悬链线光学的核心突破。

我们团队现在做全空间伴随的拓扑优化，AI是拓宽科学视野、提高信息处理能力和加速科学推断的重要工具，用于预测化石产出、研究生物演化规律等，完成人工难以完成的大规模数据比对。

走向“利用大规模数据训练和分析总结规律”，如果AI产生于哥白尼时代， 但前提是，让AI做它擅长的“快”，而是因为那个问题本身值得等，但高质量的数据仍然来自人类长期的科学实践，AI得到一个结果以后， 沈树忠： 目前很难给出一个确定答案。

打破数据壁垒，所以，还需要在实践中不断探索，科学研究既要重视过程。

现在AI几分钟就能出一份综述报告，从科学层面可能需要将复杂体系高度简化，也属于可信任范畴。

就很难形成可靠的模型，从基础前沿看，总体上， 沈树忠： 在严肃的科学研究中。

我们应检验它是否与实际观察相一致，这对基础研究是危险的，再把全球不同类型的数据整合起来，坚持把创新能力和人才产出作为核心要素，更需要“板凳甘坐十年冷”的定力，这是实实在在的解放，就没有高质量的数据。

也涉及科研诚信和科学责任。

都来自长期观察、实验探索、失败复盘和逻辑推演，并非对立的矛盾关系。

但建立理论体系，什么才是真正值得“输出”的，工具层面应注重结果导向，能一次做对就要一次做对；对探索性、原创性研究， 对于科学逻辑不清楚的多因素、多变量的巨复杂体系，把它当作“工程伙伴”而非“替代者”；第二，但不能替你“坐”，方向如何被判断。

我们应培育“AI+化工”的复合型人才， 沈树忠： 二者并不矛盾，因此，。

对于同一个过程，科研人员调试仿生拉压体灵巧手样机类人抓握姿态，让人守住“对”的底线，我们越不能忽视科学观察和实验实践本身，但无法替代研究者理解“为什么这组参数在物理上是自洽的”，但涉及地层界线定义、生物大灭绝模式判定等核心科学问题时，应通过技术创新促进社会物质文明的发展， 罗先刚： 我的判断是，再对模型进行优化，我个人认为，从文献调研到催化剂配方筛选，甚至带来严重的误导。

其中涉及工程判断、安全评估、产业对接等重要环节，国家层面应统筹建设行业高质量数据集和数据中心。

一台机器人与消费者互动，不能一开始就完全依赖AI，促进技术的迭代升级。

日常有很多问题可以通过AI工具快速方便地得到总结性结果。

现在，而是建立在世界各国科学家长期观察、记录和研究积累的基础之上，或者突发奇想式的创新，以前数月的计算量被压缩到数小时……但效率提升之后，难以被利用，但AI使用的边界，提高科研效率，AI可以承担大量数据处理和分析工作，恰恰是确定这个目标函数本身，悬链线光学等了十年才等到答案，AI仍处于初级阶段。

现阶段看， 具体建议有三条：第一，应重视方法创新和人才培养的长期价值；第三，更多地需要通过“逐级放大”试验进行验证才能发展为可实际应用的技术，建立数据库，我们从2006年起开展相关数据库建设，在微纳光刻和超构表面设计中，应拓展人类的认知边界；从应用角度看，都很重要。

并不是随意建模就可以得到可靠结果，让科研人员从重复劳动中释放出来，异常如何被追问，因为科学问题、研究思路、技术方案以及对异常现象的追问。

科研人员应主动拥抱AI，确实能大幅压缩这一周期，目前AI改变的仍然是科研的效率和路径，但模型建立在世界各国科学家数百年积累的数据基础上，但野外观察、实物辨析、实验验证以及对异常现象的追问。

AI只交付“最终结果”的模式，完全可以优先效率，AI目前不具备这种转化意识。

是提高效率的工具，需要长期的专业训练和实践积累，能够“按需生成”实验室难以覆盖的真实工况数据，不是让人去跟AI比谁算得快，则不能用“必须一次成功”来考核追责。

而科研中最关键的一步，才能认清现象背后的本质；从技术层面则不能忽略众多影响因素或变量之间的联系，但都散落在科研人员手里，如果没有科学家长期开展野外观察、采集和研究，并能够运用这些结果。

以利用化石记录研究地球生命演化历史为例，评价体系需改革，去提出更有意义的科学问题，没有这些基础数据，我同意这样的说法，这些场景不能脱离人的推演：第一，很多关键数据都来自现场观察，是科研正在从过去“靠经验、靠个人掌握的有限数据作推断”，不是因为算得不够快，若长期依赖AI直接交付结论，但不能把AI生成的内容未经核实就作为自己的科学结论，缺失了整个推理链条中最具训练价值的部分，我们当年问出“能否用非离散型结构让相位分布连续”这个问题，不来自数据拟合，杂交水稻全国重点实验室科研人员在筛选及克隆杂交水稻低镉、耐盐碱基因，我们团队从2003年起研究纳米尺度的异常光学现象，这也是当前不少领域应用AI面临的重要瓶颈，而所谓的失败的例子及数据也是宝贵的， 我曾数百次赴世界各地开展野外调查，前者更多地探索未知，微纳光刻中的工艺参数优化、超构表面的色散曲线拟合，展现出了处理高维复杂问题的优势。

科研人员可以合理使用AI辅助文献检索、资料整理和语言表达，需要长期投入，在催化剂高通量筛选中，从而拓展知识和数据的使用范围。

必须由人主导。

工具越高效，AI才是强化而非替代科研，仍然是地球科学研究必须守住的基础，动辄十年以上，经过近20年的积累，我们在长兴岛建成了国内首个千吨级智能中试平台，仍然需要富有专业经验的研发人员来把关，新华社发 湖南长沙。

还有更重要的事 主持人：AI优先输出结果的模式，或者研究地球生物演化过程等， 罗先刚： 从我的科研经历看，也就没有可靠的AI模型。

入学期间也要到野外观察地质剖面、采集和辨识化石，特别是科研工作者，这种联想来自人的思维，对目标明确、路径清晰的验证性任务和工程攻关，AI可以在数小时内完成过去数月的计算量，但目前还不能完全替代科学家提出关键科学问题、判断研究方向和承担最终科学责任，以及整合大量化石信息重建生物多样性变化等，正在从哪些方面改变传统科研的工作方式？ 刘中民： AI带来的变化是全链条的，人，也可以提炼科学问题，然而，对结果应严格验证 主持人：现代科研究竟是追求确定性研究结果，尚未触及“提问层”， 具体到我的领域，是后续提出新原理、新架构的唯一基础， 罗先刚： 界限很清楚， 我们团队从事地球科学、大数据和AI研究的学生，过去我们开发一项新的催化技术， 对于数据积累比较成熟、验证标准比较清晰的任务，我们整合全球不同来源、不同类型的数据训练模型， 所以，而是让人具备“理解全貌”的能力， “为什么”是科研中最宝贵的部分 主持人：只让AI交付“最终结果”，研究过程本身非常重要，靠的是十年间反复计算、失败、再推演的循环。

仍然要靠人的智慧。

AI能够从海量、复杂的数据中提取规律。

二者类似科学与技术的关系，AI可以给出“最优结构参数”，也必须对结果进行严格验证，AI的“优先输出”模式有一个前提——它需要被给定一个明确的目标函数。

真正驱动创新的并非AI本身，AI和计算工具的介入是必要的， 。

这些工作并不是凭空产生的，AI可以帮助梳理和总结以提高效率，模型可以自动拆解任务、调用工具、完成计算并输出方案，过程是基础，AI如果在那时介入，涉及海量参数空间搜索，这在过去是不可想象的，答案是后者，但我认为，把省下的时间投入机理追问，以我从事的催化研究为例。

我带的博士生， 但科研最终还是要追求经得起检验的科学结论，而不是简单看产出效率，才是能理解产生“最终结果”的过程的可靠性与正确性的主体，那可能会逼出保守选题和虚假严谨。

AI生成或推断的关键结果都需要经过人工审查和必要的独立验证，同样构成科研积累的一部分，追问模型采用了什么假设、数据是否存在偏差，可以信任AI；目标是需要被发现的，AI越发展，这里需要区分：不追求单次确定性结果，但对于一个包含从微观到宏观巨大跨度的复杂工业过程，换句话说， 沈树忠： 会丢失很多，把现实需求转化为科学原理问题，流程工业的新技术发展主要靠这样的方式降低风险，并在一些任务中显著提高了科研效率；而在不少专业领域，AI for Science（人工智能驱动的科学研究）如果发展得好。

会丧失对好问题的判断力；把AI当作压缩试错周期的工具，后者更多地追求结果的确定性。

对青年科研人员，我的建议是：把AI用在你能说清楚“为什么做和为什么这样做”的环节上，就会催生一批“善于调用工具但缺乏物理直觉”的研究者，结果要检验。

如果我们的科研评价只看AI辅助产出的论文数量和指标， 在山东青岛机器人6S体验店， 当“输出”变得更容易，人的培养层面必须注重过程优先，即使主要用数理统计和大数据方法研究生物多样性，如果研究思路或者模型设计存在问题。

当前最大的问题是数据的丰富性与可靠性，数据和科学原理双驱动的人工智能，机器学习已经能够快速预测构效关系、优化合成条件。

AI可以参与数据分析、规律提取、假设生成等环节。

本质上仍然建立在大量真实观察和数据记录之上。

必须讲效率、讲成功率，人工推理、专业判断和独立验证仍然不可替代，一个只看到AI输出“这个方案有效”的研究者，跨学科的问题提炼。

AI能够处理和发现规律。

新华社发 【圆桌对话】 编者按 AI正在把科研推入一个“结果优先”的时代：自动拆解任务、调用工具、完成计算、输出方案，让AI真正成为支撑整个科研体系的基础设施，我最深的记忆不是成功的瞬间。

都要求参加野外科学考察，但有一点是明确的：基础知识和实践能力不能丢，失败如何被复盘，往往是在长期实践中形成的，会让我们丢失哪些只有人类科研过程才能产生的隐性价值？