鄂维南院士在PAIR 2026演讲：AI for Science下半场是重构科研体系

在 PAIR Conference 2026 上，鄂维南的演讲题目是《关于 AI for Science 发展战略的一点思考》。这场会议于 9 月 20 日至 21 日在上海举行，主题为“下一代物理智能前沿”，由上海物理智能与机器人研究院举办，他本人在 9 月 21 日上午的“下一代科学发现”专题论坛发言。

值得注意的是他切入问题的角度。按报道的整理，他并没有停留在模型能力、自动化实验室或具体科研案例上，而是把问题延伸到科研基础设施和科研组织体系：如果 AI for Science 真正成为一种新范式，需要建设什么样的基础设施？中美正在形成怎样不同的技术路线？当 AI 大幅降低计算、实验和知识获取的门槛后，现有科研体系会发生什么变化？

他给出的框架是把 AI for Science 分成两个层面。第一个层面是越来越多科研和研发活动走向“工业化”，需要一套支撑大规模科研活动的新型基础设施；第二个层面是由生产力变化进一步推动科研“生产关系”的改变，包括打破学科之间、理论与实验之间、科研与产业之间的边界。后者才是他所说的“下半场”。

在鄂维南的描述里，中美推动 AI for Science 的技术路线并不完全一样。他称美国此前更多依靠标志性重点项目带动，比如 AlphaFold 以及材料结构预测等工作；这些工作很重要，但更多体现为某一个具体科学问题上的突破，当时还没有形成一套覆盖整体科研全过程的基础设施体系。

他称美国的转折点是去年白宫提出的“创世纪计划”，这是美国第一次提出建设新的科研基础设施以推动整体科研范式变革。与此同时，像 OpenAI、Anthropic 这样的企业也在加大对科学领域的投入，其路径是依托通用基座模型不断提升科学研究能力，再与自动化、智能化的实验体系结合。需要说明的是，这部分关于美国政策与企业的信息来自演讲者的转述，报道未提供一手文件。

中国这一侧，他称从 2022 年开始提出并推动新的科研基础设施建设，核心包括四个部分：算力，模型、算法和软件，数据库和知识库，以及自动化、智能化实验室。在这套基础设施之上做科研，他称之为“平台科研”——科学家进入某个具体领域，感觉就像开发者在安卓平台上开发手机应用，团队不必每次都把基础能力重新建一遍。

在自动化实验室受到广泛关注的同时，鄂维南提醒还有一个容易被忽视的环节：理论和计算。他的理由是，自动化实验室解决的是执行和操作的自动化，难以直接产生足够的新科学假设；文献中已有的数据也总是有限的。真正能帮人打破认知盲区、提出新问题和新假设的能力，最终仍主要来自理论与计算。

他以材料和化学为例。最基本的计算工具之一是描述原子间相互作用的分子动力学。他称其团队很早就开始做神经网络表达的分子动力学势函数，后来王涵等人进一步提出大原子模型（DPA），希望构建一套通用的分子动力学模型，这项工作从 2022 年坚持至今。他称 DPA-4 已可应用于有机分子、催化反应、复杂界面等不同场景，下一步目标是真正走向材料设计。

但他也给出了一个明确的边界：要把计算进一步推向材料工艺设计，目前还做不到。工艺涉及的时间和空间尺度要大得多。他称过去几年分子动力学的计算通量虽然提高了几个数量级，但距离真正从第一性原理出发搞定材料组分和工艺设计，仍有两到三个数量级的差距。只有这种计算工具真正成熟，才可能像设计房子一样设计新材料和新分子，而这一点目前全球都还没有真正实现。

鄂维南称国内在自动化和智能化实验室方面已有不少布局，包括北京、合肥、苏州、厦门、深圳、宜宾等地，上海也有一些重点项目正在推进；从整体规模和体系成熟度看还有发展空间，但这无疑是未来三到五年非常重要的投入方向。

他指出的一个基本技术卡点是：实验结果如何自动表征。以分子和材料研究中的核磁共振为例，过去几十年这几乎完全依赖资深科学家的个人经验去阅读核磁谱、反推分子结构。如果要建真正的自动化实验室，这些环节必须算法化。

他举的例子是北大朱戎教授团队与深势科技合作的 SpecXMaster 平台。他称该平台于今年 3 月上线，目前已有几千名化学家使用，每月沉淀几万条反馈数据，在相关任务上的解析能力已达到较高水平，至少接近优秀博士生的水平。这些数字与判断均为演讲者自述，报道未给出第三方评测或基准数据。

他还用这个案例观察通用模型与专用科学模型的差异。他称 Claude 此前也展示过读取核磁谱的能力：如果只提供纯粹的核磁数据和分子式，成功率其实很低；但如果把反应物等其他信息一起提供，识别能力就会显著提高。在他看来，通用模型的特点是信息越丰富、可利用的上下文越多，综合表现越好；而在输入信息有限、需要纯靠专业物理化学规律推断的场景下，专门针对科学任务训练的专用模型仍有明显优势。

由此延伸，鄂维南认为中国 AI for Science 当前的一个核心隐患，依然是底层基座模型的能力，尤其在面对最困难的任务时，与国际最先进模型之间仍存在差距。他提到年初北大团队测试过国内外模型在最优化科研任务上的表现，当时国内外基座模型之间的差距还是很明显的；虽然目前国内基座模型整体能力有明显提升，但在触及最顶层难度的任务上，差距依然存在。

他称其团队去年花一年时间研发面向科学领域的基座模型 Innovator，并在世界人工智能大会上发布。但做完这个工作之后，他越来越深刻地感觉到：如果只是拿现成的开源通用模型作为内核，在此基础上做微调或叠加各种科学能力，这种意义上的“科学基座模型”在某种程度上可能是一个伪命题，因为它没有解决核心困难。

他同时给出了限定：这并不是说不应该发展面向科学的模型，而是强调如果底座内核本身不够强，仅仅在上面堆叠科学数据，面对最深水区的科学任务时，天花板依然会受到严重限制。他也承认这种做法并非没有意义——对一般性科学问题也能取得不错的效果，但真正做前沿科研的人最关心的往往是最难的那部分问题，而恰恰在这些硬骨头上，底层推理内核的差距会被放大得最明显。

当新的科研生产力逐渐建立起来，鄂维南认为接下来进入的“下半场”是科研体系本身的变化，至少会出现“三个打破”：打破理论与实验之间的界限，打破学科与学科之间的界限，打破科研与产业之间的界限。

第一个打破针对的是理论、计算与实验的距离。他以自身经历说明：过去常遇到设计出漂亮的计算方法、论文也得到很高学术认可，但真正面对实验场景仍有很大距离。而在桥梁、建筑、飞机等传统工程领域，这种界限早已被打破，绝大部分力学验证可以完全依靠仿真完成。但在材料科学、化学和生命科学中，面对一种新药、一个新分子或一种新催化剂，今天还无法仅靠计算就足够可靠地完成设计任务。他称算法能力过去几年已提升几个数量级，但距离真正指导实验和工艺仍有两到三个数量级的差距，希望再经过两三年努力继续缩小。

第二个打破针对学科壁垒。他以材料科学为例：国内有来自凝聚态物理、固体力学和更正统材料科学的不同研究传统，研究对象其实都是材料，只是关注的时空尺度和具体问题不一样。传统材料学更多依赖实验、经验和数据，关注缺陷、位错、掺杂；凝聚态物理更多从量子力学、电子能带和声子谱切入；固体力学则关注宏观器件的弹性变形和断裂。他认为从底层看科学原本是统一的，不同学科真正的区别往往只是所覆盖的时间和空间尺度不同。

第三个打破针对科研与产业。他以晶体管和锂电池为例：两者的基础发明都获得了诺贝尔奖，但从原始创新走向大规模产业化都经历了数十年。锂电池原型在国外实验室发现，而今天全球最大的产业链沉淀在中国。他认为周期之所以长，是因为从原理突破到工业落地之间隔着海量工程实践与优化，这些工作本身往往具有极高的科研难度。而现在随着各类 AI 智能体的介入，包括文献梳理、数据处理、论文撰写在内的大量科研任务，AI 已经能够完成得相当好，许多中间环节也正在取得突破。

在鄂维南的判断里，一个极为重要的变化是科研的“平权化”。他预计未来 5 到 10 年科研门槛有望大幅降低，创新主体不再完全被传统高校和少数顶尖实验室垄断；一个有想法的个人或小团队，借助公共基础设施，完全有能力实现自己的想法。伴随这种平权化，科研经费来源也会发生变化：除政府和国家体系支持外，产业资本和市场化基金会将发挥更大作用，他提到上海未来产业基金等已在做这方面探索，同时知识产权交易平台、中试基地等转化设施也需要加速建立。

他还从产业视角批评了现有科研组织方式：全球科研体系在很大程度上是一个由行政和学术主导的“计划经济”体系，科研成果的“生产”与“应用”相互脱节，科研人员考核集中在发表论文上，而产业界需要在海量论文里大海捞针。他提到中国过去在经济改革中设立“特区”的经验，认为科研体系未来同样需要类似尝试——直接在现有体系内部推动全面重塑阻力较大，可以探索建立新型研发机构和公共科研平台，以解决实际产业问题为牵引。

最后他强调了颠覆性创新机制。他认为无论 AI 把科研工程化效率推到多高，基于人类好奇心的自由探索始终是产生颠覆性科技成果最核心的源泉，必须得到保护与支持；但同时也需要重新思考什么才算真正的“自由探索”——如果仅仅把写出一篇普通学术论文等同于自由探索，门槛显然定得偏低。

他另外给出几个个人判断：数学可能会经历一段“迷茫期”，因为人工智能在定理证明、符号推演和复杂数学问题上的能力不断提升，会直接冲击数学研究的工作习惯和方式；人工智能背后的数理基础和基本原理会成为下一阶段非常重要的主流方向，不能永远把模型做成知其然而不知其所以然的黑盒；未来几年科研资源整合会越来越重要，高校和科研院所未必需要每个团队都重复建设整套实验室，而应更多走向公共基础设施的共建共享。他还判断，过去单纯以论文为核心的单一评价机制会被逐渐打破，“能否真正创造价值”会成为越来越重要的标尺。