科学智能是中国科技创新历程中前所未有的契机，应当充分利用历史机遇，积极构建全球化科学智能开源社区，精心构筑科学智能学术生态。近日，我院名誉院长鄂维南院士接受了《瞭望东方周刊》专访，深入探讨了人工智能如何在科研、经济、社会各领域实现深度应用，推动生产力实现更大的变革性突破。

鄂维南

《瞭望东方周刊》：你在国际上最早提出“AI for Science”（科学智能）概念，并系统推进了 AI for Science 在化学、材料科学、生物学、流体力学等多个领域发展，这一概念具体如何理解？

鄂维南：“AI for Science”是指将人工智能技术深度嵌入科学研究全流程的新范式。它不仅仅意味着AI帮助科学家，还要让AI成为科学探索的主动参与者，通过深度学习、机器学习等方法，攻克传统科研中如高维计算、数据稀缺等“老大难”问题。

从我自己的科研经历看，很多年都在尝试解决材料科学、化学等学科的一系列问题，我发现机器学习方法恰好能够帮助解决过去在科学计算和计算科学中遇到的很多核心困难。任何学科都需要用到量子力学、牛顿力学、电磁场理论等基本原理，光谱、质谱、电子扫描仪等实验手段，以及以往积累起来的数据库、知识库及算力平台。科学智能的前提是以人工智能方法赋能这些基础，才有可能提供一种新的科研能力。

2018年，我们提出推动发展AI for Science。AI for Science可以改变科研范式，打破学科与学科之间的界限，以及研究与产业之间的界限，影响实体经济，催生新的应用场景，未来有助于生物制药、材料设计等领域的系统化发展。科研和研发不再是靠科学家的猜测、经验或者试错。化学、材料、电子工程、化学工程等传统科技领域，将是人工智能更大的主战场。

2021年，我们成立了全球首个专注科学智能领域的新型研发机构——北京科学智能研究院，聚焦物理建模、数值算法、人工智能、高性能计算等交叉领域的核心问题，布局科学智能的“四梁N柱”，最终目标是打造可以引领世界的科学智能基础设施体系。

北京科学智能研究院是国际上第一个以科学智能命名、专注于科学智能研究的新型研究机构。其定位不是跟科学家争资源、争平台，而是来赋能科学家、集中精力推动科研和研发的整体的智能化转型。随着近年来相关领域快速发展，北京已产出全球首个覆盖90多种元素的大原子模型DPA、全球首个覆盖“读文献-做计算-做实验-多学科协同”的AI科研平台——玻尔科研空间站等一批重大原创成果，涌现出深势科技等一批创新型企业和潜在独角兽企业。

随着“大科研时代”的到来，科学智能必然推动打破学科之间的界限、理论与实验之间的界限、科研与产业之间的界限，让科学从孤立走向协同，从“发现”走向“智能发现”。我认为，科学智能是中国科技创新历程中前所未有的契机，应当充分利用历史机遇，积极构建全球化科学智能开源社区，精心构筑科学智能学术生态。

《瞭望东方周刊》：经历了技术爆发期后，AI正进入关键的“价值兑现”期，也即落地阶段。你认为，当前AI在“价值兑现”时面临的瓶颈是什么？科学智能如何为破解这一难题提供助力？

鄂维南：总体来说，AI的落地到目前为止并没有许多人想象得那么成功。一是AI用起来不容易，门槛较高；二是AI还没有特别深入到实体经济里，比方说AI对于制造业是锦上添花，并非雪中送炭。

现代科学面临的重大挑战（如精准医疗、气候变化模拟、新材料设计、新能源开发、复杂系统理解）往往是高度复杂、多尺度、多物理场耦合的问题。这些问题无法在单一学科的框架内被充分理解和解决，需要跨学科视角和工具。

科学智能不是简单地将AI工具应用到单一学科，而是利用人工智能（尤其是深度学习、机器学习、科学计算）作为通用基础设施，深度融合数学、物理、化学、生物、材料、工程、计算机科学等多个基础学科的知识和方法论。

目前，科学智能发展的困难在于，理论研究、实验研究和产业之间的沟通比较欠缺。例如，在计算化学领域，从事理论化学、实验化学和药物等产品开发的不同工作者之间交叉度并不高，沟通相对不足。由于工具的局限性，团队基本各自为战，一个理论材料研究团队会囊括从第一性原理计算到力场模型、分子动力学计算、数据分析的所有环节，效率低下。

未来的科学发展要走平台化的科研模式，需要企业-研究院-高校的三方合作，因此平台基础设施的建设是必须的。北京科学智能研究院就是以打造平台化的工具为主要目标。此外，企业可以提供实际场景，明确产业痛点和需要解决的关键问题。同时，高校的科研机构是解决这些问题的智力来源。

基于这样的理念，我们在北京大学成立了国际机器学习研究中心，旨在解决最基础的机器学习问题，我们希望把它办成国际上最有影响力的机器学习研究中心之一。

《瞭望东方周刊》：人工智能发展的下半场，突破关键是什么？

鄂维南：在过去十几年间，以模型创新为核心的人工智能发展已经取得阶段性成功，而主流AI模型架构趋同。下阶段人工智能发展的重心是数据，突破关键在于数据基础设施。

现有的大数据基础设施可以满足企业内部业务数字化的需求，但难以满足处理高频数据交互、复杂计算、多模态数据关联关系等AI需求。因为高质量公开数据不足，私有数据和合成数据成为关键资源；另外，企业私有数据高度保密，而内部普遍缺乏高水平人工智能团队，难以充分调用私有数据服务于企业业务。

目前，我国政府在大数据产业布局方面已经卓有成效，但数据作为资产流通起来仍大有空间，其中一个重要原因是需求不足。激活数据市场需求的关键在于建立能够真正解决企业业务问题的数据基础设施，让企业看到外部数据的重要性，从而以需求推动数据资产流通。

《瞭望东方周刊》：未来需要什么样的数据基础设施？

鄂维南：首先需要具备多模态数据管理、查询、抽取和检索功能的数据库；其次需要做好数据治理和针对模型的数据准备，同时需要对数据做多维度评估和画像，还有生成新的数据。

基于更优的数据基础设施，模型训练效率将显著提高，对人工需求的减少将降低训练门槛，同时还能达到更好的训练效果，包括生成信息的准确度、安全性更高，不易引入幻觉，训练过程可溯源等。

数据基础设施建设将成为人工智能发展的下一个关键点，而“数据产线”将成为人工智能领域的主要业态之一。“数据产线”的概念，预示着未来AI领域将更加重视数据的收集、清洗、治理和应用。这不仅能够提升模型训练的效率和质量，还将推动AI在更多领域的落地应用。

《瞭望东方周刊》：在人工智能时代，科技创新到产业落地的周期大幅缩短，甚至需要快速迭代。针对中国人工智能的创新发展，你有哪些建议？

鄂维南：未来，我国人工智能如果要做出“顶天立地”的成果，那么“立地”的核心就是要有精益求精的态度，更难的“顶天”则需要注重底层创新的文化和积累。

我们需要跳出目前主流的技术框架和思维模式，找出适应中国人工智能发展的技术路线。中国人工智能发展拥有大量基础人才和广泛应用场景，数据量巨大，场景极具挑战。理想的情况是利用挑战性场景推动底层算法和系统的原始创新。为此，我们目前仍然需要建立原始创新的环境和生态，原始创新的文化提倡做出与众不同的研究，而我国有这样想法的人还是不够多。

从国家层面看，人工智能的发展需要建立有效的顶层设计，这是核心问题。跟风也许可以走5年、10年，但要走得更远，必须建立自己的底层能力，包括算法、系统、数据等能力，同时打破人为的壁垒，推动原始创新，促进数据流通，让更多数据被有效运用起来。

从企业层面看，头部大企业不缺乏资源，尽管国家层面大力推进原始创新，但真正的创新主体，尤其是企业主体，还需要更好地响应与动员。

要建立完整的人工智能底层创新体系，这个底层创新体系包括芯片、系统软件、数据和数据库、高性能计算、算法等。这些都需要我们自己建立起来，不能有任何依靠他国的幻想。基于上述情况，我认为，除算力问题，我国人工智能领域的发展还有一些亟待解决的问题：一是人才资源和算力资源还没有对接好；二是底层创新体系还没有建立起来；三是综合性、前瞻性人才相对匮乏。

《瞭望东方周刊》：原始创新来自拥有原始创新能力的人才，如何培养这样的人工智能创新人才？

鄂维南：创新文化建设是我们立于浪潮之巅的基础。在整个创新文化建设体系中，创新群体要有社会责任感、冒险精神和实干精神，要有底层创新思维；政府则要在资源分配、市场引导方面，积极营造良好的创新环境。

加强原始创新体系建设，要将有组织科研和自主创新、自由探索相结合。这里的“有组织科研”，有别于传统科研的“单兵作战”，指的是围绕国家重大战略，统筹优势力量进行体系化协同攻关的科研模式。同时要建立有效的“科研+产业”融合的团队，并建设有效的反馈机制和人才发现、团队培养机制。这里的团队成员，需要拥有高度的责任心、前瞻性眼光且活跃在一线。在机制的建立中，要让真正想做事、能做事的人脱颖而出。

未来，原始创新人才需要具备三种能力：一是提出未来问题的能力。未来最前沿的科学突破和创新，必然发生在学科的交叉地带。固守单一学科边界的人才，其视野、思维方式和工具箱都难以应对这些挑战。

二是创新思维。跨学科学习和研究能有效培养系统性思维、批判性思维、类比联想能力、解决开放性问题的能力，这些都是创新人才的核心素质。不同学科的碰撞更容易激发颠覆性的创新火花。

三是适应快速发展的技术。科学技术发展日新月异，尤其是AI领域。培养具备跨学科素养的人才，使其具备更强的学习迁移能力和适应性，能更快掌握和运用新工具、新方法。

从体制上来说，现有的高等教育体系主要基于传统学科门类进行专业设置和人才培养。这种划分在人工智能浪潮下显得过于僵化和割裂，导致培养出的学生知识结构单一，难以满足前沿交叉研究的实际需求。我们呼吁打破院系、学科壁垒，设计交叉融合的课程体系，建立跨学科的导师团队和科研平台，鼓励本科生和研究生早期参与交叉研究，改革评价机制以鼓励跨学科合作。

总之，在科学智能时代要打破学科界限培养人才。打破学科壁垒，培养具备“AI+X”复合能力的下一代科学家和工程师，是我们抓住科学智能时代机遇、抢占科技制高点的关键所在。