全国政协委员王江平：如何破除AI科学发现“堰塞湖”?
“AI科学发现正面临‘堰塞湖’困境——AI一天的预测结果，人类需要10年验证。该矛盾如同‘堰塞湖’一般，堵塞了科学发现转化为实际应用的通道。”在近日召开的“国是论坛：2025年会”上，全国政协委员、工业和信息化部原副部长王江平指出，在一系列领域，AI已展现出超越人类传统研究模式的强大能力，但大量预测成果尚未能转化为实际生产力。如何破除这个“堰塞湖”，成为我国在AI时代的“必答题”。
AI已成为推动科研进步的重要力量
王江平指出，党的二十届四中全会明确强调科技创新与产业创新的深度融合，以及高水平科技自立自强的战略目标，而随着人工智能技术的迅猛迭代，“科学发现向生产力转化”即成为实现上述两大目标的核心抓手。
目前，AI科学发现已成为推动科研进步的重要力量。以AI在蛋白质结构预测、新材料发现、药物发现等关键领域的发展为例，AlphaFold模型用18个月预测出科学界几乎所有蛋白质结构，助力两位非生命科学领域研究者斩获2024年诺贝尔奖，为疾病研究、药物研发、塑料降解提供了强大技术支撑；谷歌DeepMind的GNoME模型预测出220万种新晶体材料，其中38万种具备热力学稳定性，包含5万多种石墨烯层状化合物和500多种潜在锂离子导体，相当于为人类增加800年智力积累，极大加快了新材料研发进度。
国内相关领域同样呈现蓬勃发展的良好态势，一批代表性科研平台正加速崛起。如北京科学智能研究院、深势科技等发起“大原子模型计划”，可广泛应用于半导体、合金、有机分子等多类材料体系研发；松山湖材料实验室联合多家单位构建了智能问答式材料研发Agent系统，可根据用户询问推理出相应的材料、配方及制备工艺等。这些成果都突破了传统范式，极大提高了科研效率。
指数级增长与线性提升矛盾重重
然而，在AI科学发现成果如潮水般持续涌现的背后，也出现了新的问题。王江平指出，当前AI预测成果正以指数级速度爆发式增长，但人类的实验验证能力与产业化转化能力却仅能实现线性提升。
他以GNoME模型的成果转化为例：在其预测的38万种稳定材料中，仅有736种完成实验验证，验证率不足0.2%。“这意味着，AI单日产生的预测成果，人类往往需要10年甚至更长时间才能完成全面验证。更令人担忧的是，大量预测成果最终仅停留在学术论文层面，未能实现产业化落地，既无法释放其应有的产业价值，还造成了科研资源与算力资源的低效占用，形成了资源浪费与转化梗阻的双重问题。”
他将这种现象比喻为“堰塞湖”——上游AI预测能力汹涌澎湃，下游验证与产业化通道却狭窄不畅，“湖水”不断积聚却难以泄流。
分析造成的原因，王江平认为，一是预测模型自身存在局限。当前许多AI模型在逻辑推理与知识深度上仍有不足，受数据集质量制约，难以将复杂科学原理转化为可靠的实验逻辑。模型普遍存在的“黑箱特性”与“幻觉风险”，不仅可能误导科研方向，还可能引发实验安全隐患，而模型的目标推导精准度也有待进一步提升。
二是缺乏统一的标准与评估体系。科研人员往往进行大量重复、无序甚至低价值的计算预测，跨机构、跨平台的研究成果难以互认互用，降低了整体科研效率。
三是实验验证能力严重不足。现有标准化实验室的适配性与柔性化水平不足，难以满足AI自主验证的灵活需求。设备之间、平台之间数据与物料交互困难，“数据孤岛”“设备孤岛”现象突出。此外，感知、决策、执行环节相互脱节，跨实验室协同网络尚未建成等，进一步加剧了验证能力的不足。
四是政策、投资、人才等多方面制约。如科技伦理安全审查周期长、风险高；资本多聚焦IPO阶段，对小试、中试等验证环节投入不足；既懂科研又通AI、善分析的复合型人才稀缺；机器人自主实验还存在安全风险与管理空白等。
加快培育“巴斯德象限”研究者
针对这些问题，王江平“对症下药”，提出了五大系统性对策建议：
一是推进高质量数据集、高价值知识中心及AI预测成果评估标准体系三大核心载体的构建。他呼吁在重点行业建立公共的高价值数据共享中心，构建高精度、长序列、多模态的公共数据集，减少重复劳动；同时建立权威的AI预测结果评估体系，为成果筛选与流转提供依据。
二是加快AI自主实验室的研发与部署。“当前机器人多在跑马拉松、唱歌跳舞，我更呼吁将自动化实验室、机器人自主实验室作为AI预测成果实验验证的主战场。”王江平表示，应通过开源、模块化降低建设门槛，探索“人在回路”的混合增强智能模式——人类负责设定高阶目标、处理异常和进行关键决策，AI系统则负责执行烦琐、重复或危险的任务；并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，提升实验室的整体智能化与协同水平。
三是强化中试平台建设，发挥我国应用场景丰富的优势。王江平指出，从实验室“小试”到产业化“中试”，是成果转化的关键一跃。而应用场景开放则是突破这一环节瓶颈的核心抓手。令人欣喜的是，这一问题已得到国家层面的重视，他特别指出，近期国家相关部委已出台关于场景开放与中试平台建设的专项政策文件，为破解工程化转化堵点提供了坚实的政策保障，有望加速推动技术成果与产业需求的精准对接。
四是深化产学研合作，培育“巴斯德象限”研究者。王江平详细阐释了“巴斯德象限”的内涵：这一范式特指兼具基础研究探索与应用价值导向的科研模式。他以巴斯德的科研实践为例，这位科学家在解决法国葡萄酒变酸、牛奶变质这一产业实际难题的过程中，敏锐发现特定温度区间杀菌效率最优且低温可抑制细菌繁殖的规律，进而发明了巴氏消毒法——这一成果不仅彻底解决了当时的产业困境，更推动了细菌学学科的建立与发展，成为“巴斯德象限”的经典范本。更具说服力的是，《Science》杂志近期刊发的研究成果证实，同时发表论文和申请专利的“巴斯德象限研究者”工作更具创新性和影响力，解决实际问题的动机和跨领域的研究能激发更大的创造力。
五是推动AI for Science与AI for R&D有机协同。王江平认为，前者主要聚焦“从0到1”“1到2”的基础创新突破，解决“卡脖子”的科学原理问题；后者侧重“从3到10”的产业化推进，解决技术落地的工程化问题。要实现两者的高效协同，既需要推行“揭榜挂帅”机制，由企业根据产业实际需求出题，科研机构组织力量精准攻关，确保创新方向与产业需求同频共振；同时，还应探索政府沙盒监管模式，实施“输入—输出”全流程管控，将中间研发环节的自主权充分赋予科研人员与企业家，最大限度释放创新活力。
立足科研、产业、政策三大维度，王江平建议，科研工作者应主动走出“象牙塔”，对接产业需求、贴近应用场景，成长为兼具基础研究能力与成果转化素养的“巴斯德象限”研究者；企业家需秉持敢为人先的创新精神，勇于尝试新技术、积极探索新技术应用场景，成为推动技术成果产业化落地的“先行者”；政策制定者则应顺应人工智能时代发展趋势，主动重构科技创新与成果转化的制度规则，为AI科学发现成果转化营造开放包容、安全有序的制度环境与发展生态。
值得关注的是，国际层面的科技竞争已然开始——美国推出的“创世纪计划”，通过整合全国算力与数据资源赋能科学研究，提出未来10年科研成效与影响力翻倍的目标，该计划被业界视为新时期的“曼哈顿计划”。在王江平看来，这一计划背后既折射出美国的科技焦虑，更显示了其巩固人工智能时代科技霸权的战略考量，而这恰恰凸显了我国加快推进AI科学发现产业化进程的紧迫性与必要性。“这是时代赋予我们的必答题。”
