软件系统整合操作系统、容器与工作流引擎；计算硬件含GPU/TPU集群与新兴架构；机器人系统连接虚拟仿真与真实实验，支撑高通量闭环执行。需满足高并发、低延迟、异构调度、容错安全与统一接口，保障全链条自动化。

数据资源层

是战略核心，涵盖科学文献、实验数据、模拟数据、AI生成数据与产业应用数据。需提升可用性、流通性与安全性，实现自动化清洗、分布式存储、高效索引与隐私保护。多模态数据融合催生新知识，AI生成数据经实验验证反哺生态，形成良性循环。

模型工具层

是智能核心，由科学基础大模型、学科专用模型与工具平台组成。基础模型承担跨域融合与知识助手职能；专用模型深度内化领域知识；工具平台提供开发环境与实验支撑。需融合数据驱动与知识推理，具备跨尺度建模、假设生成与复杂系统模拟能力，实现微观到宏观统一分析、自主生成可验证观点、高精度长周期预测。

任务执行层

是连接问题与方法的枢纽，由人类科学家、人机协同系统与智能体构成。人类主导方向与洞察；人机系统融合专家知识与算力；智能体承担自动化任务，可演化为多智能体协同网络。需建立意图理解、任务分配、反馈机制与责任边界，实现从识别、设计、执行到分析的全流程智能重构。

应用场景层

是技术与科学问题的交汇点，覆盖粒子物理、化学、材料、生命科学、生物医药、天文、遥感、深地等前沿领域，并延伸至产业研发。共性应用聚焦多模态数据解析、装置智能操控与隐蔽规律挖掘；特性应用如高能物理实时决策、生命科学多尺度建模、生物医药逆向设计。AI在成熟领域“锦上添花”，在瓶颈领域“雪中送炭”，推动科研从定性描述转向定量预测，从经验决策转向数据循证。

4

推动人工智能赋能科学研究范式变革的对策建议

基于前述分析，结合我国基础与需求，提出六项关键对策。

夯实智能化科研基础设施底座

针对算力分散、设施孤岛、协同不足，加快建设自主可控智能科研平台系统。

1. 加强国家顶层规划，建设全要素闭环平台

设立统筹机制，打通大科学装置、国家实验室与超算/智算中心壁垒，制定统一标准，避免碎片化。

2. 构建跨区域算力统筹与弹性调度机制

依托国家算力网络，开发异构算力协同框架，实现按需分配与动态流转，适配科学大模型。

3. 强化底层硬件自主可控

攻关国产GPU/TPU集群、异构计算硬件与底层系统，构建开放兼容的自主标准体系，降低对外依赖。

构建高质量科学数据供给体系

破解数据碎片化、标准不一、共享动力不足问题。

1. 健全标准规范，推进智能化管理

出台国家科学数据分类分级标准与元数据体系，建立自动采集、清洗、标注与合规存储全流程规范，提升机器可读性与互操作性。

2. 完善确权与激励机制

探索数据产权与贡献评价机制，将高质量开源数据集纳入学术评价体系，激励共享。

3. 统筹国家级数据库建设

建设自主可控开源科学数据仓库与多模态语料库，引入联邦学习、差分隐私保障安全，参与国际共享协议，构建全球竞争力生态。

打造可信智能科研工具与开源协作生态

应对可解释性弱、工具链匮乏等挑战，构建自主可控工具生态。

1. 统筹布局“共性底座+领域专精”模型矩阵

集中攻关跨领域科学基础大模型，支持学科专用模型开发，提升小样本与多尺度问题求解能力。

2. 完善通用算法与基础工具链

攻关跨域泛化算法，构建涵盖数值模拟、高通量筛选、自动化控制等模块的工具链，开发低代码环境与标准化API，降低使用门槛。

3. 培育开源协作生态

建设国家级算法库、预训练模型社区与开源软件仓库，鼓励计算机与基础学科专家共建，形成众创共享、持续演进生态。

建立人机协同的智能科研执行体系

推动科研从人力主导向人机混合驱动转型。

1. 制定人机协作规范

明确责任边界，建立意图理解、任务拆解、自动执行与人工复核标准流程，保障人类决策权，释放AI执行潜能。

2. 加快科学智能体研发与应用

设立专项，支持具备自主学习、推理与规划能力的智能体开发，嵌入科研一线，解放科研人员精力，聚焦原创问题。

3. 推进多智能体协同网络

构建分工明确、联动高效的多智能体平台，实现假设生成—实验执行—结果验证全流程闭环，推动复杂问题系统级并行求解。

强化重大场景牵引与敏捷安全治理

以国家需求为导向，同步构建安全治理底线。

1. 发布战略级场景清单

聚焦前沿与国家战略，动态发布重大应用场景，引导算力、数据、工具协同迭代。

2. 推动科研与产业深度融合

建立院企场景共建与数据共通机制，推动成果在材料、药物等真实场景落地，反哺科研底座，形成双向赋能。

3. 构筑敏捷治理防线

针对模型幻觉、数据泄露、技术滥用等风险，建立场景驱动的分类监管与动态审查机制，在守住安全底线前提下，提供试错空间。

4. 强化科研伦理与诚信建设

制定AI生成内容使用与标注规范，将伦理审查嵌入平台与评价体系，防范成果归属争议与新型学术不端。

推进适应智能化的科研组织模式变革

AI赋能不仅是技术升级，更是科研生产关系重构，需推动组织模式系统变革。

1. 构建融合创新联合体

打破学科壁垒，建立以重大问题为导向的动态网络组织，推动AI专家与基础科学家深度协作，形成建制化合力。

2. 建立适配智能范式的评价机制

破除“唯论文”，将开源数据集、通用算法、基础模型、共性工具等实质性贡献纳入核心评价体系，激发生态建设动力。

3. 打造复合型人才梯队

推动“人工智能+学科”融合培养，引育兼具领域知识与AI技能人才。强化逻辑推演训练，防范过度依赖工具导致的科学直觉退化与机理探究能力弱化。

致谢：本文在研究过程中得到中国科学院学部人工智能赋能科学研究咨询项目学科组多位院士专家的指导，在此表示衷心感谢。

作者简介

陈凯华 中国科学院大学公共政策与管理学院长聘体系特聘教授。主要研究领域为国家创新体系、科研智能管理与政策、创新计量学、创新管理科学与工程等。

杨 硕 中国科学院大学公共政策与管理学院特别研究助理（博士后）。主要研究领域为创新扩散、新兴产业政策、科研智能管理与政策等。

文章