鄂维南 大会主办方供图
北京大学数学科学学院讲席教授、北京科学智能研究院学术委员会主任、中国科学院院士鄂维南在2026科学智能大会上作报告，对AI4S下一阶段的发展进行系统阐述。
鄂维南是国际上最早提出“AI for Science”（AI4S，人工智能赋能科学研究）概念并系统推进其发展的学者之一。他表示，“AI for Science”已进入“下半场”，重心正从人工智能赋能科研的能力建设，转向人工智能时代科研体系的系统性变革。未来需要推动科研平权化，让每个有想法、有能力的个人和团队都能参与科技创新。 新京报记者 张璐
谈科研
“平台科研”基础设施日渐成熟
鄂维南直言，“AI for Science”是我国科研千载难逢的最好超车机会，没有“之一”。
鄂维南指出，科学研究的根本目的有两个——拓展人类知识边界和推动技术创新。真正的科学发现属于“小概率事件”，然而当前科研体系以论文发表为核心衡量标准，客观上稀释了“自由探索”与“科学发现”的初心。他坦言，一些科研人员并不真正了解社会需求，不具备冒险精神和担当精神，把发表论文等同于科技创新。其根本原因之一在于传统科研工具和知识获取能力的局限，实验高度依赖经验和试错，导致即使细枝末节的工作也有较高门槛，误导研究者认为这些琐碎工作即科学发现。
当下，人工智能正在大幅度提升科研能力。文献检索、知识学习的效率大幅提升，例如Science Nav⁃igator（科学导航）平台覆盖“读文献-做计算-做实验-多学科协同”全流程，研究者可在短时间内了解跨学科知识；DPA大原子模型等实现大规模原子模拟，自主实验室则实现了闭环。“如此一来，解决琐碎工作的门槛大大降低，包括我所在的应用数学领域，智能体已经可以批量撰写可发表的论文了。”他说。
鄂维南说，传统科研的组织形式本质上是“作坊模式”——资源集中在少数高校和实验室，获取工具和知识的门槛极高。“大家比较熟悉平台经济，未来将实现平台科研，即有一套新的服务于全社会的科研基础设施。”他说，随着AI赋能的科学基础设施逐渐成熟，科研将走向类似“安卓模式”的平台化：任何人只要有想法，就能利用平台上低门槛、高效率的工具来验证和实现。
他建议，青年科研人员要抓住这样的历史机遇，并突破既有学科框架和思维惯性。
谈创新
支持真正自由探索 不能将发论文等同于科技创新
基于新的生产力，鄂维南提出，要构建满足人工智能时代需求的科研体系。一方面推行“科研平权化”，打破机构垄断。今后，每个有想法、有能力的个人和团队都能参与科技创新，包括民间科学家和初创企业都可能成为科研主力。这一方面取决于低成本、高效率的科研工具和实验设施，另外也需要多维度的经费来源。除政府外，市场化基金正成为重要力量，上海未来产业基金即范例，健全的科研成果转化平台也必不可少。
另外，以产业视角构建新科研体系，跳出僵化的“计划经济”模式。科研领域必须在高校和传统机构之外开辟新机制，例如新型研发机构模式等，打通人才、创新、市场和资金各环节。
他强调，要继续坚定支持真正的自由探索。自由探索仍然是颠覆性科技创新的核心，但必须严格甄别，不能将发表论文等同于科技创新，科研评价时应聚焦“塔尖”。
当被问及“Science after AI for Science”会是什么样时，鄂维南描绘了一个图景：一方面，琐碎的、常规性的科研工作将被“自动化”，交给平台科研，门槛大幅降低；另一方面，真正的原始创新和颠覆性发现将变得更加醒目、更加珍贵。“就像过去学木匠要跟师傅学三年，现在那些活儿都机械化了，但最高水平的工艺美术反而更突出了。真正的科学发现会回归它本来的位置，也是我们真正应该追逐的目标。”
谈模型
科学大模型必须重构底层架构 不能靠“打补丁”
当前国内不少团队试图在现有通用大模型基础上“打补丁”，来构建科学基座模型。鄂维南坦言，自己的团队在早期也花了近一年时间做此类尝试，并取得了不错的阶段性成果，“但最终发现那不是解决问题的根本办法”。
他进一步从技术底层解释了原因：现有大语言模型本质上是“Predict Next Token+Transform⁃er”的架构，这对解决语言问题是匹配的，但科学问题完全不同。科学推理的“思维链”不仅非常长，而且其中每一个步骤所涉及的数据都是极其稀有的，不是通常在大模型语料里能找到的数据。此外，科学中的多模态识别——如电镜、光谱等实验表征手段，其数据形态与自然语言有本质差异。鄂维南认为，真正适用于科学研究的大模型，必须先具备强大的科学推理能力和科学多模态识别能力，要想根本解决问题，必须重构底层架构，而不是在现有通用模型上“修修补补”。
谈数学
数学是AI基础 但数学界在AI浪潮中有被边缘化危险
在被问及数学在AI时代的作用时，作为应用数学家出身的鄂维南，给出了一个意味深长的回答。他坦言，数学是人工智能最根本的基础之一，“最早推动人工智能的都是数学家”，然而现实情况是，在此轮AI浪潮中，数学基本被边缘化了。
但数学思维对他个人的推动力是显著的。他回忆，2015至2016年间，当AI主要应用于图像识别、自然语言处理等传统领域时，他之所以能较早意识到AI可以解决更加基础的数学问题，甚至赋能科学研究时，正是得益于其数学背景。“数学看事情看的不是某个具体的点，而是它背后的统一性和内在逻辑。我当时意识到深度学习方法是一个可以帮助克服维数灾难的通用方法，这对我的震撼是巨大的。”
他认为，数学被边缘化对AI本身的发展也是一种阻碍。缺乏底层逻辑和基本原理的指导，业界就只能靠试错、堆资源。他透露，目前正通过“人工智能数理基础”等重大项目的牵引来试图改变这一局面。
