科学智能白皮书2025，28页pdf

1.1定义 　　面向科学研究的人工智能（AI)创新和人工智能驱动的科学研究的总和可被定义为科学智能（AIforScience,AI4S），是体现了人工智能创新与科学研究双向促进与深度融合，从而变革科研范式。 　　1.2范式 　　科学研究促进人工智能创新。传统科研范式大致可分为经验归纳（实验科学）、理论建模（理论科学）、计算模拟（计算科学）以及数据密集型科学2。实验科学由自然现象和实验结果归纳出一般性规律，但没有抽象出经验规律背后的普适理论。理论科学基于自然现象或实验结果，提炼科学问题并形成科学假设，然后运用逻辑推理和数学分析，构建普适理论，但难以在复杂系统中实验验证。计算科学以科学模型为基础，通过数值方法模拟复杂系统，但需要简化模型以及提高模拟精度，以解决模拟系统精度低且计算成本高的挑战。随着技术的发展和数据规模的增长，出现了数据密集型科学的研究范式。这一范式利用机器学习方法，自动从数据中发现统计关联，一定程度上避免了提出科学假设，但无法发现因果关系，且难以分析低质量数据和发现复杂系统中的规律。当前的科学研究主要面临系统复杂性的挑战，相互关联的自然、技术和人类系统受到跨时间和空间尺度作用力的影响，导致复杂的相互作用和涌现行为。传统科学研究方法难以应对这些复杂性挑战，迫切需要新的科学研究方法。针对复杂数据中的因果关系，发展了一系列新的因果推断方法。针对高质量科学数据缺乏问题，如大气数据、天文数据等，发展了生成式人工智能技术，如扩散模型和大语言模型。针对处理复杂系统的局限性，发展了融合先验知识的深度学习，将先验知识嵌入深度神经网络，在增强模型可解释性的同时，显著提高模型的泛化能力，如物理信息神经网络。 　　人工智能创新重塑传统科学研究过程，加速科学发现。人工智能通过融合数据和先验知识的模型驱动、假设生成与验证、自动与智能化实验以及跨学科合作等方式，加速科学发现。传统科学发现以实验观察和理论建模为核心，提出科学假设并归纳一般规律，如物理定律。人工智能则采用模型驱动的方式，从大规模数据中自动发现隐藏的规律，传统科学发现从大规模解空间中生成候选假设并验证，效率低且难以找到高质量解。人工智能凭借强大的数据处理和分析能力，可以更有效地探索解空间，生成高质量的候选假设。例如，在纯数学领域，机器学习可以辅助数学家发现新的猜想和定理。科学研究依赖于实验评估理论。传统的实验设计和优化方法依赖人工经验和反复试错，成本高且效率低，如材料合成以及核聚变。人工智能与机器人技术结合可以实现实验的自动化设计与执行，并根据实时数据调整实验参数，优化实验流程和候选对象。 　　总之，人工智能可以有效整合不同学科的数据和知识，打破学科壁垒，促进多学科深度融合，解决学科的挑战性问题。跨学科合作不仅拓展了各学科的研究边界，还催生了计算生物学、量子机器学习、数字人文等新兴学科。