核心观点 - 当前AI科学发现领域存在严重的“堰塞湖”困境，即AI预测能力呈指数级增长与人类验证及产业化能力呈线性增长之间的矛盾，导致大量成果无法转化并占用大量资源 [3] 问题成因分析 - **预测模型局限性**：模型存在逻辑推理和知识深度不足、黑箱困境与幻觉风险、目标推导能力有限等问题 [3] - **缺乏标准和评估体系**：由于缺乏评估标准，海量AI预测结果的准确率和可合成性难以确定 [3] - **实验验证能力不足**：实验室环境适配性与灵活性差，难以满足AI自主验证需求；存在数据孤岛和设备孤岛导致跨平台互操作性低；感知、决策与执行环节存在脱节，无法形成闭环 [3] 对策与建议 - **加强数据与标准体系建设**：需重点建设高精度、长序列、多模态的行业数据集，建立公共高价值数据中心以减少重复工作，并构建权威的AI预测结果评估体系 [4] - **加快AI自主实验室建设**：需倡导开源与模块化以降低建设门槛；探索“人在回路中”的混合增强智能模式，因完全无人化的“AI科学家”尚难实现；发展数字孪生与通用知识模型；探索多智能体协作的“联合科学家”模式 [5] - **加强中试平台建设与产学研合作**：需发挥应用场景优势，加强中试平台建设以推动工程化创新，并推动学术界与产业界的合作 [5]