AI4S | 从工具到伙伴：大模型如何重塑科研范式？

魏煊指出，AI 进入科研的方式，其实正在经历一场从“工具理性”到“系统性参与”的转变。

过去我们谈 “Science + AI”，更多是希望用 AI 来“加速”或者“替代”某个科研环节，比如数据清洗、更好的文献搜索，这是相对初级的应用。但如今，科研范式正在往“AI + Science”转变，我们需要思考围绕AI如何重新布局整个科研流程。例如，我们需要的能力不再是撰写文稿，而是评判AI产出的能力；我们需要更好的科学洞察力；我们的人员架构、能力需求都会不同。他说：“AI 不是科研的‘外挂’，而是有潜力成为科研的‘新主体’，成为科研流程本身的一部分。”

这一观点，他用一个经典比喻进行了说明：就像工业革命中的电力改变了工厂布局——蒸汽时代的工厂围着动力主轴设计，而电力时代由于有了分布式电机，整个工厂结构变得更加灵活高效。今天的科研流程，也有可能因 AI 这个”新电力：的出现而被重塑，进入“围绕 AI 的科研系统设计”阶段。

从“Science + AI”到“AI + Science”，不只是角色变了，更是方法论、组织方式与创新节奏的一场全面升级。

随着通用大模型（如 GPT-4、Gemini 等）参数规模不断扩大，推理能力不断提升，也有人提出一个问题：如果模型够大，是不是就可以直接用来做科研了？魏煊教授给出的回答很明确：短期内大模型持续“扩参”并不等于自动具备“科学性”。

他说，目前的大模型主要处理的是文本和图像模态，而科学研究面对的却是蛋白质序列、晶体结构、偏微分方程、张量场等高度结构化、具有领域特点的专业数据。这类数据的组织方式、信息密度和评估要求，与通用模态存在本质区别。

现在的通用折衷做法是先把科学数据先“翻译”成文本或图像，再交由通用模型处理。虽然在某些“模态较近”的领域，如数学，通用模型通过形式语言处理取得了一定成果，例如 DeepMind 的 AlphaProof、AlphaGeometry2，但是当应用到模态距离较远的生物、化学、材料科学领域时，这种“翻译式适配”显得力不从心。

更关键的是，科学研究讲求逻辑闭环、可解释性与精度保障，而不是“猜得差不多”。当前大模型仍很难稳定地产出可验证、可复现的高质量科研结论，因此，近期内仍需构建嵌入专业知识与结构先验的“科学基座模型”，而不能仅依赖通用大模型。

在讨论科学模型的未来演化方向时，魏煊提出了一个有趣的观察：科学基座模型很可能会走一条“先近后远、先点后面”的路径。

他举了 AlphaFold 的例子来说明：从最初只做蛋白质结构预测的 AlphaFold2，到如今 AlphaFold3 已能同时建模蛋白质、RNA、小分子和离子的原子级交互，实现初步跨模态融合。未来科学基座模型的演化很可能先从“近邻学科”之间打通壁垒，比如生物和化学、代数和几何、气候和遥感等领域。不同领域的模型开始融合，能力边界变得更宽、推理跨度更大，为更复杂的科研问题提供解决路径。

他以文本-图像多模态大模型的历史演化为例：先在各自模态取得突破，再并行迭代，最终走向深度融合。同理，科学基座模型很可能沿着类似轨迹演进——从学科专属模型起步，最终迈向通用、自适应的多模态、多结构、多规律统一架构。

总结来说，短期内科学基座模型会打破相似学科壁垒，形成若干“跨邻域簇群”，长期再走向跨学科大整合。

那么，科学大模型未来的技术发展路径是什么？

魏煊认为，需要的是“双升级”：一方面，模型能力要拓展到真正的“科学模态”；另一方面，架构设计也必须突破现在的框架限制。

在能力层面，科研任务需要模型处理复杂的结构数据（如分子张量）、逻辑规则（如物理约束）以及跨时空的动态推理，这种需求远超文本语言建模。

而在架构上，短期内Transformer 可能依旧是核心组件，但必须融合更多结构约束、符号推理、物理先验等模块，形成更加符合科学任务需求的混合架构。魏煊列了一些例子：PINN（Physics-Informed Neural Networks）：在神经网络中嵌入物理方程，用于流体力学、热力学问题；混合推理模型：将 Transformer 与符号推理引擎结合，实现逻辑演绎与知识约束的统一。

他强调，这种“新能力 + 新架构”是不可分割的：“科学性和架构能力就像长方形的长和宽，只有一起变大，AI for Science 的实际应用面积才可能拓展。”

通过这场思辨会，一个清晰的趋势浮出水面：AI for Science 不只是技术手段的堆砌，而是科研体系的一次深层重构。它既挑战我们对“知识”的表达方式，也重塑我们对“研究者角色”的定义。AI 不再只是答题者，它正在变成出题者、合作者，甚至可能是科学方法的共建者。