文章核心观点 - AI驱动的科学研究（AI4Science）已成为现代科学活动的“第五范式”，正重塑科研与教育模式 [4] - 上海交通大学与华为联合打造的“致远一号”智算平台，是全国高校最大的国产智算算力基础设施，为AI4Science时代的科研、教学及产学研融合提供了强大的底层算力支撑，是产教融合的标杆案例 [1][12][13] AI4Science（人工智能驱动的科学研究）成为第五范式 - AI4Science是继经验科学、理论科学、计算科学和数据科学之后的现代科学“第五范式” [4] - 全球科研人员正积极拥抱AI，每三位博士后研究员中就有一位使用大语言模型协助科研工作 [6] - AI直接参与并重新定义科学发现，在数据密集型、实验复杂或成本高的科研方向发挥颠覆性作用 [7][9] - 2024年诺贝尔物理学奖和化学奖均颁给AI相关领域，AlphaFold 3获化学诺奖预示AI将在未来至少10年的科学突破中起关键作用 [10][11] - AI4Science的本质是结合AI算力与科学家智慧，使科研更快、更准、更聪明，而非替代人类 [12] “致远一号”智算平台的定位与建设背景 - 平台由上海交通大学与华为共建，定位为全国高校最大的国产智算算力基础设施 [1] - 平台于2024年12月启动，用时不到一年完成千卡昇腾集群本地部署和云上千卡规模化应用 [1] - 峰值算力达633 PFLOPS，存储容量13P，支持千亿参数级大模型的校内训练 [1][26] - 建设背景顺应国家“人工智能产教融合专项工程”，上海交大被列为12所国家级AI平台高校的重点牵头单位 [13] - 上海交大已推出“AI十条”校级战略，科研计算100%覆盖所有学科大类，500多门课程完成AI化转型 [13] “致远一号”的平台架构与运营模式 - 采用校级统筹建设模式，统一规划调度，避免重复建设与资源浪费，实现计算资源最优配置 [19][20][21][22] - 华为提供鲲鹏CPU服务器、AI加速训练卡等关键硬件，并通过生态力量补齐异构算力调度、平台运维等系统模块 [22] - 平台以“交我算”作为统一入口，面向全校师生提供算力申请、任务管理等全套服务 [24] - 平台由一支30余人的校级计算服务团队提供支持，为科研、教学和管理保驾护航 [29] - 平台已完成下一代910C架构适配，未来可平滑升级，无需推倒重建，显著节约成本 [36] “致远一号”对科研与教学的具体支持 - 平台提供开箱即用的AI应用服务，是科研训练、教学实训与课程实验的算力底座 [2] - 在首期建设中，配置304张昇腾910B加速卡，推出国内高校首个本地满血版DeepSeek，面向全校师生开放 [27] - “交我算”团队整理了面向理学、工科、人文社科等多个学科的数百个专业提示词和案例，并部署实测多款轻量级多模态模型供师生选择 [28] - 平台大幅降低师生使用算力的门槛，提升学生动手能力及升学/就业竞争力，助力培养复合型领军人才 [30] “致远一号”已取得的科研成果 - **肖湘团队“溟渊计划”**：平台为处理近2000份深渊样本构建的全球唯一深渊生物大数据库提供全流程支撑，将算法运行效率提升九倍以上，显著压缩科研周期 [32] - **刘颖斌团队GBCseeker项目**：平台为整合基因、影像与临床信息的胆囊癌早期诊断大模型提供强算力与高可靠存储支持，参与算法构建与优化，使术前诊断准确率提升至93.3%，误诊率降低超56% [34][35] - 平台支撑的模型已应用于脑科学、合成生物、新能源等多个方向，支撑多项国家级科研成果发布 [35] “致远一号”的行业标杆意义与未来展望 - 平台为全国高校的数智化转型探索出一条可借鉴、可复制的路径，在技术标准、课程体系、管理规范到运营模式方面提供详尽“说明书” [37][38] - 对华为而言，该平台是其在教育数字化领域的成功实践，推动“交大华为模式”成为产教融合的标准范本 [40] - 华为已构建面向教育行业的“1+3”全场景解决方案体系，致力于推动协同、高效、融合的科研创新生态，助力高校技术转移和成果转化 [40] - 上海交大与华为将持续深化合作，构建可持续、自进化、世界级的AI应用生态圈，共同探索“AI+教学、科研、管理”等场景的协同创新 [30]

AI驱动的新型科研范式变革 - AI推动科研逻辑发生根本性转变，催生出以"数据密集—智能涌现—人机协同"为特征的智能化科研新范式[1] - AI实现了以智能挖掘替代假设检验，从海量数据中自主发现规律与关联[1] - AI擅长多元知识耦合，能够打破传统学科壁垒，在多学科融合中激发新知识的"智能涌现"[1] - AI驱动形成"人类提出需求—AI生成路径—机器自动验证"的全新科研组织模式，实现从发现问题到解决问题的全流程覆盖[1] - 国内外学界普遍将AI驱动的新型科研模式视为"第五范式"，强调AI所带来的科研模式重组[2] 科研范式的根本性转变 - 这一变革推动科学研究的整体结构与工作方法发生根本性变革，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[2] - AI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[2] - AI使得传统的重复性、形式化脑力工作失去意义，打破了"收集、整理、计算、生成"等工作的人类独占地位[2] - 变革在根本上改变了传统科研活动以人为主导的运行逻辑，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[2] - 超过一半甚至百分之七八十的科研工作者在其科研工作的不同阶段都会使用到AI[3] AI在科研中的参与度与能力 - 在科研的全链条中，AI能够参与的工作已经远超过一半，几乎所有的科研环节都可以有AI的参与[3] - AI大模型可以设计研究、制定研究方案、进行深度计算并完成相应的仿真模拟，最后写成论文[3] - 人类的科研工作者正在从研究主体转化为研究的督导者和检查者[3] - AlphaFold利用深度学习从序列数据中预测蛋白质三维结构，精度已接近实验水平，展示了AI直接"生成"科学知识的潜力[3] - "AI优先，分析在后"的模式正广泛出现在材料设计、生物制药、气候模拟等领域[4] 科学理论与发现的重构 - "AI优先，分析在后"的模式使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[5] - 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[5] - 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[5] - 科学发现的确证不再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[5] - "人机协同"把人类的不可替代性从"发现事实"转向"提出需求和深层诠释"[6] 人类科研主体性的重新界定 - AI拓展了科学探索的广度与效率，但目标设定、伦理判断与深层诠释仍需要人类科学家把控[6] - AI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[7] - 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，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[7] - 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[7] - AI的普遍介入将二分的知识世界划分成三个部分：人类可知的知识世界、AI挖掘或创造出的知识世界、未知的知识世界[8] 科研资源分配与均衡问题 - 数据、算力、算法以及专业人才向少数国家或机构集中确实有加剧科学研究不均衡的风险[8] - 通过建设高质量、开源的科学数据集可以降低研究门槛[8] - 鼓励拥有超大规模算力的国家、机构或企业将部分闲置算力以低价配额等形式定向开放给特定领域的全球合作研究项目[8] - 国家和科研资助机构应设立专门的算力基金，确保算力资源直接、公平地配置到具体的研究团队和项目手中[8] - 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[9] AI驱动科研的潜在风险 - AI生成可能使科学家陷入"虚假掌控感"，输出的"幻觉"信息会威胁结果可靠性[11] - 模型的复杂性与专有性会阻碍科研的可复现性[11] - AI善于捕捉相关性却弱于因果推断，在需要深度逻辑的领域可能产生误导性结论[11] - 算力与数据壁垒加剧资源集中，会导致学术"数字鸿沟"的形成，优势机构通过马太效应垄断人才资金[11] - 过度依赖AI会导致科学家批判性思维与独立研究能力退化，实验设计、理论构建等核心能力可能萎缩[11] 未来科研发展趋势 - 科研模式将从传统的"作坊式"转向平台化与集群化，整合全领域、多学科的数据、算法与模型[14] - 人类的研究能力边界将得到极大拓展，科学家通过AI可揭示隐藏在巨量噪声中的深层规律[15] - AI将从辅助工具升级为全流程科研伙伴，实现从假设生成、实验方案设计到自主执行实验乃至科学发现的全链条智能化[15] - 绝大多数的科研活动都被AI深度渗透，到了离开AI就难以开展复杂科研工作的地步[16] - 从事复杂科研工作的门槛会降低，好的想法成为最重要的，一些并非长期在专业领域工作的人就具有了进入科研工作的机会[16] 未来科学家的核心能力要求 - 科学家的核心能力正在发生根本转变，定义问题的能力成为关键，尤其是提出开创性的、高价值的AI-Ready科学问题[17] - 需要具备高效的人机协同能力，包括AI理解力、交互能力与系统统筹思维[17] - 未来的科学家要具备跨域整合与框架构建能力，成为知识结构的设计师[17] - 在人才培养上，应从"知识灌输"转向"问题驱动"，培养学生发现与定义问题的能力[17] - 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[18] 新型科研范式的治理框架 - 治理框架要围绕"谁投入、谁受益"的公平收益共享机制展开，确保贡献者获得合理的激励[19] - 构建全流程、可溯源的追踪机制，为科研活动中的核心基础资源建立唯一且永久的标识[19] - 大力推动模型与算法的开放共享，将其纳入科研激励体系，研究者贡献高质量、可复用的模型和算法应被视为与发表高水平论文同等重要[19] - 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成为衡量科研贡献的重要标准[20] - 治理框架应坚持人类的科研主体性，在成果理解、检验、发表以及科研伦理审核时人类要成为最后的裁判[21]