转自：中国科学报

“老师，现在任何一个学科的问题我都不害怕了，哪怕我对那个学科一点都不了解，利用玻尔科学导航平台（Science Navigator）的学术搜索和问题，我很快就能够对该学科有个基本认知。”

8月21日，在北京举行的2026科学智能大会上，中国科学院院士、北京科学智能研究院学术委员会主任、北京大学教授鄂维南作报告时候引用了学生的例子指出，人工智能（AI）极大地提升了科学研究的能力和效率。

在随后的采访中，鄂维南围绕AI for Science（人工智能驱动的科学研究）的发展，分享了他对数学、大模型、科研体系、人才培养等方面的思考。

数学不应该被边缘化

问：数学是所有理工学科的基础。但公众可能会认为数学太抽象、实用性弱。您认为数学对人工智能的发展起到了什么作用？

鄂维南：我虽然是数学出身的，但不是典型的数学家，我接触更多的是科学家。不过，数学背景对我个人的发展还是很重要的，尤其是我在推动AI for Science发展时，数学发挥了很大作用。

2016年前后，人工智能（AI）只应用于图像识别、自然语言处理等领域。后来，我研究发现AI还可以解决一些基础的数学问题，如果在这些基础的数学问题上有较大的突破，将带来全方位的影响，甚至会让一些科学问题产生很大的改变。

问：目前，在新一轮AI浪潮里，数学似乎有点“落伍”了，对此您怎么看？

鄂维南：在2021年世界人工智能大会上，我报告的最后一页PPT提到，科研和工程才是AI最好的应用场景，我不知道下面的听众里有多少人真正同意这个说法。

当时，我看到的不是某个具体的点，而是AI背后的统一性，这对我个人认识有非常大帮助。以前很多问题搞不懂，停滞不前，都是因为维数灾难（随着维数的增加，计算量呈指数倍增长的一种现象）。当我意识到深度学习可以克服维数灾难时，我自己也非常震惊。如果没有数学背景，估计我也想不到这一点。

我认为，数学是AI非常重要的基础，可以说最早推动AI发展的都是一些数学家。理论来讲数学是基础，但是现实情况是，数学在新一轮AI浪潮里面基本上被边缘化了，这是我不太愿意看到的。

问：您会尝试去改变数学被边缘化这一现状吗？

鄂维南：会。我正在推动AI数理基础的重大项目，希望通过项目的牵引来改变现状。我认为，数学被边缘化对AI的发展也是一种阻碍。

AI发展的重大突破要依赖工程化，但如果缺乏底层逻辑和基本原理的理解，靠经验指导试错，对资源的消耗是巨大的。底层逻辑和基本原理只能来自数学和物理这样的认知学科，这也是目前AI作为一门学科所缺乏的东西。

现有大模型还不能解决科学难题

问：您觉得现有的大模型在AI for Science上的短板体现在哪些方面？

鄂维南：短板体现在真正困难的科学问题还是很难通过现有的大模型去解决。虽然现在有一些团队在投入资源尝试解决问题，但我认为还是不能解决根本问题。因为科学对智能的要求，本身就是难以解决的问题。比如数学家给出一个证明，他不仅证明了可能性，还列出了证明里的每一个步骤，这些都不在现有大模型的语料里。我认为，科学大模型必须先具备非常强的科学推理和科学多模态识别的能力，但这个能力现有的基座模型还没有具备。

问：您所指的现有大模型不具备科学推理和科学多模态识别能力，主要来自数据问题，还是现有大模型基座技术结构问题？

鄂维南：都有。数据显然是有问题的，前面已经解释过，模型结构上也有问题。现有大模型基于大语言模型这个结构，大语言模型在这个架构上是预测下一个词元，这对解决语言问题来说是一个通用方式，但图像、空间跟语言完全不是一回事，所以大语言模型不见得可以很好地匹配。

我们做科研，尤其是做实验，需要跟物理世界交互，需要看科学表征数据，这些都不是现有大模型架构所擅长解决的问题，因此大模型还要从底层架构上有所突破。

AI时代需要什么样的科研体系

问：您认为，AI时代我们需要什么样的科研体系？

鄂维南：我想从以下三个方面来谈谈。

一是科研平权化。我们要打破高校和科研机构对科研的垄断，尤其是要打破少数实验室对科研资源的垄断，让有想法、有能力的个人和团队都能参与到科技创新中。实现这个目标有一些基本条件，比如低成本、高效率的科研工具资源，多维度科研经费来源，科研成果转化平台等。

二是以产业视角来构建新的科研体系。当前，国内外的科研体系在很大程度上是由行政主导的僵化的计划经济体系，计划经济最大的特点是产和出不挂钩，换言之就是生产和销售是脱节的。要想在高校、科研院所打破现在的科研体系是非常困难的，所以我们必须开拓新的机制方式，包括新型研发机构等来推动改变。总之，就是要跳出机构的限制，打通人才、创新、市场、资金各个环节。

三是自由探索仍然是颠覆性科技创新的核心要素。自由探索才是未来真正定义科技能力的一个标杆，但是我们现在把自由探索这个概念泛化了、稀释了，所以说我们仍然要鼓励自由探索，仍然要积极支持和保护自由探索，前提还要甄别什么才是真正的自由探索，这跟发表论文区别还是非常大的。

问：您认为当前AI for Science最缺哪方面人才？

鄂维南：最缺的是既懂AI又懂科学的人才。目前，推动AI for Science的主力大多来自AI背景的人，我觉得这个主力更应该来自科学领域的人，科学领域的人才能够更好地定义科学问题。

因此，AI for Science下一步的突破应该由科学领域的人提出问题，再跟AI背景的人开展合作。未来，培养既懂AI又懂科学人才没有本质上的困难，唯一的困难可能来自体制上的惰性。 

问：随着AI for Science的发展，您对青年科研工作者有哪些建议？    

鄂维南：对青年科研工作者来说，这是一个巨大的机会，也是一个巨大的挑战，巨大机会是因为现在科研面临着全方位的改变，借助AI，人人都可以做高水平的科研，打破了过去来自机构和资源的限制。巨大的挑战是有人可能会因为AI的加入“画地为牢”，把自己的研究领域限制得太死。