當人工智能深度融入科學研究，究竟會帶來怎樣的范式變革，又會開啟哪些新的探索空間？首先需要明確“科研范式”的含義。科研范式指的是科學研究群體共同遵循的世界觀和研究方式，是保證科研活動高效、有序開展的一種通行準則。人類的科研范式曾經歷過四次重要演變，分別是經驗范式、理論范式、模擬仿真范式和數(shù)據驅動范式。在科學發(fā)展的不同階段，通常由某種范式主導。同時，在當前范式逐漸顯露出難以解釋新發(fā)現(xiàn)的局限時，新范式的出現(xiàn)便成為必然。

  現(xiàn)今科學研究中，尤其是材料科學、合成生物學、化學、天文學和地球科學等領域，科學數(shù)據呈現(xiàn)出爆炸式增長。為了從這些海量數(shù)據中挖掘出知識規(guī)律，傳統(tǒng)方法（如計算機仿真和手動實驗）常顯得力不從心。例如，在2005至2015年間，基因組學的序列數(shù)據幾乎每7個月就要翻一番。而在天文學中，自1990年起運行的哈勃太空望遠鏡每周能傳回約20GB的原始數(shù)據。

  這正是科研人員長期以來面臨的難題：一是科研成果在實際應用中的挑戰(zhàn)；二是數(shù)據收集、處理與分析效率較低；三是大部分科研團隊依舊采取“作坊式”工作模式，而平臺化合作較為稀少；四是在材料研發(fā)等領域依賴經驗和試錯的方式進行突破。這些龐大的數(shù)據需要進行分類、回歸、聚類、關聯(lián)分析、時間序列分析以及異常檢測等處理。只有在完成這些步驟后，隱藏的模式和未知的相關性才會浮現(xiàn)，否則只是無效冗余。同時，現(xiàn)代科學已進入復雜體系時代，傳統(tǒng)的計算方法難以應對越來越多變量和計算復雜度所帶來的瓶頸。

  在此背景下，人工智能的核心技術——深度學習展現(xiàn)出獨特的優(yōu)勢。深度學習的設計本就源自對大數(shù)據的需求，數(shù)據處理不僅是它的強項，也是其生存和發(fā)展的基礎。深度學習能在大量數(shù)據中找出規(guī)律，減輕數(shù)據爆炸帶來的挑戰(zhàn)。例如，人工實驗員一天難以完成的重復實驗，通過自動化平臺在一天內便可高效完成上百次，大幅提高實驗數(shù)據的準確性和一致性，而高質量的實驗數(shù)據正是模擬和訓練的基礎。

  人工智能技術的發(fā)展使科學家開始超越傳統(tǒng)的四大科研范式，依托先進的計算技術，推動了第五代科研范式——利用人工智能技術對自然現(xiàn)象進行學習、模擬、預測和優(yōu)化，從而推動科學發(fā)現(xiàn)和技術創(chuàng)新。相比于傳統(tǒng)的科研方法，這種科研范式不僅顯著提升了科學問題的解決效率，還為科研人員提供了新的研究角度與方向，開辟了探索未知的全新路徑。

  一個典型的例子是，2024年度諾貝爾物理學獎與化學獎均與人工智能研究相關。這一方面肯定了人工智能在促進基礎科學進展中的關鍵作用，另一方面也預示著物理、化學等傳統(tǒng)學科將變得更加開放，科學家們不再局限于傳統(tǒng)的“可解釋性”研究模式，而是通過實驗校準不斷完善模型，從而獲得更全面的理解。

  盡管人工智能帶來了諸多益處，其應用仍需保持謹慎。例如在生物學研究中，作為研究對象的人類個體信息和醫(yī)學特征信息都包含了較多的隱私內容。在數(shù)據挖掘和分析過程中，如果數(shù)據隱私得不到有效保護，在一定程度上會影響生物學的發(fā)展以及科學研究的可信度。雖然已有部分專家學者提出了一些創(chuàng)新技術手段，在保證數(shù)據安全的情況下進行數(shù)據共享交換以及模型的搭建訓練，但這一問題仍需進一步探索與解決。

  （作者：王中葉，系工信部網絡空間公共安全研究中心特約研究員）