近日，公司郭贵春教授接受《学习时报》记者采访，就人工智能引领科研范式变革问题发表了自己的观点和看法。

传统以人为主导的科研运行逻辑被打破

学习时报：当前，“人工智能驱动的新型科研范式”是一个热点话题。从辅助工具升级至新型范式，这个跨越的依据是什么？

郭贵春：这一跨越的依据在于它正在推动科学研究的整体结构与工作方法发生根本性变革。这一变革不仅意味着科研工具的更新，更代表着新一轮科研范式的变革。它正在改变科学知识的生产方式、研究方法、知识体系，并重塑科研实践中的人机关系，使科学活动从方法到组织形态都进入一个全新的阶段。国内外学界普遍以知名数据库专家吉姆·格雷（Jim Gray）的“四范式科学模型”为基础，将AI驱动的新型科研模式视为“第五范式”。这一命名的意义并不在于形式上的创新，而是强调AI所带来的科研模式重组：它不再只是人类研究者的辅助工具，而是能够主动参与创造过程的科研主体。目前，AI已经呈现出一种“创造性毁灭”的特征，它对于整个科学研究方式，无论是自然科学还是人文社会科学，所产生的冲击与影响正是一个典型的过程。AI使得传统的重复性、形式化脑力工作失去意义，并打破了“收集、整理、计算、生成”等工作的人类独占地位。这种变革不是对传统科研范式的延伸，而是在根本上改变了传统科研活动以人为主导的运行逻辑，在改变科研方法的同时也在改变科学本身的形态，使科学从人类理性主导的解释体系，转向人机协作的生成体系。

学习时报：作为典型案例，AI模型AlphaFold实现了对蛋白质复杂结构的预测。但是，该如何判断AI产生的科学预测？这种“AI优先，分析在后”的模式，会对科学理论的构建带来怎样的挑战？

郭贵春：这个问题触及了核心。这种“AI优先，分析在后”的模式，使得未来科研的面貌可能不再由人类的理性和想象来决定，而是由AI泛化的边界来决定，传统以“解释”为中心的科学模式让位于以“模型构造与动态拟合”为核心的新模式。在这种技术主导的新形态下，“科学发现”也将不再停留于传统库恩范式论意义上的内涵，仅仅是发现新的事实并基于这一事实重构出某种可理解的科学理论体系或解释框架已经远不能满足当下的需要。科学理论正在从传统以追求事物本质为目标的实在论，转向以解释功能结构和构造关系为目标的技术实践论。科学发现的确证也不再是通过对某种先验信念或科学假说的验证来完成，而是通过在大量归纳数据的基础上，提出具有限制条件与适用边界的结构化理论来完成。这要求我们对AI的预测保持审慎，并将其输出视为需要严格界定边界和验证条件的结构化理论模型。

新型科研范式带来新挑战

学习时报：在AI的驱动下，推动科学发展的主体从单一的“人”转变为“人机协作”，甚至AI在一定程度上进行自主创新与内容生成。这是否消解了人类研究的不可替代性？传统意义上的“科学发现”定义是否也要进行根本性重构？

郭贵春：我认为是的。AI或许削弱了个体研究者的不可替代性，却为整体知识体系的重构提供了可能。其对于传统脑力劳动的替代恰恰正是一种对于思考能力的解放，反而应当促使人类在更基础、更全面的视角和语境下对科学研究进行反思和理解。在这种新型科研范式中，科研主体的角色也因此被重新界定，人类从知识的直接创造者转向知识系统的设计者与监督者。人类研究者不再主要承担重复计算与资料整理，而是负责在更高层面上设定问题、界定模型边界、判断数据可靠性，并从整体上把握科学知识的结构。科学发现从静态的理论转向动态的模型生成与经验拟合的过程，这在一定程度上构成了对“科学发现”定义的根本性重构。

学习时报：数据、算力、算法以及专业人才可以说是AI驱动下科学研究的核心支撑。目前，这些资源可能向少数国家或机构集中，这是否会加剧科学研究的不均衡？应如何防范与应对？

郭贵春：这是一个非常关键的问题。科研的基础资源不再是传统意义上的实验室与研究机构，而是在事实上去中心化的、庞大而开放的信息数据流或语料库，以及分布于网络中的数据与模型。知识不再由有限的研究团队垄断，而是通过开放平台与共享算法不断生成与更新。由此，科学创新的发生不依赖于资源的集中，而依赖于知识的开放与流通。默顿曾指出，科学创新的基础是知识的共有性与普遍性。AI的发展再次验证这一原则：算力与算法可以集中，但数据必须开放。只有开放数据与共享模型，才能孕育真正的创新生态。在这一过程中，数据的关键在于“精”而非“多”。因此，防范不均衡的关键在于推动数据和模型的开放性与可及性，构建一个更加开放的科学创新生态。

学习时报：AI驱动的科研在发挥积极作用的同时，还潜藏着哪些容易被忽视的风险？

郭贵春： 除了资源集中风险，还需关注认知层面的风险。这场革命迫使我们重新界定“科学”这一概念。如果未来科研由AI的泛化边界决定，我们可能陷入对模型的盲目依赖，而丧失了对科学本质的深刻理解。科学不只是发现世界的方式，也是改造世界的方式，这种强大的改造能力若缺乏正确的价值引导和世界观把握，可能会带来难以预料的后果。同时，当前的AI主要依赖互联网语料建立语言模型，由此带来的AI幻觉和“黑箱”问题是需要警惕的风险点。

坚持人类的科研主体性

学习时报：在可预见的未来，由AI深度赋能的科研会呈现怎样的趋势？

郭贵春：从发展演进规律来说，未来的AI会通过与现实世界的动态反馈来更新自身结构。实验数据、传感记录、学术交互与社会实践的实时输入，将使AI具备对真实世界的持续感知与修正能力。算法的更新也正从静态设计转向自适应演化，算力的竞争则成为科技体系的基础性战略议题，它不仅决定AI科研的速度，也决定科学知识生成的边界。这将使科研从孤立的学科划分转向跨域的模型共建，从封闭的实验空间转向开放的网络生态。

学习时报：在新型科研范式下，成功科学家的核心能力是什么？这对我们当前的人才培养提出了怎样的要求？

郭贵春：在新型科研范式下，人类的科研任务将回归科学的本源，也就是确立科学世界观与科学价值的方向。未来的科研训练应当减少重复性操作，而增加反思与批判性分析的环节。员工和研究者需要具备更广阔的学科视野与更强的结构化理解能力，以便驾驭AI工具并在信息洪流中保持独立判断。成功科学家的核心能力将体现在提出深刻问题的能力、进行批判性思考和价值判断的能力，以及在更高层次上设计研究框架和把握知识结构的能力。这要求我们对传统的教育体系和教育逻辑进行重新思考。

学习时报：在新型科研范式下，我们如何建立一套敏捷治理框架，既能防范风险，又不扼杀创新？

郭贵春：这一变革要求科研共同体以更开放的姿态、更精确的制度设计来回应技术带来的挑战。比如，科研评价体系需要进行相应调整，论文不再是唯一的成果形式，算法的公开性、模型的可复现性、数据的质量与共享度，都将成为衡量科研贡献的重要标准。治理框架应围绕这些新标准构建，同时，治理本身也应是动态和自适应的。只有当我们在使用AI的过程中重新认识科学，并重新定义人类在其中不可替代的位置与使命，这场科研范式变革才能真正完成其系统性的进步。科学的未来不在于技术取代人，而在于人如何在新的范式中重新定义自身的位置与使命。

文章来源：《学习时报》2025年11月10日第5版

编辑丨吴朋飞

初审丨吴朋飞

二审丨陈敬坤

终审丨尤洋