Latest Articles

AlphaFold2 于 2020 年 CASP14 竞赛中实现高精度蛋白质结构预测，2021 年正式发表于 Nature，该成果让 AI‑for‑Science 进入全球科研界的视野。当下各类 AI 科研产品持续迭代，模型正在深度参与候选分子筛选、仿真模拟、数据解析等科研环节。但模型究竟只是一件效率工具，还是正在成为驱动科学发现的全新引擎？我们需要拉长历史周期，在几代科研范式演进的脉络之中，看清这一轮科学新周期的真实样貌。 一、范式迭代的长河：从假设驱动到数据驱动的科学传统 科学范式代表一个时代主流的科学问题提出、求证、验证的整套工作逻辑。新范式的诞生，往往不是对旧体系的全盘推翻，而是拓展人类认识客观世界的能力边界。各类学术研究平台的迭代演化，本质上也是顺应这一范式变迁的产物。 （一）假设驱动范式的运行逻辑与固有局限 长久以来，假设驱动科研范式是绝大多数基础研究的主流工作模式。研究者基于已有的理论积累与观测现象，提出科学假设，再设计实验、开展观测，通过实验结果验证或者证伪假设，完成一轮科学认知迭代。 这种模式高度依赖研究者的理论积淀与科研直觉。例如分子生物学早期大量基因功能研究，都是研究者先提出功能猜想，再设计对照实验完成验证。 但假设驱动范式同样存在客观瓶颈：人类研究者能够构思的假设，会受到个人知识、想象力的约束；面对高维、多变量复杂系统，人力很难穷尽可能的猜想组合，部分潜在的科学路径容易被人为忽略。 （二）数据驱动（第四范式）的兴起与现实短板 2007 年，计算机科学家吉姆・格雷（Jim Gray）在演讲中系统阐述第四范式构想：科学研究经历实验、理论、仿真之后，步入数据密集型科研时代，直接从大规模数据当中挖掘规律，不完全依赖预先提出的假设。该演讲相关内容后收入 2009 年出版的《第四范式：数据密集型科学发现》文集。 气候模拟、组学大数据、天文巡天观测，都是第四范式的典型落地场景。以天文领域为例，巡天望远镜持续产出 TB 级别观测数据，科研人员不需要全部提前预设观测目标，依靠数据挖掘算法，就可以从海量星空图像当中识别未知天体。 但数据驱动范式也存在现实短板。它高度依赖高质量、规模充足的标注数据集；当领域高质量数据稀缺，或者数据存在采样偏差时，从数据当中挖掘得到的规律很容易出现误导。同时，单纯的数据统计关联，很难自动输出背后完整的因果解释，得到相关性不等于得到科学机理。 每一代科研范式，都在弥补上一代范式的能力短板，但不会消解科研本身对于人类思辨解释的需求。 理解假设驱动与数据驱动各自的优势与短板，我们才能够更加客观地审视，AI‑for‑Science 所代表的模型驱动模式，究竟为科研带来了哪些新变化。 二、模型驱动兴起：AI‑for‑Science 浪潮的源起与范式定位之争 进入 2020 年代，算力规模持续增长、高质量科研数据集不断积累，深度学习模型工程化能力快速成熟，多重条件叠加，推动 AI‑for‑Science 从零星探索走向规模化实践。不少科研工具开始尝试把大模型能力融入日常科研流程，UniResearch 也在围绕文献处理、信息整理这类基础科研事务开展相关实践。 （一）模型驱动范式的标志性里程碑事件 AlphaFold2 的成功，让 “模型驱动科研” 这一概念被频繁提起，但学术界对于它的范式定位，至今没有形成统一共识。 （二）学界两种核心学术观点辨析 （三）争议背后的本质：范式评判标准的差异 这场争论带给我们重要启示：范式的划分，很大程度取决于评判标准。如果把评判标准放在 “工具与算法形态”，模型驱动展现出很强的独特性；如果评判标准放在 “科研底层逻辑链条：数据输入‑分析‑实验验证”，它又可以被纳入第四范式的体系之内。 模型驱动范式不是一夜诞生的革命，而是站在前几代科研范式之上生长出的新路径。 范式定位的学术辩论还在持续，但现实层面，中、美、欧已经相继出台顶层规划，推进 AI‑for‑Science 落地。下一部分，我们将横向对比全球主要经济体，看不同资源禀赋之下，各自走出了怎样的发展路径。 三、全球格局透视：中美欧 AI‑for‑Science […]