托马斯・库恩在《科学革命的结构》中提出，范式是特定时期科学共同体共享的研究规范、理论框架、方法论与实践传统；范式更迭并非简单的新旧理论替代，更多是人类生产、验证科学知识的方式发生跃升。回望现代科研的演进脉络，人类已依次建立经验、理论、计算、数据四大科研范式，而今AI for Science（AI4S，亦称科学智能）正推动学界探索第五科研范式，一场新的知识生产变革正在持续展开。

第一范式为经验科学。它依托直接观测、现象记录与归纳总结认识自然，从古代本草对生物性状的记述，到开普勒基于长期天文观测归纳行星运动定律，核心路径是 “观察现象、归纳规律”。这一范式的固有局限十分突出：认知边界受限于可直接观测的对象，难以阐释微观、极端条件下复杂系统的内在机理，很多猜想无法脱离直观经验得到验证。

第二范式是理论科学，以数学逻辑与第一性原理为核心支柱。牛顿力学、麦克斯韦电磁方程组、量子力学体系，都是这一范式的标志性成果。科学家不再停留于现象归纳，而是构建抽象理论模型，借助严密数理推演预测未知行为。但面对多体耦合、强非线性的复杂体系，解析解往往难以获取，大量理论猜想只能停留在逻辑层面，验证周期漫长。

计算机的广泛应用催生了第三范式——计算科学。借助超级计算机开展大规模数值仿真，研究者得以求解复杂方程，模拟气候演化、流体运动、材料微观相互作用，聚变装置模拟、飞行器气动仿真均属典型应用。然而高精度仿真往往算力代价高昂，许多复杂问题仍受限于模型近似与计算成本，并未脱离“先提出假设、再数值验算”的传统科研逻辑。

进入21世纪，传感器、观测站、仿真平台持续产生海量数据，第四范式——数据密集型科学随之兴起。科研重心转向从大规模数据中挖掘相关关系，不再完全依赖先验理论驱动。但单纯的数据挖掘容易落入“知其然、不知其所以然”的困境：缺少物理、化学、生物机理约束的统计关联，往往外推能力弱、可解释性不足，难以形成稳定、普适的科学结论。

AI4S所代表的第五科研范式，关键特质并非把AI当作新增工具，而是对前四类范式的融合、拓展与重构。这里有必要厘清边界：利用AI整理文献、绘制图表、做常规统计分析，仍属于旧范式内的工具增效；真正意义上的AI4S范式，是将学科先验机理嵌入智能模型，深度参与科学假设提出、候选结构生成、仿真运算、自动化实验验证全链条，搭建“AI预测—物理实验—数据回流迭代”的闭环。AlphaFold系列持续推进蛋白质复合物结构预测、GNoME批量筛选并经实验验证大量新型无机晶体、科研智能体自主完成文献调研与方案迭代，这些成果已经证明，AI有能力参与原创科学发现，而非仅仅被动处理已有数据。

需要强调，范式演进不代表旧范式失效退场，经验观测、理论推导、数值计算、数据验证依然是科学研究不可或缺的基石，AI是协同者而非替代者。当前第五范式的规模化落地仍存在多重结构性约束：标准化、可复用的高质量科学数据集供给不足，跨机构数据孤岛普遍存在；生成式AI、大模型固有的“黑盒特性”，和科学研究对可解释、可复现性的核心要求存在张力；同时兼具基础学科功底与AI算法能力的跨学科人才供给缺口显著；适配高精度科学仿真与模型训练的超智融合软硬件栈仍在迭代；面向AI参与科研的论文署名、科研诚信、伦理审查、学术评价规范，全球尚未形成统一共识。

范式迭代的人文内核，始终是拓展人类认知边界、降低探索自然的试错成本。在第五范式下，科研分工正在重新调适：人类科学家的核心价值，聚焦于界定关键科学问题、判断研究价值、完成最终的逻辑与实验核验；AI则承接大规模筛选、重复仿真、海量方案迭代等重复性、高算力消耗的工作，人机协同正在逐步成为主流科研组织模式。放眼全球，中美欧均已布局AI4S战略赛道，竞争的重心早已不止单点算法突破，而是科学数据治理、超智算力基础设施、自主实验硬件生态、跨学科人才培养体系的综合比拼。

站在范式转换的关口，我们既要接纳科学智能带来的效率红利，也必须恪守长久以来的科学理性：无论AI生成何种假说与预测，都不能绕过实验复现、机理逻辑检验直接作为定论。只有补齐数据、人才、治理等短板，构建开放包容、严谨自律的科研生态，我们才有可能在这场范式变革中持续产出经得起时间检验的原创知识，为新质生产力筑牢科学根基。

参考文献

[1] Wang H, Fu T, Du Y, et al. Scientific discovery in the age of artificial intelligence[J]. Nature, 2023, 620(7972): 47-60. DOI:10.1038/s41586-023-06221-2.

https://www.nature.com/articles/s41586-023-06221-2

[2] Miolane N. The fifth era of science: Artificial scientific intelligence[J]. PLOS Biology, 2025, 23(6): e3003230. DOI:10.1371/journal.pbio.3003230.

https://pmc.ncbi.nlm.nih.gov/articles/PMC12176288/

支持单位：