OpenAI公布数学研究进展后，人们普遍关注的是AI又能解出哪些难题。徐楠却把目光投向了解题之外。
作为中国科学院自动化研究所研究员、中国科学院“磐石”一站式科研平台研发总负责人，徐楠参与建设面向科研人员的AI基础设施，也在观察人工智能如何进入具体的研究过程。
在他看来，AI带来的不只是解决问题的能力，还让人看到科研的另一种组织方式。比如，科学家、模型和计算工具能不能配合得更紧密，一个问题里攒下的方法和经验，能不能用到更多问题上。“过去，很多AI for Science工作是围绕一个具体任务开发一个模型。”徐楠告诉南方周末记者。如今，大模型把这些原本分散的知识、工具、研究环节连接起来。这也是他和团队建设“磐石”平台时尝试探索的方向。
北京，中国科学院自动化研究所。视觉中国丨图
AI for Science，即人工智能驱动的科学研究，简称AI4S。从蛋白质结构预测、分子设计到材料筛选，AI已在一些具体任务上展现出优异的能力。徐楠判断，当前AI4S正从探索期进入快速发展期，相关机构也从单独研发模型，转向搭建平台和基础设施。
这个过程中，一项研究能留下什么，越来越受关注。论文呈现研究成果，成果背后的数据、工具、方法，往往来自长期的投入与积累，要是别的研究者也能运用它们，就可能带出更多后续研究。徐楠和团队希望，科学家用平台做研究时，其中的方法和经验也能记录下来，一点点改进模型，再用于新研究。
这需要不同领域的科研人员持续参与。科学数据的专业性极强，什么值得采集、结果怎么解释、能支持什么结论，都离不开专家判断。平台能不能积累起有用的知识，也看科学家愿不愿意贡献自己的经验，以及这些付出能否得到认可。
“不能仅仅要求科研人员贡献数据，也要让贡献得到认可，让参与者能够受益。”徐楠强调，开放共享牵扯成果归属、知识产权、数据安全，得有明确的规则。高校、科研院所、企业各有各的资源，怎么合作，才能让人愿意长期投入，也是平台建设要处理的问题。
与此同时，科学基础模型、算力、自动化实验设施都要一直投钱，资源进一步向少数机构集中。对普通课题组来说，共享平台能提供他们原本难以独立建设的研究条件，但如果这些能力只有少数机构能用，也可能把更多人挡在门外。徐楠认为，这一风险需要重视。
AI正在怎样改变科研
南方周末：AI进入科研的发展过程大致经历了哪些阶段？每个阶段解决的核心问题是什么？
徐楠：我倾向于把AI for Science的发展分为萌芽期、探索期和快速发展期。这是一种理解其发展脉络的方式，核心是看AI在科研中承担的角色如何变化。
萌芽期主要是工具辅助，科学问题由人提出，研究路径由人设计，AI承担数据处理、分析和预测等任务，帮助提高特定环节的效率。
探索期主要体现为特定科学任务上的能力突破，例如蛋白质结构预测、分子设计、材料性质预测等。它能够辅助科学发现、证明，在复杂问题上提供新的解决办法，帮助科学家拓展研究能力。
第三阶段是快速发展期，建设重点会从“用一个模型解决一个问题”，逐步转向科学基础模型、科学数据体系、科研智能体和实验平台的协同建设，把不同学科的数据、知识、工具、计算、仿真平台等连接起来。
我认为，当前AI4S正处于从探索期迈向快速发展期的关键阶段，正在从局部应用走向体系化建设，相关机构也在从单点模型开发转向平台和基础设施建设。
南方周末：AI进入科研之后，改变的是科研效率，还是科学发现本身的方式？目前哪些变化已经发生，哪些还只是未来设想？
徐楠：两者都在发生，只是成熟程度不同。首先是效率提升，我们能在很多场景下看到它的价值。AI不仅能帮助科研人员看论文、检索数据、做结构预测和模拟计算，也开始在特定任务中参与实验方案的生成、实验结果的优化反馈。这些能力帮助科学家探索更大的研究空间，推动科研效率提升，这是已经比较成熟的。
更深层的变化，是科学发现方式的演进。我们的最终目标都是产生新的科学发现、新的知识、新的理论、新的材料。但科学发现不是一个单一的计算任务，它是一个完整的科学体系，需要把问题提出、假设生成、计算推演、实验设计和结果验证等环节连接起来。
更长远的方向，是逐步形成“提出假设—计算推演—实验验证—反馈改进”的循环，让AI能够利用新的实验反馈继续探索。目前，局部环节的进展已经可以看到，贯通整个研究过程仍然需要持续探索。
围成一圈的科研人员，创意图。IC photo丨图
南方周末：目前AI for Science最容易被高估的地方是什么？
徐楠：首先，是把AI在科学发现流程中局部的能力，直接等同于完整的科学发现能力。模型能够生成研究方案、预测某种性质或调用工具，并不意味着它已经能够理解科学规律、独立完成研究。科学发现还涉及问题提出、理论推理、计算模拟和实验验证等多个环节，需要科学家和AI相互协同。
其次，是把计算环节的提速，等同于整个研发周期按相同比例缩短，也就是“快AI、慢现实”。模型可以很快生成大量候选方案，但真实世界中的合成、测试和验证往往仍需要几天甚至数周，并需要科学家的持续参与。计算上的加速究竟能带来多大的整体改善，需要放到实际研究和研发流程中检验。
科学发现仍然离不开人的判断
南方周末：AI已经能处理大量知识，为什么还不能像科学家一样发现新规律？
徐楠：掌握大量已有知识，并不意味着具备发现新规律的能力。大模型从训练数据中学习了大量知识和关联，但科学研究还要求我们判断，这些关联是否有可靠的解释，能否形成可检验的假设，又能否经得起新的证据检验。难点不只是知道多少，而是如何从已有知识走向经过验证的新认识。
当前不少模型面向的是特定任务，例如预测结构、生成分子或筛选材料。科学发现则需要进一步判断，什么问题值得研究，哪些证据能够支持一种解释，下一步应该如何验证。在这些环节中，提出重要问题、选择研究方向、判断结果价值和形成科学洞见，依然高度依赖科学家。
南方周末：科学研究的重要突破，很多时候来自偏离已有知识、提出不那么主流的问题。AI基于已有数据训练，如何避免只是重复已有知识？
徐楠：关键是让模型在学习已有知识的基础上，进一步从真实世界的反馈中学习。
如果只是总结已有论文和结论，模型的探索空间就容易受到现有知识的限制。因此，AI for Science需要把科学知识、模型推理、计算模拟和实验验证连接起来。模型提出假设，再通过计算或实验获得新的证据，据此修正判断。尤其当实际结果与预测不一致时，这种差异可能促使我们重新审视原来的假设，甚至发现此前没有注意到的问题。
我们希望形成的，就是这样一个持续提出假设、接受检验、修正认识的过程。科学家在其中仍然非常重要：哪些看似不符合常规的想法值得探索，哪些异常可能指向新的科学问题，需要专业判断。AI的价值，是帮助科学家拓展提出和检验新假设的空间。
2026年7月16日，海南文昌市龙楼镇航天小学内，大学生带领小学生“造火箭”、模拟火箭发射实验。IC photo丨图
南方周末：AI for Science的发展让科学数据的重要性越来越突出。为什么高质量科学数据的获取、整理、验证仍然需要科学家的深度参与？
徐楠：科学数据跟互联网网页有区别，科学数据的价值，不仅在于数值或记录本身，更在于它所包含的科学关系、实验条件和专业经验。
一个材料性能指标，必须结合材料结构、制备条件和测试方法来理解；一个实验结果，也需要知道它在什么条件下产生、存在怎样的误差、能否被重复验证。离开这些背景，数据规模再大，也未必能支持可靠的科学判断。科学家的参与，首先是确定什么数据值得采集，其次是解释数据的科学含义，再次是判断它能够支持什么结论、适用边界在哪里。
科学数据不仅包括成功结果，也包括没有达到预期的结果。一次实验没有成功，并不一定说明假设错误，也可能与实验条件、操作过程或测量误差有关。因此，既要记录结果，也要记录当时的条件和过程。科学家的作用，就是帮助判断究竟是模型预测有问题，还是实验条件需要调整，这些结果又能在什么范围内支持下一步研究。成功和未达预期的结果，都可能成为有价值的研究经验，但需要经过解释和验证，才能用于改进模型和研究方法。这个过程不能仅靠模型自动完成。
南方周末：是需要科学家自觉记录，还是他们在和专用科学模型交互的过程中，就可以被记录下来？
徐楠：两种方式需要结合。我们希望尽量减少科学家额外整理和标注的负担，让平台在科研工作开展的过程中辅助记录，但操作记录不等于完整的科研经验。为什么选择一个方案、如何理解异常结果、什么证据改变了判断，仍然需要科学家补充解释和确认。
因此，我们搭建了磐石一站式科研平台，核心就是把大量的科学模型、科学工具、科学技能，还有科学智能体，都放到平台上。科学院研究员和学生，在文献调研、科学计算、科学仿真、实验设计，以及论文、课题评审等环节，只要涉及科研，都可以使用我们的平台。
现在平台上已经凝练了2000多个MCP科研工具，沉淀了7000个技能。比如材料设计的流程，或者蛋白质靶点发现的过程，通过文献、计算、仿真形成一个结果，与科学家逐步对话，最后形成一个可行的结果。这个环节被平台记录下来，未来作为科学技能沉淀下来，这些知识也会回流，逐步提升模型的科学推理与长程任务能力。这就是现在平台化的优势，也是科学院依托磐石建设一站式科研平台的初心。
科研竞争正在走向基础设施
南方周末：过去科研竞争更多围绕论文成果展开，而AI for Science正在让数据、模型和科研基础设施变得越来越重要。你认为，未来科研竞争的关键资源是否会发生变化？
徐楠：我认为会。未来的竞争会更加关注支撑科学发现的长期能力，包括高质量科学数据、领域知识积累、科学基础模型，以及计算和实验基础设施。
论文仍然是科学成果的重要载体。同时，一项成果背后的数据、工具、研究方法及科研流程，如果能够持续积累和复用，就可以支持更多后续研究。从AI4S的发展看，重要的是能否让科学知识、数据、模型、算力和实验形成有效循环：模型需要高质量数据，预测需要计算和实验验证，验证结果又能用于改进模型与研究方法。
人才和组织能力同样关键。科学家对问题的理解、AI研究人员的算法能力、工程团队的系统建设能力，需要深度协作。未来科研竞争会进一步延伸到基础设施和持续发现能力的比较。谁能把这些资源有效组织起来，并持续产生经过验证的新知识，谁就更有可能形成长期优势。
2026年7月5日，安徽合肥，正式启用的合肥先进光源（HALF）园区。IC photo丨图
南方周末：互联网时代，大量数据天然集中在平台手中。未来科学数据是否也可能出现，掌握高质量数据的平台，拥有更强的科研竞争力？
徐楠：掌握高质量科学数据，并能够持续获得实验反馈的平台，确实有机会形成长期的科研竞争优势。关键是把数据整理成模型能够有效学习和使用的形式，也就是“AI-ready数据”。科学实验结果、经过专家整理的知识证据链、研究过程中积累的专业经验，都是重要来源。这些数据背后，是长期的科研投入和实验积累。
但科学数据具有很强的专业性，获取和整理成本也很高。它的价值与具体的科学问题、实验条件和验证方式密切相关。因此，平台还需要领域专家参与解释、整理和验证，把原始数据、专业知识与后续实验反馈连接起来。
南方周末：AI for Science目前进展比较快的学科有哪些？
徐楠：从我关注的方向来看，材料科学和生命科学是目前AI for Science进展比较活跃、应用路径也比较清晰的领域。从材料性质预测、候选材料筛选，到蛋白质结构预测、分子设计，AI正在参与越来越多的研究环节。这些方向与产业研发需求联系紧密，模型提出的方案有机会通过实验得到验证，再根据结果继续优化，逐步体现出实际应用价值。
数学受到关注，则有不同的原因：它的研究对象和证明要求具有较强的形式化特征，一些问题可以围绕推理和证明开展探索，不必等待物理实验反馈。
南方周末：对于下一代年轻科学家而言，他们的培养方式与侧重会发生哪些改变？
徐楠：我认为需要调整，年轻科学家的培养要更加重视专业知识、跨学科协作和AI应用能力的结合。
首先，扎实的学科基础仍然是核心。研究者需要理解科学对象、基本规律和实验逻辑，才能判断模型的输出是否合理，识别其中的问题，并设计有效的验证方法。AI越深入地参与科研，研究者就越需要具备这样的专业判断力。
其次，要加强跨学科训练。AI4S涉及数据、算法、计算工具和实验体系，年轻科学家需要了解相关方法的基本原理和适用边界，能够根据研究问题选择工具，也能够与算法研究者、工程师有效协作。
未来有竞争力的科学人才，很可能是既深入理解科学问题，又善于运用AI工具的复合型人才。培养方式可以变化，但独立思考、严谨求证和长期探索，仍然是科研训练最重要的底色。
南方周末记者 朱圆
责编 刘悠翔
