科学研究终于站在了属于它的"工业革命"入口。未来的科研可能将告别对于经验与试错的依赖，而是像工厂流水线一样可设计、可迭代。日前，AI for Science概念的提出者、中国科学院院士鄂维南在出席"智研未来 AI4S"前沿论坛时指出，科学智能的关键不在于模型、算法等单点突破，而在于谁能率先完成科研范式的整体转换。他的这一判断为处于快速发展期的AI4S领域提供了战略层面的思考框架。
鄂维南在演讲中系统盘点了我国AI4S领域的家底。他指出，在蛋白质结构预测等方面，算法已经取得卓越成果，AlphaFold系列的成功让人们看到了AI介入科学发现的巨大潜力。但鄂维南的判断更进一步：未来会有越来越多的科研活动朝着工业化、平台化、智能化演进。就像建工厂一样，科研流程将被设计成一条条流水线。不过他也强调，科研的工业化并不等于把科学发现变成机械的流水线加工。AI可以提升科学研究的生产力，但科研如何组织、人才如何评价、学科如何交叉等生产关系决定了创新上限。目前全球AI4S存在两大主流路径。一条以DeepMind为代表，走通用基础模型加垂直应用的技术路线，先构建强大的通用科学模型，再针对具体领域进行微调。另一条以中国高校和科研机构为代表，更注重学科交叉和场景驱动，强调从具体科研问题出发反向推动AI技术发展。
鄂维南坦率评估了我国在AI4S领域的竞争力。优势方面，我国在数据规模和场景丰富度上具有全球领先地位，特别是在药物研发、材料科学和气象预测等领域积累了海量的行业数据和真实需求。同时，国家对AI4S的政策支持和资金投入力度空前，多个科学智能重点研发计划已启动实施。但短板同样明显。首先，通用基础模型能力与国际顶尖水平仍有差距，尤其是在物理世界建模和长程推理能力上。其次，跨学科人才严重不足，既懂AI又懂具体科学问题的复合型人才极度稀缺。第三，科研组织方式仍然传统，学科壁垒导致AI与科学问题的深度结合进展缓慢。鄂维南特别指出，我国应尽快提升通用基座模型能力，这是AI4S长期竞争力的基石。他强调，如果基础模型不行，上层应用做得再好也会受制于人。
鄂维南在论坛上首次系统阐述了"机器科学家"的愿景。他认为，未来的每个科技创新中心都应该配备机器科学家作为基础设施。这种机器科学家不是传统意义上的机器人，而是一套整合了AI模型、自动化实验设备和数据管道的智能系统。它可以7乘24小时进行文献阅读、假说生成、实验设计、数据分析和结果验证。目前上海已经在这方面进行了有益探索，7月7日发布的Golab物质科学智能研发工厂就是机器科学家的雏形，它成功跑通了AI计算、自动实验、数据回流、模型自进化的干湿闭环全流程。在Golab的百题马拉松直播中，100个科研问题在一个超级工厂内由AI全流程处理，屏幕上代码滚动生成指令，旁边的分子结构模型不断被调整，机械臂平稳运转完成取样、反应、萃取和分离操作，全程无一人介入。这种场景生动展示了机器科学家的工作方式。
在论坛的讨论环节，多位与会专家围绕产学研协同推动AI4S生态构建发表了观点。上海科学智能研究院正在推进的"百团百项"工程为跨学科协同提供了新的组织范式。该项目要求团队须由AI科学家、领域科学家和工程师三类人才共同组成，打破了以往单一学科团队的组织边界。项目形成的所有数据、模型和共性工具都须分阶段共享到上海市科学智能开放平台，形成一个可持续可复用的科研公共品体系。这种机制有望产生网络效应和乘数效应。从更广阔的视角来看，AI4S正在成为全球科技竞争的前沿阵地。英伟达将AI4S列为与大语言模型、具身智能并列的三大AI关键方向之一。鄂维南的观点为AI4S从业者提供了战略层面的思考框架：在技术路线快速演进的同时，更需要关注科研组织和人才培养等深层次问题，才能真正实现从辅助计算到自主发现的历史性跨越。
鄂维南在论坛上的发言引发了与会者的广泛讨论。多位院士和产业界代表表示，鄂维南提出的机器科学家愿景虽然宏大但并非遥不可及。随着AI技术在科学研究各环节的渗透不断加深，从文献自动摘要到实验方案建议再到数据分析报告自动生成，AI正在系统性地重塑科研流程。未来几年内，我们有望看到更多类似Golab这样的超级科研工厂投入使用。这些工厂将以类似云服务的方式向科研机构提供按需使用的AI科研能力，大幅降低前沿科学研究的门槛，加速从基础研究到产业应用的价值转化。
当前AI4S的发展正处于关键转折点，谁能在科研范式转换中占据先机，谁就将在未来的全球科技竞争中掌握主动权。鄂维南的演讲为这一进程提供了重要的战略指引。
鄂维南的观点为中国AI4S发展指明了方向：既要关注底层模型能力的提升，也要推动科研组织方式的变革。只有在技术和制度两个层面协同发力，中国才能在这场科研范式变革中占据有利位置。