问题——全国政协十四届四次会议7日下午举行的第二次全体会议上——周志华委员表示——“人工智能赋能科学研究”正在推动科研范式加速演进，被视为继经验、理论、计算、数据之后的新科研形态，有望重塑科学发现路径、提升原始创新效率。但在落地过程中，一些科研活动仍停留在把新技术当作通用工具“直接套用”的阶段；也有团队走向另一端，试图用通用模型覆盖所有科学问题，导致路线选择趋同、投入结构失衡。同时，科学数据获取成本高、来源分散、标准不统一、共享动力不足、标注质量参差等问题较为突出，影响模型训练效率与结果可靠性，重复建设和资源浪费风险随之增加。 原因——周志华分析认为，上述问题既与创新资源配置和评价导向有关，也与学科壁垒和数据治理体系不完善密切涉及的。一上，算力和应用类项目更容易形成可见成果，资源因此倾向高消耗、快产出的方向，算法基础研究和面向具体科学问题的原创方法投入相对不足，深入强化了“通用模型包打天下”的路径依赖。另一方面，科学研究长期以学科分工为主，领域专家与技术专家之间存知识表达与需求对接的“翻译鸿沟”，协作成本高、试错周期长。更关键的是，科学数据专业性强且敏感度高，涉及隐私、伦理和知识产权等边界；在缺少统一标准、权威平台与有效激励的情况下，高质量数据难以形成规模化供给。 影响——周志华指出，如果对新技术的应用停留在表层，或一味追逐同质化路线，不仅难以真正突破关键科学难题，还可能挤占科研资源，削弱长期积累的基础创新能力。数据底座薄弱会让模型训练建立在不稳固的基础之上，影响科研结论的可复现性与可信度，降低跨机构协同与成果转化效率。从长远看，若人才培养与评价体系跟不上交叉融合趋势，复合型科研队伍难以壮大，将影响我国在新一轮科技竞争中的战略主动。 对策——围绕如何以系统性举措推动范式变革走深走实，周志华提出四上建议。 一是加强政策引导，提升基础创新能力。他建议优化人工智能领域科研统筹布局，避免资源过度向算力消耗型应用集中，纠正“通用大模型解决一切”的误区，加大对算法基础研究和面向具体问题的原创方法支持，支持一批具有前瞻性和战略性的基础研究项目。同时，引导企业与社会资本参与基础研究，形成多元投入机制，并完善科研评价体系，营造鼓励探索、允许试错的环境。周志华还提到，2025年8月国务院印发《关于深入实施“人工智能+”行动的意见》，明确将“人工智能+”科学技术列为重点行动之一；政策端应进一步细化落地路径，形成“基础研究—数据平台—应用示范”联合推进的格局。 二是变革培养模式，打造复合型人才队伍。他建议从源头构建“人工智能赋能科学研究”复合型人才培养体系，支持高水平研究型大学开展跨学科培养试点，探索“博士+硕士”等贯通培养方式，系统培养既掌握领域知识、又熟悉前沿技术的复合型研究者。同时，在学位授予、职称晋升、绩效考核等环节建立更适配交叉研究的评价通道，缓解跨学科人才在传统体系中“难以归类、难以评价”的问题。 三是注重双向科普，推动消除学科壁垒。他建议建立跨学科“问题翻译”和“技术释义”的协作机制：由领域学者把关键前沿问题抽象为可计算、可验证的表达，便于技术团队有针对性地攻关；同时由技术研究者面向传统学科开展案例化解释，明确技术边界与适用条件，避免对新技术的误解、恐惧或过度神化，推动从概念了解走向实质协作。 四是强化数据治理，构建科学数据生态。他建议由国家相关部委牵头建设国家级科学数据共享与服务平台，依托重点实验室等重大科技平台建立标准化数据仓储，制定数据采集、标注、存储、共享的统一规范，引入质量反馈与持续迭代机制。通过项目资助、成果评价等政策杠杆，鼓励科研机构和研究人员依法合规开放共享数据，提高数据资产使用效率，并同步推进支撑技术研发与法律法规完善，妥善处理敏感信息保护与知识产权边界。 前景——与会人士认为，随着“人工智能+”行动深入实施，科研组织方式、知识生产流程和创新生态将进一步重塑。下一阶段的关键在于：能否打通“算力—算法—数据—人才—制度”各环节，把跨学科协作从少数试点扩展为常态机制，把数据共享从“愿不愿”转向“能不能、敢不敢、好不好”。在此基础上，人工智能有望在基础科学发现、重大工程研发与产业创新中形成更稳定、可复制的支撑能力，推动原创成果持续涌现。
科研范式的每一次跃迁，背后都是生产力与认知方式的深度变化。人工智能赋能科学研究——是技术演进的延伸——也是国家创新体系的重要选择。但工具更先进，并不意味着范式会自动升级；真正的变化离不开制度优化、人才培养与数据体系支撑。如何在技术热潮中保持战略定力，把顶层设计和机制建设做细做实，将决定这场科研范式变革能走多深、落多稳。