单击上方“图灵人工智能”，选择“星标”公众号

您想知道的人工智能干货，第一时间送达

2026 年 8 月 21 日，北京中关村。2026 科学智能大会开幕。全体会议上，一位数学家作了题为《开启 AI for Science 的下半场——人工智能时代的科研体系探索》的报告。他的判断是：科学智能已进入"下半场"，重心正从人工智能方法探索，转向人工智能时代科研体系的系统性变革。他叫鄂维南。中国科学院院士，北京大学数学科学学院讲席教授，北京科学智能研究院院长，曾任普林斯顿大学数学系教授二十余年。2020 年 ACM 戈登贝尔奖得主——那是国际高性能计算领域的最高奖。

而这篇文章想说的是：在整个中国 AI 的话语场里，鄂维南可能是立场最特殊的一个人。因为他几乎从不参与"什么是智能""AGI 什么时候到来"这类争论。他看深度学习的方式，和绝大多数人完全不同——在他眼里，那不是一台会思考的机器，那是一件数学工具。

一、先说清楚他等了几十年的那个敌人

要理解鄂维南，必须先理解一个词：维数灾难。这个词对非专业读者听起来很陌生，但它其实极好懂，而且它是理解 AI 究竟改变了什么的最短路径。

他自己的解释是：

"维数灾难是什么意思？就是随着变量的个数或者维数的增加，计算复杂度是指数增加的。从数学上来讲，它也有一个基本的困难，也就是多项式在高维不是一个有效的工具。"

翻译成大白话：一个问题如果只有三五个变量，人类有一整套成熟的数学工具去算它。但如果它有一万个变量，计算量不是变成一万倍，而是指数级爆炸——爆炸到无论你有多少台超级计算机都算不完。

而现实世界的问题，几乎全是高维的。他数十年的研究生涯，几乎都在和这堵墙作战。而他对这段经历的总结，坦率得有些扎心：

"很不幸，过去研发的算法，大多困在'理想实验室'里——能求解简化模型，却对真实世界的复杂问题束手无策。"

这句话值得停一下。它说的是：过去几十年里，应用数学家做出了大量漂亮的算法，但这些算法能处理的，是被简化到失真的理想模型。真实世界的材料、真实世界的分子、真实世界的湍流，它们的维度太高了。

他给出的后果诊断更加尖锐：

"做理论的人、做实验的人和做实际场景这三个团体差得非常远，理论化学、实验室的化学和实际工业应用的化学，这些场景差距很远。"

请记住这句话，它是本文后面一个重要判断的来源。大约十年前，深度学习兴起，他意识到——破解维数灾难的钥匙，来了。

二、他对深度学习的重述：替代的不是人，是多项式

这一节是全文的题眼。绝大多数人是这样理解深度学习的：一台机器学会了像人一样识别图像、听懂语言、下赢围棋。也就是说，深度学习被理解为对"人类智能"的模仿。鄂维南的理解完全不同，而且要冷静得多。他讲图像识别，是这样讲的：

"给了你一个图像，你必须告诉我这个图像的内容，那么从图像到内容，这就是个函数，这个函数有多少个维度？……每一个图像都可以看成是 3072 维空间的一个函数。那么这样的高维函数以前我们是根本没办法处理的。"

他讲 AlphaGo，是这样讲的：

"围棋的最佳策略实际上是一个 Bellman 方程的解，所以说 AlphaGo 做的事情实际上在试图解一个 Bellman 方程。"

然后是那句结论：

"这两个例子，图像识别是在逼近一个高维函数，AlphaGo 是在解一个超大空间的 Bellman 方程……这些例子都有一个共同的特点，他们在处理一个非常高维空间的数学问题。"

"因为神经网络可以帮助我们来有效地表示或者是逼近高维空间的函数，多项式不行，而深度神经网络是一个有效的替代品。"

注意最后一句：深度神经网络替代的是多项式。

这是本文第一个判断，也是理解鄂维南全部工作的钥匙：在他这里，深度学习不是"机器变得像人"，而是人类第一次拿到了一件能在高维空间里有效逼近函数的数学工具。它替代的不是人，是多项式——那个统治了数值计算三百年、但在高维彻底失效的老工具。

这个重述带来的第一个后果，是一种彻底的去魅。当你把"AI 会识图"重写成"这是在逼近一个 3072 维函数"，两件事同时发生了：神秘感消失了，而适用范围变得清晰了。

推论：判断 AI 能不能干某件事，最有效的方法不是看它像不像人，而是问——这件事能不能被写成一个高维函数逼近问题，或者一个高维最优化问题？能，它大概率有戏；不能，再像人也没用。

这个判断标准，比"AI 能力有多强"这类讨论有用得多，因为它是可操作的。而这个重述带来的第二个后果更大：如果深度学习的本质是一件高维数学工具，那么它最该去的地方，就根本不是互联网。这正是他的原话：

"我个人认为，传统的科学领域，就是化学、材料、电子工程、化学工程、机械工程生物等，才是人工智能更大的主战场。"

三、学术背景：柯朗学派的血脉，与两次台阶

他的路径是纯粹的计算数学血统。1982 年毕业于中国科学技术大学数学系，1985 年在中国科学院计算中心获硕士学位，1989 年在美国加州大学洛杉矶分校（UCLA）获博士学位。此后在普林斯顿大学数学系任教二十余年。他被归入柯朗学派——那个以"数学必须与实际问题保持接触"为传统的应用数学谱系。

他的荣誉序列，几乎覆盖了应用数学的所有顶级奖项：2003 年国际工业与应用数学协会 Collatz 奖，2009 年美国工业与应用数学学会 Kleinman 奖，2014 年 Theodore von Kármán 奖，2019 年 SIAM–ETH Peter Henrici 奖，2022 年获国际工业与应用数学联合会麦克斯韦奖。2011 年当选中国科学院院士。而 2020 年那个 ACM 戈登贝尔奖，是唯一一个不属于数学界的——那是超算界的最高荣誉。关于这个奖，他本人的评价方式很能说明他的价值观：

"我认为重要的不是 Gordon-Bell Prize，而是说我们第一次看到把机器学习、科学计算和高性能计算这三大最主要的工具结合在一起，我们有多么大的空间可以实现。"

这里还有一段他讲过的历史观，我认为是理解他全部判断的框架：他说，研究科学有两大基本目的：第一是寻求基本规律，第二是解决实际问题。而"从寻求基本规律，尤其是基本原理这个角度来说，当 90 年前量子力学建立以后，这个任务基本上完成了"——当然并不是彻底完成。然后是关键的一段：人类真正的进步，是从上世纪 50 年代有了电子计算机开始。在此基础上发展出差分方法、有限元方法等一系列数值方法，人们才第一次大规模地实现了用基本原理解决实际问题。"在这之前，虽然有基本原理，有确定的方程，但是用它来解决实际问题是非常困难的，几乎做不到。"而这些方法有一个共同的出发点：用多项式来逼近一般的函数。

这是本文第二个判断：他实际上在讲一个两级台阶的故事。1950 年代的电子计算机加上多项式逼近，是第一级台阶——它让"用基本原理解决实际问题"第一次成为可能，现代工业和技术就建立在这级台阶上。而深度学习是第二级台阶——它让同一件事，第一次在高维上成为可能。他不是在讲一个新技术，他是在讲同一条路径上的第二次跃升。

理解了这个框架，就能理解他为什么对"AI 是不是智能"完全不感兴趣。因为在他的叙事里，AI 接替的是有限元，不是接替人。

四、那个让他拿到戈登贝尔奖的具体突破

抽象讲了这么多，需要一个具体案例落地。而分子动力学这个例子，是最好的一个。分子动力学要解的方程，其实很朴素——就是牛顿方程。

难在哪里？他的解释是：难在描述原子和原子之间相互作用的势能函数。过去有两条路：
第一条是猜。"如果能猜得出来当然是非常好，但是猜出来可能性有多大？所以这个方法非常的不可靠。"

第二条是 1985 年发展起来的第一性原理方法——通过量子力学模型，每一步在线地把原子间相互作用力算出来。"它非常的可靠，但是它只能处理很小的体系，1000 个原子就到顶了。"

请体会这个困境：一条路可靠但只能算一千个原子，另一条路能算大体系但不可靠。

而 2020 年，他与张林峰、贾伟乐、王涵、林霖、陈默涵、路登辉以及 Roberto Car 组成的团队，用机器学习做出的结果是——在保持第一性原理精度的前提下，把分子动力学模拟推到了 1 亿个原子的量级，效率是此前人类基线水平的 1000 倍。

从 1000 个原子到 1 亿个原子，是五个数量级。

这是本文第三个判断：这不是"同一件事做得更快了"，这是"一件原本做不了的事现在能做了"。1000 个原子只能算一个理想化的模型片段，1 亿个原子可以算一块真实的材料。而这两者之间的差别，就是"发论文"和"能用来设计东西"之间的差别。

这也正好回应了第一节那句诊断——理论、实验、工业三个共同体之间的距离，是被这种量级跃迁缩短的。

五、小农经济与安卓模式：科研的工业化

如果说前面讲的是方法，这一节讲的是他更大的野心：改造科研这件事本身的组织方式。他的原话是一个非常生动的比喻：

"我个人认为，现在做科研，做理论的也好，做实验的也好，它基本上是一个'小农经济'的模式。整个过程需要好多年，是效率非常低下的模式。"

"以后的模式是什么？就是'安卓模式'，我们有一个统一的大平台，这个大平台是我们大家一起贡献的，那么这个平台就提供了我们最基础的模型，比方说分子动力学模型，你需要什么体系，只要在这个平台上做简单的应用开发就可以了。"

这个比喻的价值，在于它一句话点破了传统科研的低效根源：不是科学家不够聪明，是每个课题组都在从零重建同样的基础设施。就像每个农户都要自己种粮、自己织布、自己打铁。

而"安卓模式"的含义是：把那些所有人都需要的基础能力沉淀成公共平台，让研究者只做真正属于自己的那部分创新。这不是空谈——他把它做成了具体的东西：

• 北京科学智能研究院
  （AI for Science Institute, Beijing），2020 年底在北京市支持下成立，是首个以"AI for Science"为主题的国际研究机构。
• "玻尔科研空间站"，2025 年 3 月上线。他的描述是："'玻尔'既是门户，能让科研人员方便找到资源；也是超市，能让开发者便捷部署科研工具。"这个集图书馆、计算中心、实验中心、教室功能于一体的平台，据其介绍，截至 2025 年 11 月用户量达 175 万，年底目标 600 万。
• 科学基座模型 Innovator 与通用科研智能体 SciMaster，被他称为搭建在"地基"之上的核心引擎。

关于 SciMaster，他举了两个例子：

"在理论物理领域，它求解量子 Bose-Hubbard 模型临界温度的问题，从理解问题、设计算法、实际计算到撰写论文，全程自动化完成，文章质量达到可发表水平。"

北大元培学院两名学生仅用一周就基于 SciMaster 开发出燃烧仿真智能体，而过去这类工具研发往往需要数年。

这是本文第四个判断：科研的工业革命，不发生在实验室里，发生在实验室之间。制造业的效率跃迁不是靠某个工人更熟练，是靠标准件、流水线和供应链；软件业的效率跃迁不是靠某个程序员更聪明，是靠开源库、包管理器和云计算。科研是最后一个仍以作坊方式运转的高价值行业——而他要做的，是把它工业化。

这个判断对企业同样成立：一家公司的产出效率，很少取决于最优秀的那个人有多强，更多取决于第二个人能不能低成本地复用第一个人做出来的东西。

六、最锋利的一刀：论文只是中间态

这是他所有观点里最"越界"的一条——因为它谈的不是技术，是制度。他的原话：

"必须打破'唯论文'，论文只是中间态，想法、数据、工具、实际效果都应成为评价指标。"

而 2026 年 8 月 21 日那场报告，他把话说得更重：

当前科研体系以论文发表为核心衡量标准，客观上稀释了"自由探索"与"科学发现"的初心。

"稀释"这个词用得很克制，但意思很清楚。为什么一个应用数学家会去谈评价体系？因为这是他做的事情的直接障碍。做一个所有人都能用的开源平台，发不了顶刊；把一个算法工程化到能在工厂里跑，发不了顶刊；花五年时间验证一个方向是不是千载难逢的机会，这五年里发不了顶刊。

而一个组织奖励什么，就会得到什么。

这是本文第五个判断，我称之为"中间态陷阱"：论文本来是科学发现的记录方式，是中间产物；但当它成为唯一的考核终点时，它就会取代目标本身——人们开始为了产出记录而选择课题，而不是为了解决问题而产出记录。

这条判断的可迁移性极强，因为它在任何组织里都成立：KPI 之于经营，报表之于管理，Demo 之于产品，PPT 之于战略——它们全都是中间态。而每一个组织都在重复同一个错误：把最容易被度量的中间产物，当成了目标。

他给出的破局方向也很具体："现在玻尔平台已覆盖大量科研工作者，能够为新评价体系的建立提供基础。"换句话说：想改评价体系，光呼吁没用，得先有一个能记录"想法、数据、工具、实际效果"的基础设施。而他最后那句话，是整个 AI for Science 主张的落脚点：

"AI for Science 不是简单的技术赋能，而是要让科研回归解决真问题的本质。"

七、他的七条基本假设

把上面的判断反推回去，可以还原出一组支撑他全部选择的底层假设。

假设一：科学的两大目的中，"寻求基本规律"在量子力学建立后已基本完成，今天的瓶颈在"解决实际问题"。这是一个极大胆的假设，也是他全部工作的起点。如果你不接受这一条，后面全部不成立。

假设二：阻碍"用基本原理解决实际问题"的根源，是维数灾难——而且这是一个数学问题，不是算力问题。

假设三：深度神经网络是高维函数的有效逼近器。这一条是他与主流 AI 叙事最大的分野：他把深度学习的有效性看作一个数学性质，而不是一个经验奇迹。这也意味着——它的适用边界，原则上是可以被数学刻画的。

假设四：因此 AI 的主战场在传统科学与工程领域，不在互联网。

假设五：科研效率的瓶颈不在个人智力，在组织模式。小农经济与安卓模式的对立。

假设六：评价体系决定研究方向，所以改评价体系是技术问题的一部分，不是技术之外的事。

假设七：中国在这件事上有系统性的先发机会。

他的判断是："美国很重视 AI for Science，但竞争力主要来自谷歌等企业，集中在生物医疗、材料等领域，缺乏系统布局；新加坡等国刚起步。中国是最重视的国家，且布局更系统，基础设施建设已处于领先水平。"并给出了那句最重的话："AI for Science 是我国科研千载难逢的超车机会，没有'之一'。"

这句话他自己说明了来历："2017 年我在团队内部讨论时就这样说过，但是到 2022 年才在公众场合宣之于口，因为论证了 5 年，我们明确这个机会就是千载难逢的。"一个判断在内部憋了五年才公开说——这个细节，比判断本身更能说明他的方法论。

八、产业影响：从一块材料到一个平台

AI for Science 的产业影响，容易被讲得很虚。这里只讲有明确落点的部分。

第一层是方法层的直接产出。分子动力学从 1000 原子到 1 亿原子的量级跃迁，直接影响的是材料设计与药物设计——因为这两件事的本质，都是在原子尺度上预测宏观性质。在此之前，新材料研发高度依赖试错和经验；量级跃迁之后，"先算后做"第一次具备了工程可行性。

第二层是产业组织层。
2018 年，他鼓励张林峰、孙伟杰创立深势科技（DP Technology），目的是推动实际落地，并通过企业融资获得必要的资金支持。这个安排本身值得注意：他没有把成果留在实验室，也没有自己下场做 CEO，而是推动学生去创办公司，把研究院与企业分开——一个做基础设施和开源，一个做商业化落地。

第三层是基础设施层，也是他现在投入最大的一层。
玻尔科研空间站、Innovator、SciMaster，加上他提到的一批重大项目——中国科学院院士黄三文等人提出的"植物星球计划"，以及数字细胞、材料基因组计划等——他的判断是，这些"都是能改变科学格局的重大项目，也是 AI 使其成为可能"。

而 2025 年 6 月前后他还提出了一个更大的框架：AI 赋能研发，推动"大科研时代"到来——在不远的将来会构建一个融合"图书馆、教学楼、超算中心、实验室"的科研平台。把这三层串起来看，会发现一个特点：他做的每一件事，本身都不直接产生收入。

算法是开源的，平台是公共的，评价体系是给所有人用的。这是一种典型的基础设施型投入——回报周期极长，收益高度分散，且大部分不会记在建设者名下。而这类投入的判断标准也因此不同：不该问它今年赚了多少，该问没有它的话，多少人做不成事。

九、四条应该被说出来的边界

第一，他自己给出的能力边界，相当克制。
他公开表示：虽然出现"AI 爱因斯坦"的可能性不大，但出现蛋白质结构预测模型 AlphaFold 级别的成果应该不远。这句话把期待值压得很低——AI 能大幅加速"在已知框架内求解"，但"提出全新框架"这件事，他并不认为近在眼前。这与产业界流行的"AI 将自主做出重大科学发现"的叙事，距离不小。

第二，资源短缺是他反复提到的现实困境。
他的原话是："相对于要实现的宏大目标而言，我们团队一直处在资源短缺的困境之下。"这句话从一位院士口中说出来，本身就是一个信号。他还提到，2025 年 8 月与丁洪、汤超共同组织的一场务虚会上，参会的年轻前沿学者"讨论未来可能突破的方向时很有想法，但一提到资源支持就有些悲观"——"最有创新活力的往往是年轻团队，却在资源分配中处于劣势。"

第三，他明确指出了短板：高端科研仪器和设备依赖进口是潜在风险。
这一条在"基础设施领先"的判断旁边，构成了一个必要的平衡——软件和平台可以自己建，但干湿闭环里的"湿"，需要真实的仪器。

第四，这一条是我要补充的：AI for Science 的验证周期极长。
一个新材料从计算预测到工业量产，通常以年计。这意味着这个领域的成功很难在短期内被证实，也很难被证伪。

而这既是它的从容，也是它的风险：一个无法被快速证伪的领域，容易积累无法被识别的错误。相比之下，大模型每三个月一次的榜单更新虽然浮躁，但它至少提供了高频的纠错信号。AI for Science 需要为自己设计一套等价的中期验证机制——否则五年之后，人们很难分清哪些是真进展，哪些只是没被检验的假设。

另外，玻尔平台"用户量 175 万、年底目标 600 万"是平台层面的用户数据，据其本人介绍；平台注册用户与深度使用者不是同一件事，读者宜作此理解。

十、在 AI 思想坐标系中的位置

这是本文最想给出的定位，因为他在这张图谱上的位置，是最"降维"也最超脱的一个。

回顾这个系列一路搭起来的坐标：有人主张智能需要被设计，有人主张规模足够大智能自然涌现；有人守着优化与搜索这条更古老的路，认为 AI 转一圈会重新撞上约束这堵墙；有人追问物理世界的边界，有人追问评估，有人追问在数据不可汇集时智能如何被生产。

这些分歧看起来很大，但它们共享同一个问题域——智能是什么，以及它怎么产生。鄂维南院士不在这个问题域里。

这是本文第六个判断，也是本文的定位结论：在这张图谱上，别人在问"机器能不能有智能"，他在问"这个高维函数逼近器能解开哪些以前解不开的方程"。他不是 AI 阵营里的一员，他是从计算数学那一侧走过来，把 AI 当作一件新工具接管过去的人。

这个立场有一个极重要的后果：他对 AGI 之争天然免疫。大模型能否通向通用人工智能，对他的研究议程几乎没有影响。因为他要的从来不是"通用智能"，是"高维逼近能力"。这个能力今天已经被证明存在了，剩下的全部是工程和组织问题。

跨界对标，我想给两个。
第一个是有限元方法。它诞生于 1950–60 年代的航空结构分析，早期在纯数学家眼中"不够优雅"，理论基础是后来才补上的。但今天，从桥梁到芯片到汽车碰撞，所有工程设计都建立在它之上。

这个先例说明了一件事：一件计算工具的历史地位，不取决于它在被提出时是否严格，而取决于它解开了什么。深度学习今天在数学上仍有大量未被理解的部分，这不妨碍它成为下一个有限元。

第二个对标，是他自己讲的那个故事——1950 年代的电子计算机。如果说计算机加多项式，让人类第一次能用基本原理解决实际问题；那么算力加神经网络，让同一件事第一次在高维上成为可能。前者撑起了整个现代工业，后者要撑起什么，现在还看不到边界。

一个人在思想图谱上的价值，有时不在于他站在哪一边，而在于他证明了这场争论本身可以被绕开。当所有人都在争论机器能否拥有智能时，他已经在用这台机器解方程了——而方程解出来是不会撒谎的。

尾声

回到开头那场两天前的报告。"上半场"和"下半场"这个划分，在 AI 圈里今年被很多人用过。有人说下半场比的是评估，有人说下半场比的是应用。而鄂维南院士说的下半场，是从"方法"转向"体系"。这个说法其实包含了一个很少被说破的判断：一项通用技术真正成熟的标志，不是它变得更强，而是关于它的讨论从"能不能做到"转向"怎么组织起来做"。

电力如此——重要的不是电动机比蒸汽机强多少，是整个工厂的布局被重新设计了一遍；计算机如此；而他认为，AI for Science 现在到了这个节点。如果要把这篇文章收束成一句话——

他不是把 AI 当作一个会思考的对手来对待的，他是把它当作有限元之后的下一件计算工具接管过来的。而这个视角的全部力量在于：当你不再纠结机器是否拥有智能，你就可以立刻开始用它解方程——而一个几十年解不开的方程被解开了，这件事不需要任何人的承认。

在一个盛产宏大叙事的领域里，他做的是最不性感的三件事：把工具的边界说清楚，把基础设施建起来，把评价体系改过来。

这三件事都很慢，都不上榜单，也都很难在发布会上讲。但它们决定的是——十年之后，有多少人能站在这上面做事。

附录：关键史实与信源备忘

说明：本文主角姓名为"鄂维南"（英文 Weinan E），特此标注以便检索核对。

一、履历事实

• 1982 年毕业于中国科学技术大学数学系；1985 年获中国科学院计算中心硕士学位；1989 年获美国加州大学洛杉矶分校（UCLA）博士学位。此后长期任普林斯顿大学数学系与应用数学研究所教授。
• 2009 年入选首届美国数学学会会士，2011 年当选中国科学院院士，2012 年入选首届美国工业与应用数学学会会士。
• 现任北京大学数学科学学院讲席教授、北京科学智能研究院院长、北京大学国际机器学习研究中心主任等职
  （另有报道提及其在中国科学技术大学人工智能与数据科学学院、安徽应用数学中心、北京大数据研究院的任职，具体在任情况建议以最新官方页面为准）。
• 奖项：2003 年 ICIAM Collatz 奖、2009 年 SIAM Kleinman 奖、2014 年 SIAM Theodore von Kármán 奖、2019 年 SIAM–ETH Peter Henrici 奖、2020 年 ACM 戈登贝尔奖、2022 年 ICIAM 麦克斯韦奖。
• 2011 年出版《多尺度建模原理》（Principles of Multiscale Modeling），为该领域权威著作。
  
  

二、关键技术与产业事实

• 2020 年 ACM 戈登贝尔奖
  团队成员包括鄂维南、张林峰、贾伟乐、王涵、林霖、陈默涵、路登辉及 Roberto Car；通过机器学习将分子动力学模拟推进到 1 亿原子量级并保持第一性原理精度，效率为此前基线水平的 1000 倍。对照基准：传统第一性原理方法"只能处理很小的体系，1000 个原子就到顶了"（其原话）。
• 2018 年，其鼓励张林峰、孙伟杰创立深势科技（DP Technology），以推动落地并通过企业融资获得资金支持。
• 2020 年底，在北京市支持下成立北京科学智能研究院（AI for Science Institute, Beijing），为首个以"AI for Science"为主题的国际研究机构。
• 2025 年 3 月，"玻尔科研空间站"上线；据其 2025 年 11 月介绍，

• 科学基座模型 Innovator 与通用科研智能体 SciMaster其举例称 SciMaster
   

三、其本人原话（据公开报道，标注时间）

2021 年 7 月 8 日，2021 世界人工智能大会"科学前沿"全体会议，主题"AI for Science"：

• "我认为重要的不是 Gordon-Bell Prize，而是说我们第一次看到把机器学习、科学计算和高性能计算这三大最主要的工具结合在一起，我们有多么大的空间可以实现。"
• "维数灾难是什么意思？就是随着变量的个数或者维数的增加，计算复杂度是指数增加的……多项式在高维不是一个有效的工具。"
• "每一个图像都可以看成是 3072 维空间的一个函数。""围棋的最佳策略实际上是一个 Bellman 方程的解。"
• "神经网络可以帮助我们来有效地表示或者是逼近高维空间的函数，多项式不行，而深度神经网络是一个有效的替代品。"
• "做理论的人、做实验的人和做实际场景这三个团体差得非常远。"
• "现在做科研……基本上是一个'小农经济'的模式……以后的模式是……'安卓模式'。"
• "我个人认为，传统的科学领域，就是化学、材料、电子工程、化学工程、机械工程生物等，才是人工智能更大的主战场。"

2025 年 11 月，中国科协之声专访：

• "很不幸，过去研发的算法，大多困在'理想实验室'里——能求解简化模型，却对真实世界的复杂问题束手无策。"
• "AI for Science 是我国科研千载难逢的超车机会，2017 年我在团队内部讨论时就这样说过，但是到 2022 年才在公众场合宣之于口，因为论证了 5 年，我们明确这个机会就是千载难逢的，没有'之一'。"
• "'玻尔'既是门户……也是超市。"
• "相对于要实现的宏大目标而言，我们团队一直处在资源短缺的困境之下。"
• "美国很重视 AI for Science，但竞争力主要来自谷歌等企业……中国是最重视的国家，且布局更系统，基础设施建设已处于领先水平。"
  "高端科研仪器和设备依赖进口是潜在风险。"
• "必须打破'唯论文'，论文只是中间态，想法、数据、工具、实际效果都应成为评价指标。"
• "AI for Science 不是简单的技术赋能，而是要让科研回归解决真问题的本质。"
• 提及 2025 年 8 月与丁洪、汤超共同组织 AI for Science 务虚会，观察到"最有创新活力的往往是年轻团队，却在资源分配中处于劣势"。

2026 年 8 月 21 日，2026 科学智能大会全体会议，报告题为《开启 AI for Science 的下半场——人工智能时代的科研体系探索》：

• "科学智能已进入'下半场'，重心正从人工智能方法探索，转向人工智能时代科研体系的系统性变革。"
• 当前科研体系以论文发表为核心衡量标准，客观上稀释了"自由探索"与"科学发现"的初心。
• 面向未来需推动"科研平权化"，以产业视角打通人才、创新、市场、资金环节，

• 另据公开报道，其曾表示：出现"AI 爱因斯坦"的可能性不大，但出现 AlphaFold 级别的成果应该不远。
  
  

四、笔者的分析建构（非其本人表述）

以下为笔者依据公开材料所做的分析与推断，未经其本人确认，读者可以不同意：

• "深度学习替代的不是人，是多项式"这一提炼，及由此推出的"判断 AI 能否胜任某事，应问它能否被写成高维函数逼近或最优化问题"这一操作性判据；
• "两级台阶"框架——1950 年代计算机加多项式是第一级，深度学习是同一路径上的第二级；
• "科研的工业革命不发生在实验室里，发生在实验室之间"；
• "中间态陷阱"，及其向 KPI、报表、Demo 的迁移；
• "AI 真正压缩的不是单点效率，是不同专业共同体之间的距离"；
• "他不是 AI 阵营里的一员，而是从计算数学一侧走过来接管这件工具的人"这一坐标定位，及与有限元方法历史地位的对标；
• 第九节第四条——"AI for Science 验证周期极长，因而需要自建中期验证机制"，此为笔者提出的边界，非其观点。
  
  

本文为公开信息基础上的思想评述，不构成对任何机构、平台或技术路线的推荐，亦不构成投资建议。

文章精选：

1.图灵奖得主姚期智最新演讲： AI有边界，恰恰是好事