中国超过50所人工智能学院，北大为何押注“科学智能”？

诛仙九妹

9.6
知识分子
The Intellectual

图源：Unsplash

撰文 | 张天祁

 ●                  ●                   ●

过去几年，“人工智能学院”在中国高校中迅速铺开，据不完全统计，已经有超50所高校开设了“人工智能学院”。在这一波浪潮中，北京大学深圳研究生院选择了建立一所面向“科学智能”（[color=var(--weui-LINK)]AI for Science）的学院，把人工智能的重心放在基础科学问题上。

传统的AI教育更多是培养算法和工程人才，而 AI for Science 的目标，则是用AI去重塑和加速基础科学的发现过程。正如AlphaFold对生物学产生的影响，这种模式试图将AI从一个应用工具，转变为驱动物理、化学、材料等基础科学产生源头创新的关键。

“我们认为，未来从事数学、物理、化学、生物、材料等基础研究的科学家，应当积极拥抱AI，适应这种科研范式变革，否则他们的研究很可能就会落后”。北京大学深圳研究生院副院长、科学智能学院执行院长田永鸿在与《知识分子》的对谈中，这样表达学院选择AI for Science的考量。

知识分子：我们注意到现在很多高校都在成立人工智能学院，为什么北京大学深圳研究生院会选择“科学智能”（AI for Science）这个方向？

田永鸿：之所以选择AI for Science这个方向，主要有两个层面的考量。

首先，我们看到一个清晰的趋势：人工智能正在深刻地改变科学研究的范式。一个非常典型的例子就是蛋白质折叠预测。AlphaFold一出来，在一两年之内，几乎把全球所有的蛋白质结构都预测完了。这就是AI的魅力。它作为一个强大的工具，正在重塑科学研究的模式。

我们认为，未来从事数学、物理、化学、生物、材料等基础研究的科学家，应当积极拥抱AI，适应这种科研范式变革，否则他们的研究很可能就会落后。

其次，这个选择也与北京大学整体的发展布局相契合。北京大学深圳研究生院建院二十多年来，形成了学科交叉氛围浓厚的学术环境。这为我们探索AI for Science的新模式提供了一块创新的试验田。北大本部在数、理、化等基础学科上力量非常雄厚，我们希望在深圳先探索经验，如果成功，未来可以将这些好的经验和模式推广到北大本部乃至全国，起到一个探索的作用。

知识分子：在您看来，当前制约“AI+Science”快速发展的最大瓶颈是什么？科学智能学院的成立，能在多大程度上改变这种局面？

田永鸿：核心要解决的，就是人才短板问题。

现在在很多传统行业，比如医药领域，大家都知道AI重要，但具体怎么做很少有人知道。举个例子，我们对一些公司的调研时发现，从他们的院长到研究员，都意识到要用AI工具。但他们实际在用的，很多还是十年前的传统统计学习方法。对于大模型等新技术，他们一方面觉得很重要，另一方面又不知道该怎么用。

连领军企业都面临这种困惑，可想而知广大企业有多么缺少既懂AI又懂基础科学的复合型人才。我们希望通过建立这个学院，能够大量培养这样的人才，以解决现存的短板问题。

知识分子：过去很多“AI for Science”项目，往往是由具体的实验室或科研团队以跨学科合作的方式完成的。为什么现在需要将AI for Science系统化，专门建立一个学院来培养交叉人才呢？这种培养模式和传统的跨学科合作有何不同？

田永鸿：坦白说，传统的跨学科合作模式我们已经走了很多年，但始终存在一些难以解决的痛点。

首先是合作问题。比如一个做生物的老师和一个做 AI 的老师要合作，对方可能自己的项目都忙不过来，未必有精力参与，这种情况大量存在。即便合作了，第二个难题是成果的知识产权归属。项目做完后，论文谁做第一作者，谁做通讯作者？直到今天，这依然是高校里难以解决的难题。

搞科学的人往往认为，自己定义了科学问题、提供了数据，理应是主导。而做AI的人则认为自己提供了关键的工具和方法，也应获得相应的认可，这个矛盾很难调和。

最关键的，对于参与合作的学生来说，完成的交叉学科学位论文，由哪个学科的学位委员会来评审和把关？传统的学科体系是分离的，搞数学的、化学的、计算机的各有各的委员会和评价标准。一篇交叉学科的论文，两边的评委可能都看不懂，也找不到合适的评审人，导致学生的毕业和评价都面临困难。

知识分子：科学智能学院的模式，与传统跨学科合作相比，有什么不同？

田永鸿：我们推行双导师制，两位来自不同学科的老师从一开始就有共同的责任，他们的成果就是培养AI for Science的人才。这样一来，合作的意愿问题自然就解决了。两位导师共同指导一个学生，知识产权的问题也更容易通过协商解决，学生的归属是明确的，不必再去争“一作”或“通讯作者”。

学院会设立专门的交叉学科学位评定分会，来负责评审这类跨学科的论文。这样从制度上改变了过去那种依赖个人自学或零散合作的模式，使得交叉人才的培养能够系统化、制度化，从而真正推动AI for Science的发展。

知识分子：您刚才提到了双导师制，这个制度在实际运作中是如何分工的？

田永鸿：双导师制是我们针对当前现实的一个核心设计。坦白说，现在全球范围内既懂AI又懂Science的科学家凤毛麟角，我们很难找到足够多的单一导师来培养这样的学生。所以，我们采用两位导师共同指导一个学生的模式。这两位导师最好过去有合作基础，至少也要有强烈的合作意愿。

在指导过程中，他们的分工是明确的。科学导师负责定方向，也就是判断哪些科学问题是值得做的、是这个领域几十年来没解决的难题。AI导师则负责定技术路线，他要分析这个科学问题是否能用AI技术来加速或解决。

两者结合，共同指导学生。也意味着学生汇报工作时，两位导师需要同时参加。这个制度增加了导师的时间成本，学生的学习时间和内容也更多，但独特的培养和研究经历也会带来更优秀的竞争力。

知识分子：谈到评价，过去有一种说法，交叉学科在现有的科研评价体系里其实是比较吃亏的。作为一个新学院，科学智能学院会如何改革科研评价体系，避免被现有体系同化？

田永鸿：科研评价是指挥棒，如果指挥棒没弄好，交叉学科一定做不好。我们当然不可能凭学院之力彻底解决这个历史问题，但我们正面临一个很好的改革机遇。现在全社会已经认识到，发展交叉学科是必须要做的事情，整个学术界对交叉学科的包容度也在提高。

在学院内部，我们已经有了一些初步的探索。首先，对于学生的评价，北京大学专门设有一个交叉学位评定分会，我们AI for Science的学生论文就归这个分会来评审。这个分会是从交叉学科的视角来评价学生的学位论文。

其次，在教师的科研成果认定上。学院会在自己的学科领域内，率先认可共同第一作者、共同通讯作者具有同等贡献，在计算工作量、认定成果时予以同等考量。我们认为，在一项AI for Science的研究中，科学和AI两个方面的贡献是同等重要的。这个成果是双方紧密合作才能做得又快又好，必须抛弃传统的主次之分观念。

当然，我们一所学院的探索只是局部的。更大范围的评价体系改革，还得靠国家来调整这个指挥棒。这会是一个长期的过程，不可能一蹴而就，但我们希望通过这样的探索，慢慢引导形成一种新的、认可交叉融合的科研文化。

知识分子：在课程设置上，AI会与哪些学科交叉？

田永鸿：在课程设置方面，我们首批设立的交叉方向主要集中在AI与物理、化学、生命科学和材料科学的融合。当然，这只是我们的起点。未来，AI的应用会渗透到更多理工学科，如能源、环境等，甚至会扩展到人文社科领域。

在我们当前的培养体系中，课程设计概括为“一体六向”。“一体”指的是所有学生都要修的公共基础课程平台。这个平台包括三类课程：一是导论课，如[color=var(--weui-LINK)]《人工智能导论》和《科学智能导论》；二是计算与智能课，涵盖机器学习、科学计算和编程；三是交叉基础课，如《[color=var(--weui-LINK)]科学第一性原理》和科学实验方法。

在完成这个“一体”的学习后，学生再根据自己的兴趣和方向，进入不同的专业选修课模块，也就是所谓的“六向”。例如，选择AI for Life Science方向的学生，会选修计算生物学、蛋白质组学、AI药物设计等课程；而AI for Materials方向的学生，则会学习计算材料学、材料模拟等专业课程。

知识分子：在具体的平台建设上，学院如何规划“AI for Science”的落地？

田永鸿：AI for Science 的研究与教学，与传统 AI 有很大不同。传统 AI 培养中，一个学生可能有算力平台支撑就够了。但我们不仅需要算力和数据，更关键的是要有一个“干湿闭环”的实验平台。这里的“干实验”指 AI 模型的设计与计算，“湿实验”则是真实的物理、化学、生物实验。我们希望将两者紧密结合，让学生在校期间就能在这样的平台上训练，掌握新的科研模式。

举例来说，假设要设计一种新药分子，首先会在计算机上用 AI 大模型生成候选分子序列，筛选出最有希望的几个，并自动生成实验方案，由自动化实验机器人执行合成与验证。自动化设备不仅提高效率，也降低了 AI 背景学生操作复杂实验的门槛。实验完成后，数据会自动回传、可视化分析，并反馈给模型，形成高效的自动化迭代闭环。这样的设施与环境，是传统 AI 或传统实验室所不具备的。

知识分子：在数据资源和算力共享方面，学院会如何推动“AI for Science”的基础设施建设？

田永鸿：在建设这样的平台过程中，我们的目标不仅是提供 AI for Science 的科研基础架构，更重要的是推动科学数据的共享。长期以来，许多科学家习惯将自己的数据牢牢掌握在手中，结果就形成了成千上万个零散孤立的“数据孤岛”。

但在未来的大科学研究中，只有把分散的数据汇聚起来，才能取得真正突破。那些率先收集、整理并共享大科学数据的团队，将更有机会产出重大成果；而坚持“数据私有化”的模式，则会大大放慢研究进展，甚至难以取得实质性成果。这一趋势也会推动科学界的数据共享模式发生根本变化。

我认为这是一个重大的机遇。铺设这样的新型设施，就像建设高铁或发展电动汽车一样，是具有长远价值的基础性工作，对国家科技发展意义重大。

知识分子：学院地处粤港澳大湾区，这里有非常活跃的创新文化和企业集群。学院会如何与产业界合作？

田永鸿：我们正在和多家企业探讨合作，合作形式可以很多样，比如共建实验平台，或者采用企业出题的方式，由企业提供真实的产业疑难，作为我们学生的实训课题。而我们的角色，就是把企业带来的这些实际问题进行提炼和升华，剥离掉具体的工程细节，找出其中最本质的科学或技术挑战，让我们的师生来攻克。

知识分子：现在很多人在讨论，AI有没有可能自主发现一些新的科学定律，而不只是在现有框架内做一些高效的预测和计算？您对此有什么看法？

田永鸿：这可以说是AI for Science研究的终极目标之一。随着技术的发展，这种可能性是一定会有的。在当前阶段，AI的主要作用还是加速科学发现。

它体现在“干实验”环节，我们用大模型高效探索合成路径；也体现在“湿实验”环节，我们用自动化机器人并行做实验，效率远超人工。过去做碳纳米管材料，一天可能才能做一组数据，现在，机器人一晚上就能得到十组，而且数据重复性非常高。这种速度本身就对科研推动巨大。

实际上，AI自主发现的苗头已经出现。我们下一步就是要让AI模型通过学习海量的科学数据，进一步具备提出科学假设，甚至对某些科学问题进行自主探索的能力。我相信这一天的到来不会太久。当然，要解决像[color=var(--weui-LINK)]哥德巴赫猜想那样更深层次、更难的问题，还需要很长的时间。

wifai

AI for Science能多久出大成果？

faybbb

看了LZ的帖子，我只想说一句很好很强大！