AI深度介入科学发现，从生成点子到验证闭环的前沿探索

近年来，人工智能（AI）在科学研究中的角色正在发生深刻变革。从蛋白质结构预测到材料设计，AI不仅能够生成高分结果，更开始参与科学发现的全流程——从提出问题、生成候选方案，到组织证据、验证结果，甚至识别研究边界。这种转变在GOAI「前沿探索 AI for Research」赛道中得到了充分体现。

2026年，该赛道设置了算法赛题与开放探索赛题两类，共20个决赛项目覆盖材料、聚变、镜像多肽、古文字、天线、燃烧稳定、海洋生态、量子光学、虚拟细胞和蛋白-配体动力学等多个方向。其中，算法赛题主要围绕既定科学问题和评测框架，考察技术性能、科学意义与方法创新性；开放探索赛题则更强调问题定义与环境设计、探索过程与发现信号，以及结果的可检查性与可延续性。

"AI正在进入科学研究更上游的环节：哪里存在未知？什么问题值得被进一步实验？"一位参赛团队负责人表示。例如，在纤维网络超材料研究中，AI不仅寻找性能最高的结构，还提出了"拓扑可能比相对密度更直接影响性能"的待验证机制判断。在燃烧稳定性研究中，AI将稳定域与不稳定域之间的边界作为发现对象，围绕喷注器构型、空间分布和声学模态寻找风险区域。

"真正的科学结论，还必须经得起证据、条件与验证过程的检验。"这是GOAI赛事对参赛项目的核心要求。一个典型案例是三维自由形空间天线项目：团队使用两套原理独立的电磁求解器进行交叉验证，曾找到一个评分比基线高17.6%的候选，但另一套求解器证明它实际上并不谐振。这一过程揭示了AI优化指标可能存在的陷阱，也凸显了验证机制的重要性。

"AI生成的科研点子是否具有原创价值，还需要研究者结合已有研究，通过文献检索、理论分析、数值模拟乃至实验验证来检验。"南京航空航天大学物理学院副研究员曹水艳指出，AI能够生成的是科研点子，而不是已经成立的科学创新。以微纳光子学研究为例，一个器件在理论计算中可能表现出理想特性，但实际制备时材料厚度、加工误差等因素可能导致实验结果与最初设想存在很大差异。

"最终形成的科学认识或技术方案，凝结的是研究者持续判断、验证和创造的结果。"曹水艳强调，AI参与了最初研究思路的生成，但在判断原创归属时，不应只看"谁先提出了这个想法"，而应关注在成果形成过程中，谁作出了关键的科学判断，谁完成了实质性的创造性工作。

"负结果开始成为科学AI的重要产出。"一些项目不仅保存正向搜索结果，也完整记录静态双频探索中的负结果、求解器问题以及问题定义如何因此调整。这种做法有助于建立更可靠的"发现判定机制"，避免单纯追求高分导致的假发现。

"AI时代，我们需要建立新的学术规范。"光明网"探问AI参与科研的边界"系列报道指出，从想点子、做实验到写论文，AI正深度介入科学研究全过程。但效率提升的背后，原创归属、数据"美化"、实验"缺席"、信息泄露、论文审核等问题接踵而至，科研诚信和学术规范面临重新审视。

未来，随着AI在科学研究中扮演越来越重要的角色，如何界定人类科学家与AI的贡献边界，如何建立适应AI时代的学术规范，将成为科研界需要共同面对的重大课题。