以有组织科研驱动科学基础模型发展
[2026-05-08] [新闻来源：科技日报]
◎魏玉君
国务院《关于深入实施“人工智能+”行动的意见》提出，探索人工智能驱动的新型科研范式，加快科学大模型建设应用。
当前，人工智能正在从科研辅助工具转变为科学发现的重要驱动力。与通用大模型相比，科学基础模型面向的是复杂科学问题、多模态科学数据和真实科研场景。推动科学基础模型高质量发展，关键在于以有组织科研统筹科学问题、数据资源、算力平台、模型工具和实验验证，提升智能科研的体系化能力。
科学基础模型建设是科研全链条系统工程
科学基础模型不是简单把通用大模型迁移到科研领域，也不是单纯追求参数规模。科学研究中的数据和任务具有鲜明专业属性。
一个有价值的科学基础模型，应当能够服务问题发现、假设生成、实验设计、模拟预测、结果验证和工程应用等多个环节，而不是停留在问答、检索和文本生成层面。比如，在新材料研发中，模型不仅要能总结文献，还要能基于性能需求辅助生成候选结构，并与实验或仿真平台联动验证；在生命健康领域，模型要能识别基因序列特征，还要能与疾病机制研究、药物研发、临床数据分析形成闭环。
近期，国内高能级创新平台已在科学基础模型方面开展探索。以之江实验室021科学基础模型为例，其面向地球科学、天文学、生命科学、材料科学等领域，探索跨学科知识、跨领域推理和跨语言理解能力，尝试把科学数据与文本语料映射到更统一的表达空间。这类探索说明，科学基础模型建设本质上是科研全链条的系统工程，离不开科学家、算法工程师、数据工程师、实验平台和应用场景的深度协同。
协同机制不足仍是当前突出短板
科学基础模型建设正在加快推进，但从技术探索走向规模化应用，仍面临一些现实挑战，主要体现在以下几个方面。
一是科学数据分散，难以形成高质量训练和验证底座。大量科研数据伴随项目、论文和实验过程产生，分散在不同团队、平台和设备中。由于数据标准、标注体系、质量评价、安全分级和开放共享机制不完善，许多数据“能存储、难复用”，“有价值、难汇聚”。如果缺少稳定、可信、可追溯的科学数据集，科学基础模型就难以持续迭代，也难以形成可验证的科研能力。
二是模型研发与真实科研任务衔接不够。科学基础模型必须在真实科研任务中接受检验。现实中，一些团队掌握前沿科学问题和实验场景，却缺少模型、算力和工程化支撑；一些平台具备算力和模型能力，却缺少稳定的高价值科研任务；一些模型可以完成演示性任务，但在复杂实验环境、长期数据观测和工程应用场景中稳定性不足。任务、模型、平台、场景之间若不能形成闭环，模型能力就难以沉淀为科研生产力。
三是传统科研组织方式难以完全适应智能科研需求。科学基础模型建设周期长、投入高、链条复杂，涉及数据治理、算法研发、算力调度、平台建设、实验验证和成果转化等多个环节，单个课题组或短周期项目难以独立完成。同时，现有评价体系对论文、项目、奖项等结果性成果关注较多，对高质量数据集、开源模型、算法工具、实验平台、标准规范和团队协作贡献的认可还不充分，影响科研人员参与基础性、平台性工作的积极性。
以有组织科研提高模型建设质量
推动科学基础模型高质量发展，应把技术创新和组织创新结合起来，以有组织科研提升资源配置效率和协同攻关能力。具体而言，可从以下几个方面发力。
一是以重大科学问题牵引模型建设方向。科学基础模型不能脱离学科前沿和国家战略需求。应聚焦新材料、生命健康、能源环境、地球系统、空天科技等重点领域，凝练一批适合人工智能深度参与的科学问题和技术任务，建立从问题提出、数据汇聚、模型研发、实验验证到应用反馈的闭环机制。通过重大任务牵引，避免模型建设碎片化、重复化和概念化。
二是以高能级平台统筹数据、算力、模型和场景。高水平研究型大学、新型研发机构等高能级科创平台，具有资源集聚、跨域协同和长期攻关优势，应在科学基础模型建设中发挥枢纽作用。要推动科学数据集、智能算力、模型工具链、自动化实验系统和应用场景协同建设，加强平台之间标准衔接和能力开放，让分散资源转化为可持续迭代的智能科研能力。
三是完善适应科学基础模型建设的评价激励机制。对科学基础模型相关工作，既要考量论文和专利，也要重视数据集、模型工具、软件平台、标准规范、应用验证等成果贡献；既要关注个人突破，也要认可团队协作和平台支撑；既要鼓励自由探索，也要支持长期性、基础性、交叉性攻关。
科学基础模型正在为人工智能赋能科学研究打开新空间。能否把模型能力转化为科学发现能力的关键不仅在技术本身，也在于能否形成与之匹配的有组织科研机制。以重大科学问题为牵引，以高能级平台为支撑，以制度创新为保障，才能更好释放科学基础模型潜力，为高水平科技自立自强和新质生产力发展提供有力支撑。
（作者系之江实验室发展战略与合作中心副研究员）
