【圆桌对话】

　　编者按

　　AI正在把科研推入一个“结果优先”的时代：自动拆解任务、调用工具、完成计算、输出方案，以前数月的计算量被压缩到数小时……但效率提升之后，更深层的问题浮现出来——哪些工作该交给AI，哪些事情必须留给人？结果和过程，究竟该如何平衡？

　　AI越是能快速交付结果，科研过程中那些无法被结果直接体现的部分就越需要被重新看见——问题如何被提出，方向如何被判断，异常如何被追问，失败如何被复盘，责任如何被界定……这关乎的不只是科研方法，还有评价体系、人才培养和科研诚信。

　　当“输出”变得更容易，什么才是真正值得“输出”的，反而更需要人来回答。对此，本期特邀三位院士展开对话与探讨。

　　“探问AI参与科研的边界”系列报道之四

结果“一键输出”，科研过程还重要吗

——院士谈AI的使用边界

　　主持人：

　　光明日报记者 崔兴毅 陈海波

　　嘉宾：

　　中国工程院院士、中国科学院大连化学物理研究所所长 刘中民

　　中国科学院院士、南京大学地球科学与工程学院教授 沈树忠

　　中国工程院院士、中国科学院光电技术研究所所长 罗先刚

　　效率提升后，还有更重要的事

　　主持人：AI优先输出结果的模式，正在从哪些方面改变传统科研的工作方式？

　　刘中民：AI带来的变化是全链条的。日常有很多问题可以通过AI工具快速方便地得到总结性结果。以我从事的催化研究为例，过去我们开发一项新的催化技术，从文献调研到催化剂配方筛选，再到工艺中试放大及技术工业化，动辄十年以上。现在，中国科学院大连化物所团队开发的智能化工大模型已经实现了从“能理解、会回答”向“能规划、会执行、可验证”的跨越，需求提出后，模型可以自动拆解任务、调用工具、完成计算并输出方案。在数据层面，我们在长兴岛建成了国内首个千吨级智能中试平台，能够“按需生成”实验室难以覆盖的真实工况数据，这在过去是不可想象的。但我认为，目前AI改变的仍然是科研的效率和路径，让科研人员从重复劳动中释放出来，去提出更有意义的科学问题，去做更有创造性的事。

　　沈树忠：最本质的改变，是科研正在从过去“靠经验、靠个人掌握的有限数据作推断”，走向“利用大规模数据训练和分析总结规律”。AI能够从海量、复杂的数据中提取规律，完成人工难以完成的大规模数据比对，从而拓展知识和数据的使用范围，提高科学推断效率。AI for Science（人工智能驱动的科学研究）如果发展得好，将为人类认识各学科基本规律提供新的工具和方法。

　　但前提是，模型必须建立在扎实的数据积累和高质量训练素材基础上，需要长期投入，并不是随意建模就可以得到可靠结果。这也是当前不少领域应用AI面临的重要瓶颈。基因结构预测、数学问题求解等领域，AI已经展现出很强的能力，并在一些任务中显著提高了科研效率；而在不少专业领域，数据积累和数据质量仍然是制约AI应用的重要因素。

　　以我们开展的古生物数据库建设为例，我们整合全球不同来源、不同类型的数据训练模型，用于预测化石产出、研究生物演化规律等。这些工作并不是凭空产生的，而是建立在世界各国科学家长期观察、记录和研究积累的基础之上。换句话说，AI能够处理和发现规律，但高质量的数据仍然来自人类长期的科学实践。

　　罗先刚：我的体会很直接。我们团队从2003年起研究纳米尺度的异常光学现象，当时每周能落地的实体实验次数屈指可数，大量工作只能靠理论推演和手动编程完成。悬链线光学的突破，靠的是十年间反复计算、失败、再推演的循环。AI如果在那时介入，确实能大幅压缩这一周期。

　　但AI改变最显著的是“验证效率”，而非“发现逻辑”。在微纳光刻和超构表面设计中，大量参数迭代、结构筛选、重复性仿真，AI可以在数小时内完成过去数月的计算量，这是实实在在的解放。然而，AI的“优先输出”模式有一个前提——它需要被给定一个明确的目标函数。而科研中最关键的一步，恰恰是确定这个目标函数本身。我们当年问出“能否用非离散型结构让相位分布连续”这个问题，AI无法替我们提出。因此，AI改变的是科研的“执行层”，尚未触及“提问层”。

在山东青岛机器人6S体验店，一台机器人与消费者互动。新华社发

　　在过程中积累能力，对结果应严格验证

　　主持人：现代科研究竟是追求确定性研究结果，还是依托研究过程挖掘未知可能性？

　　刘中民：科研的核心目的在于创新。从基础前沿看，应拓展人类的认知边界；从应用角度看，应通过技术创新促进社会物质文明的发展。前者更多地探索未知，后者更多地追求结果的确定性。二者类似科学与技术的关系，都很重要，既互相联系，又互相支撑，并非对立的矛盾关系。物质世界从来都是复杂和动态的，对于同一个过程，从科学层面可能需要将复杂体系高度简化，才能认清现象背后的本质；从技术层面则不能忽略众多影响因素或变量之间的联系。但对于一个包含从微观到宏观巨大跨度的复杂工业过程，目前还没有很好的数学方法加以精准描述，更多地需要通过“逐级放大”试验进行验证才能发展为可实际应用的技术。流程工业的新技术发展主要靠这样的方式降低风险。在这过程中，也可以提炼科学问题，促进技术的迭代升级。AI对于复杂体系具有特别优势，数据和科学原理双驱动的人工智能，对流程工业技术发展具有巨大的促进潜力。

　　沈树忠：二者并不矛盾。AI可以参与数据分析、规律提取、假设生成等环节，但目前还不能完全替代科学家提出关键科学问题、判断研究方向和承担最终科学责任。研究过程本身非常重要，因为科学问题、研究思路、技术方案以及对异常现象的追问，往往是在长期实践中形成的。

　　但科研最终还是要追求经得起检验的科学结论。如果研究思路或者模型设计存在问题，得到的结果就可能出现偏差。因此，科学研究既要重视过程，也必须对结果进行严格验证。

　　以利用化石记录研究地球生命演化历史为例，我们从2006年起开展相关数据库建设，经过近20年的积累，已经形成了具有全球规模和影响力的古生物地层数据库。AI模型的训练同样建立在人类此前长期积累的观察和研究数据之上。没有这些基础数据，就很难形成可靠的模型。因此，过程是基础，结果要检验，二者并不矛盾。

　　罗先刚：从我的科研经历看，答案是后者。这里需要区分：不追求单次确定性结果，不等于不追求效率。对目标明确、路径清晰的验证性任务和工程攻关，必须讲效率、讲成功率，能一次做对就要一次做对；对探索性、原创性研究，则不能用“必须一次成功”来考核追责，那可能会逼出保守选题和虚假严谨。悬链线光学最终产出器件，就来自十年间无数“不确定”的试错。所以，科研的核心目的是在过程中积累“提出更好问题”的能力，同时以合理效率推进确定性任务。这种能力无法外包。若长期依赖AI直接交付结论，会丧失对好问题的判断力；把AI当作压缩试错周期的工具，把省下的时间投入机理追问，AI才是强化而非替代科研。

湖南长沙，杂交水稻全国重点实验室科研人员在筛选及克隆杂交水稻低镉、耐盐碱基因。新华社发

　　“为什么”是科研中最宝贵的部分

　　主持人：只让AI交付“最终结果”，会让我们丢失哪些只有人类科研过程才能产生的隐性价值？

　　刘中民：现阶段AI仍然只是一种创新的工具，真正驱动创新的并非AI本身，而是人。AI只交付“最终结果”的模式，其核心实际还是一种由数据驱动的“端到端”的模式。人，才是能理解产生“最终结果”的过程的可靠性与正确性的主体。特别是科研工作者，在这方面应始终处于主导地位。当前最大的问题是数据的丰富性与可靠性，文献等公开资料能够查到的往往是成功的例子及相关数据，而所谓的失败的例子及数据也是宝贵的，但都散落在科研人员手里，难以被利用。如果AI只从“好结果”“好数据”中进行总结和学习，必定有缺陷，甚至带来严重的误导。另外，任何时代的知识和数据都不能称为完备，AI也受到这些限制。有人讲过，如果AI产生于哥白尼时代，不太可能给出“日心说”的结论，我同意这样的说法。现阶段看，AI仍处于初级阶段，是提高效率的工具。我个人认为，突破现有知识限制，或者突发奇想式的创新，仍然要靠人的智慧。但也不排除AI具有超越人类的智慧，现在讲还为时过早。

　　沈树忠：会丢失很多。人类科研中的许多重要创新、灵感和意外发现，都来自长期观察、实验探索、失败复盘和逻辑推演，这些过程所产生的科学价值，是单纯的结果输出难以替代的。

　　我曾数百次赴世界各地开展野外调查，很多关键数据都来自现场观察。我们也在本领域开展AI模型研究，但模型建立在世界各国科学家数百年积累的数据基础上。过去的科学研究往往是一个点一个点地观察：发现化石以后，要记录它的产出地点、层位、岩性、化石类型等信息，再把全球不同类型的数据整合起来，建立数据库，进一步利用模型预测可能的化石产出，或者研究地球生物演化过程等。

　　这些看似由AI完成的结果，本质上仍然建立在大量真实观察和数据记录之上。如果没有科学家长期开展野外观察、采集和研究，就没有高质量的数据，也就没有可靠的AI模型。因此，AI越发展，我们越不能忽视科学观察和实验实践本身。

　　罗先刚：丢失的是“与不确定共处的经验”。我最深的记忆不是成功的瞬间，而是那些与不确定共处的日夜。失败实验背后的“为什么不行”，和成功实验背后的“为什么行”，同样构成科研积累的一部分。一个只看到AI输出“这个方案有效”的研究者，缺失了整个推理链条中最具训练价值的部分。

　　具体到我的领域，超构表面的相位调控涉及电磁波与亚波长结构的耦合、谐振、色散等多重物理过程的交织。AI可以给出“最优结构参数”，但无法替代研究者理解“为什么这组参数在物理上是自洽的”。这种理解，是后续提出新原理、新架构的唯一基础。隐性价值还包括：对实验异常的警觉、对“过于漂亮的结果”的怀疑以及跨学科联想的能力——悬链线光学恰恰是数学、力学与光学的意外交汇，这种联想来自人的思维，不来自数据拟合。

在吉林省仿生机器人创新中心，科研人员调试仿生拉压体灵巧手样机类人抓握姿态。新华社发

　　AI要做擅长的事，人要守住底线

　　主持人：哪些科研场景可以信任AI的结果、优先效率？哪些科研场景绝对不能脱离人的主导？

　　刘中民：以大模型为核心的生成式AI借助于计算机算力和存储的大规模应用，展现出了处理高维复杂问题的优势。需要发挥这些特点的场景，可以多用AI。如文献检索和总结，原来查阅文献要花几个月，现在AI几分钟就能出一份综述报告。在催化剂高通量筛选中，机器学习已经能够快速预测构效关系、优化合成条件。但人也不能变懒，要明白结果及其背后逻辑的可靠性、正确性，并能够运用这些结果。

　　对于科学逻辑不清楚的多因素、多变量的巨复杂体系，以及本来就没有理论基础的场景，AI可以帮助梳理和总结以提高效率。但建立理论体系，甚至在没有理论指导的情况下发展技术，要慎重使用AI。如流程工业新技术从实验室到工业化的“死亡之谷”跨越，其中涉及工程判断、安全评估、产业对接等重要环节，仍然需要富有专业经验的研发人员来把关。总体上，让AI做它擅长的“快”，让人守住“对”的底线。

　　沈树忠：在严肃的科学研究中，AI生成或推断的关键结果都需要经过人工审查和必要的独立验证。AI得到一个结果以后，我们应检验它是否与实际观察相一致。如果存在矛盾，就需要进一步检查原始数据、模型设计和基本假设，再对模型进行优化。

　　对于数据积累比较成熟、验证标准比较清晰的任务，AI可以承担大量数据处理和分析工作，提高科研效率。例如基因结构预测、数学问题求解，以及整合大量化石信息重建生物多样性变化等，但涉及地层界线定义、生物大灭绝模式判定等核心科学问题时，人工推理、专业判断和独立验证仍然不可替代。

　　特别是在AI结果与实际地质记录发生矛盾时，不能简单接受AI给出的答案，而应该回到原始数据，追问模型采用了什么假设、数据是否存在偏差，以及为什么会出现这种矛盾。这种科学判断能力，需要长期的专业训练和实践积累。

　　罗先刚：界限很清楚。目标是已知的，可以信任AI；目标是需要被发现的，必须由人主导。

　　基础验证、参数迭代、数据复盘、重复性仿真——这些场景的目标函数明确，AI出结果高效可靠，完全可以优先效率。我们团队现在做全空间伴随的拓扑优化，涉及海量参数空间搜索，AI和计算工具的介入是必要的。微纳光刻中的工艺参数优化、超构表面的色散曲线拟合，也属于可信任范畴。

　　但是，这些场景不能脱离人的推演：第一，新物理机理的提出。悬链线光学的核心突破，是从基本物理层面追问相位调控的本质，这需要判断力而非计算力。第二，跨学科的问题提炼。把现实需求转化为科学原理问题，是战略科学家的核心能力，AI目前不具备这种转化意识。

重庆市梁平区湿地保护中心工作人员在对采集数据进行整理。新华社发

　　科研评价和人才培养体系需改革

　　主持人：AI辅助科研未来会走向“结果导向”还是“过程优先”？科研人员该如何平衡AI工具效率与自身核心能力？

　　刘中民：我认为未来的方向是“人机协同、过程优先”。大连化物所正在构建的“实验室—虚拟工厂—实体工厂”新范式，核心思路就是让AI承担计算、模拟和优化的角色，而人则聚焦在提出正确的问题、判断工程可行性、评估安全风险方面。我们应培育“AI+化工”的复合型人才，不是让人去跟AI比谁算得快，而是让人具备“理解全貌”的能力。

　　具体建议有三条：第一，科研人员应主动拥抱AI，把它当作“工程伙伴”而非“替代者”；第二，评价体系需改革，不能只看论文和结果，应重视方法创新和人才培养的长期价值；第三，国家层面应统筹建设行业高质量数据集和数据中心，打破数据壁垒，同时使用AI辅助产生高质量数据，让AI真正成为支撑整个科研体系的基础设施。

　　沈树忠：目前很难给出一个确定答案，还需要在实践中不断探索。但有一点是明确的：基础知识和实践能力不能丢。从事地质科学研究，不能一开始就完全依赖AI。

　　AI通用模型在知识检索、文献阅读、资料整理等方面，能够给科研人员带来很多便利。但AI使用的边界，也涉及科研诚信和科学责任。科研人员可以合理使用AI辅助文献检索、资料整理和语言表达，但不能把AI生成的内容未经核实就作为自己的科学结论，更不能用AI替代研究者来承担相应的学术责任。

　　我们团队从事地球科学、大数据和AI研究的学生，都要求参加野外科学考察。我带的博士生，即使主要用数理统计和大数据方法研究生物多样性，入学期间也要到野外观察地质剖面、采集和辨识化石。只有真正知道化石在岩层中是什么状态，再去看数据库里的数字，才能理解这些数字究竟意味着什么。

　　所以，我认为，AI是拓宽科学视野、提高信息处理能力和加速科学推断的重要工具，但野外观察、实物辨析、实验验证以及对异常现象的追问，仍然是地球科学研究必须守住的基础。

　　罗先刚：我的判断是，工具层面应注重结果导向，人的培养层面必须注重过程优先。这两者不矛盾，但绝不能混淆。

　　工具越高效，对人的判断力要求越高。如果我们的科研评价只看AI辅助产出的论文数量和指标，就会催生一批“善于调用工具但缺乏物理直觉”的研究者。这对基础研究是危险的。我在中国科学院光电技术研究所推动科研评价改革时，坚持把创新能力和人才产出作为核心要素，而不是简单看产出效率。

　　对青年科研人员，我的建议是：把AI用在你能说清楚“为什么做和为什么这样做”的环节上，把最宝贵的时间和心力留给那些你还说不清楚“为什么”的问题。科学研究既需要“于无声处听惊雷”的敏锐，更需要“板凳甘坐十年冷”的定力。AI可以帮你“坐”得更有效率，但不能替你“坐”。悬链线光学等了十年才等到答案，不是因为算得不够快，而是因为那个问题本身值得等。

　　《光明日报》（2026年10月26日 07版）