2026科学智能大会于8月21日至22日在北京举办。围绕“人工智能变革科研范式”这一主题，来自科学研究与人工智能领域的专家共同讨论了一个正在加速发生的变化：AI不再只是提高实验室办公效率的工具，而正在进入问题发现、实验设计、模拟计算、数据分析和成果验证等科研核心环节。
大会聚焦人工智能赋能科学研究（AI for Science，简称AI4S），并凝聚了推进科学智能发展的共识。对科研团队而言，真正重要的问题已经从“要不要使用AI”转向“哪些科研环节适合引入AI，以及如何验证AI给出的结论”。
AI4S改变的不是一个工具，而是一条研究链路
传统科研流程通常由研究人员提出假设，再通过理论推导、数值模拟或实验进行验证。AI4S可以嵌入这条链路的多个位置：
- 从论文、专利和实验记录中提取研究线索，帮助发现潜在关联；
- 根据历史数据预测材料、药物或器件的候选性质；
- 在实验预算有限时，选择更有价值的下一组实验参数；
- 用代理模型替代部分高成本模拟，缩短参数搜索时间；
- 对实验结果进行异常检测、分类和不确定性分析。
这并不意味着将科学问题完全交给模型。科学研究要求可解释的假设、可重复的过程和可审查的证据。AI更适合承担大规模搜索、模式识别和候选排序等工作，研究人员仍需要负责问题定义、数据质量控制、实验验证以及最终的科学判断。
从“模型中心”转向“问题中心”
AI4S项目容易陷入一个误区：先选择一个热门模型，再寻找可以套用的科研问题。更稳妥的路径是从科研瓶颈出发。
例如，一个材料研发团队可以依次回答：
- 当前最耗时的环节是候选生成、性质预测，还是实验验证？
- 是否拥有规模足够、来源清晰且标签可靠的数据？
- 模型预测的错误成本是什么？一次误判会浪费多少实验资源？
- 结果是否能够通过独立实验或高精度模拟复核？
- 模型上线后，数据分布变化和新样本如何处理？
如果数据量很小，直接训练复杂深度模型未必是好选择；如果实验成本很高，不确定性估计和候选排序可能比单纯追求平均准确率更重要；如果研究目标是发现新规律，模型的可解释性和因果验证也需要纳入设计。
一个可改造的AI4S最小实验
下面的示例用一个虚构的材料性质数据集演示“历史数据训练模型、预测候选样本、按预测结果排序”的基本流程。它不是现实材料发现系统，但可以作为科研原型的起点。运行前安装依赖：
python -m pip install numpy pandas scikit-learn
将以下内容保存为 ai4s_screening_demo.py 后运行：
import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error
# 示例假设：x1、x2、x3是可测量的材料特征，target是待预测性质。
rng = np.random.default_rng(42)
train = pd.DataFrame({
"x1": rng.uniform(0, 1, 240),
"x2": rng.uniform(0, 1, 240),
"x3": rng.uniform(0, 1, 240),
})
train["target"] = (
2.0 * train["x1"]
- 1.2 * train["x2"]
+ 0.8 * train["x3"]
+ 0.35 * np.sin(6 * train["x1"])
+ rng.normal(0, 0.08, len(train))
)
features = ["x1", "x2", "x3"]
X_train, X_test, y_train, y_test = train_test_split(
train[features], train["target"], test_size=0.2, random_state=7
)
model = RandomForestRegressor(
n_estimators=300,
random_state=7,
n_jobs=-1,
)
model.fit(X_train, y_train)
predicted = model.predict(X_test)
print(f"test MAE: {mean_absolute_error(y_test, predicted):.4f}")
# 候选筛选：真实项目中，这里应替换为实验设计空间或模拟生成的数据。
candidates = pd.DataFrame({
"x1": rng.uniform(0, 1, 20),
"x2": rng.uniform(0, 1, 20),
"x3": rng.uniform(0, 1, 20),
})
candidates["predicted_target"] = model.predict(candidates[features])
print(candidates.sort_values("predicted_target", ascending=False).head(5))
改造到真实项目时，至少需要补上数据版本管理、训练集与测试集的独立划分、缺失值处理、特征定义记录和实验复核。候选列表也不应直接等同于最终结论，而应作为下一轮实验或高精度模拟的输入。
落地时要守住三条边界
数据边界。 科研数据常常来自不同仪器、实验批次和处理流程。数据泄漏、测量偏差和标签不一致，可能让模型在测试集上表现很好，却在真实实验中失效。
证据边界。 模型的相关性预测不能自动变成科学定律。对关键发现，应安排独立数据验证、重复实验、对照实验或更高精度计算。
责任边界。 AI生成的文献总结、实验参数和研究假设都需要人工审阅。涉及安全、伦理、临床或高风险工程决策时，模型只能提供辅助信息，不能替代专业责任。
给科研团队的采用清单
可以从一个可量化的小问题开始，而不是一次性重构整个研究流程：
- 明确一个当前成本最高或周期最长的科研环节；
- 盘点数据来源、标签质量和可用样本量；
- 设定比“模型准确率”更贴近业务的指标，例如节省的实验次数或缩短的模拟时间；
- 建立基线方法，与AI模型进行公平比较；
- 为每个预测保留输入、版本、置信度和验证结果；
- 规定模型失效时的人工接管流程；
- 将模型输出纳入实验闭环，用新数据持续评估而不是盲目自动更新。
2026科学智能大会释放出的重要信号，是AI4S正在从概念讨论进入科研组织、计算基础设施和实验流程的协同建设阶段。能否真正重塑科研范式，取决于模型能力，也取决于数据治理、跨学科协作和可重复验证。对多数团队来说，最现实的起点不是追逐最大的模型，而是找到一个可以验证、可以复现、可以持续迭代的科研问题。