续上篇:变局｜AI 崛起，颠覆百年"小作坊"式科研（上）

中国科学院院士鄂维南有一个精准的比喻：AI for Science 要推动科研从“作坊模式”转向“安卓模式”。

所谓作坊模式，就是课题组包办与科研任务有关的所有事务——做计算材料的，从量子力学计算、分子动力学势函数、分子动力学计算到数据分析，全部自己来。所谓安卓模式，则是建起若干公共大平台，所有科研人员都可以在平台上拿到自己需要的工具，去做各自感兴趣的课题。

支撑这个平台的，是鄂维南所说的“四梁 N 柱”：

•  四梁：基于 AI 的基本原理与数据分析算法；高效率、高精度的实验表征方法；替代文献的数据库与知识库；高度整合的算力平台。

•  N 柱：合成化学、燃烧、能源材料、药物研发、航空航天等一个个具体的垂直问题。

在四梁之上，再针对具体场景组织“垂直整合”的团队联合攻关。

“大兵团”这个词，其实已经在官方语境里落地了。中国科学院“十五五”发展规划明确提出，建立以重点领域、重大任务、重大平台为依托的网络化矩阵式科研组织体系，探索组建领域型“科研联合体”、任务型“攻坚大兵团”、平台型“创新设施群”。这说明“大兵团作战”不只是媒体的形象说法，它已经进入了正式的政策语汇（同时需注意：在“极限突破计划”的具体表述中，官方措辞仍是“有组织的基础研究”“体系化、建制化攻关”）。

2026年9月29日启动的“科学前沿极限突破计划”，首批10个项目聚焦新元素合成、暗物质暗能量本质、化学键微观测量、人工合成细胞等前沿问题。

（一个容易被误读的概念先澄清：官方所说的“四极”，指的是极宏观、极微观、极端条件、极综合交叉四类极限前沿维度；而新元素合成、暗物质暗能量、化学键、人工合成细胞，是围绕这四极凝练出的具体选题方向。二者不是一回事。）

比选题更值得关注的，是藏在计划背后的三把钥匙：

第一把：选题机制。依托香山科学会议，建立“战略需求牵引＋装置能力支撑＋AI 辅助凝练”的选题机制。注意那个“AI 辅助凝练”——这意味着 AI 第一次被写进了“提出什么问题”的环节，而不只是“解决问题”的环节。

第二把：组织机制。打破院所、学科、团队边界，把全国的大科学装置、算力、人才、AI 织成一张网，围绕同一个极端问题组团攻关；同时强调重大科技基础设施的开放联用，让花了大价钱建起来的“利器”不再被少数团队独占。

第三把：评价机制。减少预设目标和过程干预，不唯论文产出和短期成果，实行长周期考核，把“宽容失败”从口号变成制度。

一把解决“资源怎么聚”，一把解决“方向怎么选”，一把解决“人心怎么稳”。三把都拧开，大兵团才真正跑得起来。

支撑这场变革的，是两层新基建。

硬件层——我国已布局77个国家重大科技基础设施，中国科学院占43项、达全国56%，形成北京怀柔、上海张江、安徽合肥、粤港澳大湾区等集群。从埋进地底的极深探测器，到散落各处的高能光源与超算中心，构成了大科学时代的硬件底座。

智能层——“磐石”科学基础大模型体系。2026年4月发布“磐石100”模型体系（科学基础大模型＋八大学科领域大模型＋百余个应用模型和智能体），其中的1.5pro 版由650万条高质量科学推理数据打造，部署了“波基座”“谱基座”“场基座”三大科学模态模型。7月17日，磐石2.0在世界人工智能大会发布，采用“通专一体”路径：

•  构建了800万条高质量科学推理数据，覆盖200多个科研任务；

•  在60余项专业科研任务评测中，绝大多数显著超越通用旗舰模型；

•  一体化科研智能平台汇聚8000余个专业科研工具与技能库；

•  构建“超算＋智算＋速算”三位一体的异构算力体系，已适配昇腾、海光等国产芯片；

•  已落地50余家院内研究所、30余家院外高校科研单位和央国企，并通过联合国教科文组织和“一带一路”国际科学组织联盟走向国际。

当大装置提供“看到”极端世界的能力，AI 提供“看懂”海量数据的能力，科学发现就不再单纯依赖某个天才的灵光一现，而变成一条有组织、可复制、可加速的流水线。

▲ 磐石·科学基础大模型 2.0 一体化科研智能平台架构：数据基盘—工具能力底座—智能体枢纽—异构算力四层贯通。图片来源：中国科学院。

▲ 2026年7月17日，磐石·科学基础大模型 2.0 在2026世界人工智能大会“人工智能赋能材料科学”主题论坛正式发布。图片来源：新华社。

如果说大装置和基础模型是动脉，那么自主实验室（self-driving lab）就是正在长出来的毛细血管。2026年夏天，中国已经跑出了一批实打实的样本：

•  上海科学智能研究院的“Golab 物质科学智能研发工厂”：以“燧人”物质科学大模型为“大脑”（基于逾1亿条第一性原理计算数据训练，在50余种热力学性质预测任务上达业界最优），以自驱动实验室为“双手”（一期2026年6月建成，首次实现 AI 计算与自动化实验设备的零人工介入直接联动，并攻克了分离、提纯等合成后处理环节的自动化难题），再用“浑天绫”技能包把算法、数据、算力、实验四类要素标准化为可组合的生产单元，串联起“模型生成方案—实验验证—数据回流—自进化”的正循环。系统还会留存失败案例，由大模型分析原因并回流入下一轮假设生成。

•  深势科技的 Uni-Lab-OS 自主实验操作系统：把实验室运行全流程交由操作系统自主编排，改变过去人盯手操、数据散落的局面。

•  北京大学邓宏魁院士团队的智能细胞化学重编程与克隆筛选平台：占地6平方米的设备独立完成从指尖采血到干细胞培育的120多个步骤，全程无人干预，处理效率提升3倍，实验误差从最高10% 降至1% 以下；用该技术制备的胰岛细胞，已让多名1型糖尿病患者恢复血糖自主调控。

▲ 北京大学邓宏魁院士团队研发的智能细胞化学重编程与克隆筛选平台，占地仅6平方米即可独立完成从指尖采血到干细胞培育的120多个步骤。图片来源：新华社（记者 熊琳 摄）。

•  清华大学化学系的自动化平台：实现试剂投送、自动制样、在线表征、数据采集全流程无人运行，较人力效率提升10～30倍。

•  中国科学院高能物理研究所为怀柔高能同步辐射光源建起贯通科学数据、算力、模型、智能体与实验控制的“人工智能操作系统”，把实验从“人工操作、事后分析”升级为“数据驱动、智能解析、自主调控”。

▲ 怀柔高能同步辐射光源配套建设的“智慧光源大脑”iPSBrain，把实验从“人工操作、事后分析”升级为“数据驱动、智能解析、自主调控”。图片来源：新华社。

▲ 2026年7月7日，由上海科学智能研究院牵头建设的 Golab 物质科学智能研发工厂在上海发布，现场同步启动“百题马拉松”5天5夜直播。图片来源：上海市经济和信息化委员会。

▲ 自主实验室的中国实践：戴纳科技实验展厅内，机械臂在轨道间平稳移动，移液枪精准操作，培养箱自动开关。图片来源：新华社。

2026年8月21日，北京市首批人工智能赋能科学研究典型案例发布，共16项成果入选。同期的行业观察也坦率指出问题所在：自主实验室建设正处在从概念验证迈入落地应用的关键阶段，存在硬件接口不统一、数据孤岛效应显著、评测标尺缺失三大短板，亟须标准先行。

在所有学科里，数学受到的冲击最尖锐，也最先给出了制度性回应。

▲ 2026年10月11日，丘成桐数学与人工智能实验室联盟成立仪式在清华大学求真书院举行，将在北京、上海、南京、深圳、香港5地组建数学人工智能实验室。图片来源：清华大学新闻网。

2026年10月11日，丘成桐数学与人工智能实验室联盟在清华大学成立，由丘成桐牵头，联合清华求真书院、丘成桐数学科学中心、北京雁栖湖应用数学研究院、中国科学院晨兴数学中心、上海数学与交叉学科研究院、东南大学丘成桐中心、河套数学与交叉学科研究院（深圳）、香港中文大学致真交叉数学科学院共8家机构组建，汇聚近1000名高端数学人才，并将在北京、上海、南京、深圳、香港5地组建数学人工智能实验室。

联盟明确六项任务：研发数学科学专用模型；建设 AI 辅助数学研究的基础设施、保护数学家原创；从基础数学切入支撑 AI 可解释性与安全性；推动数学驱动的交叉领域突破；深化国际合作与人才引育；打造旗舰学术品牌。

丘成桐的判断值得反复咀嚼——“这是一个学者们最兴奋的时代，也是最危险的时代。”（另有报道记作“这是最兴奋的时代，也是最危险的时代”。）他有一个极其精准的比喻：从古到今，数学与基础科学的进展“基本上是几个人在思考、在进步，可以讲是‘微分’的进步；人工智能的出现是个‘积分’的效应，它把人类有史以来直到今天所有的思考，通过机器的庞大算力聚合起来”。

他同时强调，AI 可以生成海量证明，却无法像人类数学家那样提出真正有洞察力的新问题，更无法拥有人类在长期研究中沉淀的数学直觉——这种融合了经验、审美和创造力的能力，始终是人类不可替代的核心优势。他担心的是另一件事：“机器的宏大势力让许多人不想再做了，尤其是年轻的学者们感到灰心。”而他给出的答案是：“我们需要在大潮上冲浪，而不是躲起来、避开它。我们在进行研究时，会遇到很多大风大浪，关键是能够迎着浪、继续走。”

中国科学院院士、中国数学会理事长席南华则点出了另一个层面的冲突：AI 企业批量产出数学成果的模式，与数学界遵循的学术规范产生了冲突——企业不受学术规则约束，发布成果不需要经过同行严谨核验，甚至允许错误内容流出。他的原话是：“本来推动数学发展的主要力量是数学家，现在有数学家之外的一股力量来推动发展，出现不适应是必然的，还有很多规则也没有建立起来。”他呼吁与产业界一起逐步建立各方都能接受的规则体系。他还有一个耐人寻味的判断：“仅有数学定理，并不构成数学……只有定理，就像建筑只有砖块，形成不了建筑。”

一个耐人寻味的细节：今年夏天，王虹因破解三维挂谷猜想获菲尔兹奖（中国籍数学家首次）；不到三个月，OpenAI 声称把结果推进到四维。但在那两篇手稿里，“Wang”出现了23次——人类的原创工作，成了 AI 的地基。这恰恰说明，短期内 AI 与数学家的真实关系，仍是“站在人的肩膀上继续爬”，而不是“取代人”。

而就在今天，大湾区大学许地生团队依托上海AI实验室的“书生-S2”大模型，通过人机协同证明了困扰数学界30余年的三维Ghys猜想；北京大学董彬教授、刘若川院士团队利用SHEAF框架完成形式化验证，确认证明正确性。这是中国科学家首次用中国大模型攻克世界级数学难题。

在这场变革中，有一条常被评论者忽略的线索：资本。

据智药局不完全统计，仅2026年上半年（近半年时间），全球 AI4S 领域的融资规模已超过44.3亿美元。一批成立不到三年的公司，估值迅速逼近甚至超过传统生物技术巨头：

此外，英伟达与礼来宣布未来5年共同投资10亿美元建设“AI 药物共创实验室”；Anthropic 推出 Claude for Life Sciences 正式进军生命科学。

资本押注的到底是什么？一句话：押注一个全新的“科学研究引擎”。

传统科研是“假设—实验—验证—理论”的循环，周期长、成本高、随机性大。AI for Science 把这项过去高度依赖天才灵感与长期试错的稀缺活动，改造成可规模化、可复制的工业化流程。资本买的不是某款药或某种材料，而是“持续产出科学发现的产能”本身。

这条赛道的存在，反过来印证了前面的判断：当科学发现可以被“产能化”，科研组织形态就注定要从手工作坊走向平台与大兵团——因为流水线的效率，从来不取决于单个工匠的手艺，而取决于生产线的组织方式。

这一节，是本文最想让读者带走的部分。

芝加哥大学 James Evans 团队与清华大学合作者在《自然》上发表的研究，分析了1980—2025年间六大自然科学学科（生物、化学、物理、医学、材料、地质）的4130万篇论文，识别出约31万篇 AI 增强型研究。结论是一组令人不安的对比：

•  使用 AI 的科学家，发文量是不使用者的3.02倍；

•  获得的引用是4.84倍；

•  成为团队负责人（从初级晋升为资深）的时间提前约1.4年；

•  在物理学领域，使用 AI 的研究者年均获得183次引用，不使用者为51次。

•  AI 的采用使被研究的科学议题总量收缩4.63%；

•  科学家之间的互动（后续引用与跟进参与）下降22%；

•  AI 相关研究中约80% 的引用集中在被引最多的前20% 论文上。

研究者把这种现象命名为“孤独的人群”（lonely crowds）——表面上人人都往同一个热门方向挤，但彼此之间真正的对话反而变少了。结果是更多重叠的想法、更多冗余的“创新”，以及整个科学知识版图的萎缩。

▲ “孤独的人群”：AI 让每辆车都跑得更快，却让可通行的路口越来越少。（AI 生成示意图）

机制并不复杂：AI 自动化的是科学中“最容易处理的部分”。

模型在已有海量数据的地方表现最好，也最能刷出漂亮的基准指标。于是理性的科学家——在一个以论文为主要通货的评价体系里——自然会向数据丰富的区域迁移。而形成正反馈后，就出现了卡内基梅隆大学学者 Catherine Shea 所说的“自我强化的循环”。

Evans 在《科学》杂志的《After Science》一文中警告：AI 的效率可能导致“方法论单一化”（methodological monocultures）。科学没有变慢，但变得更同质了。

这与一项早已被验证的经典结论形成了危险的共振。

Uzzi 等人2019年在《自然》发表的《大团队做开发，小团队做颠覆》发现：大团队擅长“开发”（把已有知识组合、推进），而颠覆性的新范式往往仍由小团队做出。而 Wuchty、Jones 与 Uzzi 2007年在《科学》上的研究早已证明，团队产出的论文占比持续上升，越是被高度引用的成果越倾向于由团队完成。

把两项研究与 Evans 的新发现叠在一起，会得到一个极其重要的推论：

2026年9月，求是网一篇评论员文章强调：“组织化科研和自由探索……相辅相成、相互促进……加强组织化科研，并不是不重视自由探索，而是要推动两者协同发展。”

这句话，恰恰是对这场全球范式迁移最清醒的注脚。而 Evans 团队给出的药方也指向同一处：我们需要重新构想 AI 系统——让它扩展的不只是认知能力，还有感知与实验能力，激励科学家去搜索、选择、采集来自此前无法触及的领域的新型数据，而不只是优化对既有数据的分析。

换句话说：用 AI 去“创造数据”，而不是只用 AI 去“压缩数据”。

自驱动实验室（AI 提假设—机器人做实验—数据回流—再训练）会从材料、化学向生命科学与药物发现扩散。英国“100天把候选药推到临床”的使命、中国“磐石＋大装置＋自主实验室”的路线，本质都是在押注这条闭环。

但要注意一个关键的判断：当前闭环的瓶颈已不在假设生成端，而在湿实验的通量端。 AI 完成一轮假设生成与分析只需数小时，而获取试剂、等待细胞生长需要数周。下一阶段的竞争焦点，将是湿实验自动化通量与干实验假设生成速度的匹配能力。

未来的主流单元，很可能不是单个 PI 的实验室，而是“公共算力／数据平台＋围绕某个极端问题临时集结的跨机构攻关舰队”。大装置和高质量科学语料库，会成为像电网、高速公路一样的科研新基建，谁掌握、谁开放，决定一个国家的科研上限。

亲手跑实验、调参数的比重下降；设定问题、判断结果真伪、编排 AI 智能体与大装置集群的比重上升。这恰好回应了第二节那个“学界稀缺指挥员”的痛点：未来最值钱的能力，是提问的品位、验证的严谨，以及带兵打仗的系统能力，而非单点的“神枪”。

一个饶有意味的旁证：北京雁栖湖应用数学研究院副院长、清华大学教授刘正伟提到，“已经有学生在 AI 的辅助下，短短一个月就把原有算法的效率提升了上千倍”。他进一步指出：过去学生想要完成一项前沿研究，需要花几年时间查阅文献、摸索方法、调试代码，现在借助 AI 工具，从提出想法到落地实现的周期被大幅压缩。

但这恰恰引出下一个问题。清华丘成桐数学科学中心副教授徐文强的提醒值得记下：当计算与解题这类工作 AI 可以做得更快更好，对学生的培养标准必须提升到新维度，而年轻学子最需要守住三样东西——永远保持对未知的好奇心；不放弃独立思考，把工具输出的内容消化沉淀为真正属于自己的认知；保持开放的交流心态，在与同行和前沿工具的碰撞中获得灵感。

当执行变得几乎免费，价值的天平就只能向“选什么题”倾斜。

当论文可以被 AI 批量生成、署名里混入“共同作者 AI”，“以论文数量论英雄”的老办法将彻底失灵。DORA／CoARA 的“破期刊指标”、中国“破五唯”与撤稿专项整治，都只是开始。

真正的难题有两个：如何评价人机协作的原创贡献？以及更棘手的——谁来为验证付费？白宫报告已经把“投资 AI 赋能的验证基础设施”列为建议；形式化证明（Lean 等可机器检验的证明）、可复现计算证书、引用完整性自动筛查，都将从“加分项”变成“准入门槛”。未来的科研经费里，很可能会长出一个专门的预算科目：验证费。

AI 正在显著削弱师生关系中“知识传授”这一职能。牛津大学计算机科学家 Leslie Ann Goldberg 提出了一个尖锐的概念——“训练题荒”：过去导师会给博士生挑选中等难度的开放性引理作为课题，既能保证三四年内出成果，又能扎实锤炼科研素养；而现在，一个博士生苦思冥想四年的课题，可能下个月某个新模型几分钟就能推平，而 AI 暂时解决不了的深水区难题又往往需要大师耗费数十年。

2026年一场哈佛峰会聚集了24位顶尖学者，形成了九条纲领，其核心原则只有一句：“AI 应当赋能人类的理解，断不可用来跳过理解。”其中包括：全面普及工具；默认允许探索；全程透明披露；署名即负全责（任何写在你名下的公式与推导，一旦出错由署名者承担全部责任）；淘汰易被 AI 代写的课后作业、转向当面笔试与口试；导师年度过筛（由多位教授组成委员会每年至少一次当面评估研究生真实进展）；重塑原创性定义；强化跨学科沟通素养。

上海交大青年学者吴益鹏的一句话值得记下来：“在物理领域，真正的原创性发现往往来自实验中的意外。当你看到一个不符合预期的数据点时，那种‘这可能是一个重大发现’的直觉，是 AI 永远学不会的。”他还补充了另一条——要培养学生“通过失败学习”的能力，因为科研生涯里学到最多的从来不是成功的结果，而是无数次的失败。

菲尔兹奖得主 Timothy Gowers 曾半开玩笑地说，人类“大概能撑到2030年”——而下一届菲尔兹奖恰好在2030年颁发。这当然是一句调侃，但它逼出了一个真问题：当“首次证明某个定理”不再是衡量贡献的唯一标尺，人类数学家的价值坐标要如何重写？

一个可能的答案是：转向“提出概念、构建理论、定义新问题”。正如王虹本人所说，AI 是数学研究的“主动性助推器”，而提出问题、创造概念、构建理论，仍然是数学家的核心工作。

两种可能都存在，而且很可能同时发生。

•  寡头化的隐忧：算力、数据、装置越来越贵，科学发现的主导权向少数科技巨头和国家级平台集中，“散兵游勇”被边缘化，甚至出现“科学脱钩”——各搞各的数据墙、算力墙、模型墙。斯坦福《2024 AI Index》已经显示，2023年的重要 AI 模型中，产业界贡献占57%，产学合作占23%，纯学术只占17%；而2016年学界与产业还大致各半。

•  民主化的希望：AI 大幅降低了“做一流研究”的门槛。开源模型、公共数据平台、开放联用的大装置，可能让一个二流大学的小团队第一次拥有过去只有顶级机构才具备的科研火力。美国能源部启动 Genesis 开放模型计划并承诺以开放权重发布 Genesis-Science-1，中国把“大装置开放联用”写进计划，都是在往这个方向下注。

一个值得注意的新变量：干湿实验闭环能力，正在让“一人科研公司”成为可能。用复旦大学校长助理、上智院理事长吴力波的话说，科研技术闭环与一人公司模式的结合，正在重新定义科创的基本单元；上智院 AI 科学家曹风雷则指出，闭环能力让一位科学家或一个小团队，便可承担从前端研发到实验验证的完整科研闭环。

这可能才是破局之处：大平台的意义，恰恰在于让“小”变得更有火力，而不是让“小”消失。

Evans 的研究已经给出了警告：AI 让个体更强、让整体更窄。如果评价体系继续只奖励“快”和“多”，科学就会在数据丰富的平原上越跑越快，却再无人去攀登那些没有路、也没有数据的山峰。

这需要刻意的制度设计：为数据贫瘠但可能重要的方向设立专门资助；把“提出新问题”本身计入学术贡献；给长周期、允许失败的探索留出稳定的资金池——而这，恰恰是“极限突破计划”里“减少预设目标、不唯论文、宽容失败”这条原则最难、也最值得坚持的部分。

回到开头那三件事。

白宫重写了81年前的蓝图，中国科学院启动了直指“四极”的计划，而722篇数学手稿正躺在互联网上等待有人去读。这三件事共享同一个内核：人类第一次拥有了近乎无限的“生成”能力，却还没有学会与之匹配的“验证”与“提问”的能力。

AI 颠覆“小作坊”式科研，是一场确定的全球趋势。但它颠覆的应当是落后的组织方式，而不是科学赖以立命的自由探索精神。

未来十年真正的胜负手，不在于谁的兵团更大、谁的算力更多，而在于谁能完成三件事：

第一，配平生成与验证的成本剪刀差——把“验证”从个人义务变成公共基础设施；

第二，把平台的大门开到最大——让大装置、大模型、大数据的火力，可以被任何一个有好想法的团队调用；

第三，为“提问”留出制度性的空地——在数据贫瘠处下注，在无人区留灯。

正如丘成桐所说，“这是最兴奋的时代，也是最危险的时代”。而决定我们走向哪一侧的，不是模型的能力曲线，而是我们为科学设计的制度。

说到底，这场范式变革不是写在报告里的抽象叙事，而是会落到每个人头上的具体改变。在这个时代，无论你是科研精英，还是普通百姓，都不得不面对这场新的变局！

对科研精英来说，变化最先发生在自己的工作台前：过去靠“一师一徒、一仪一管”立身的“小作坊”手艺，正在被平台与智能体重新定价——你要么学会指挥大装置、调度大模型，把自己的好问题放大成体系化攻关；要么被困在“生成免费、验证更贵”的剪刀差里，越忙越边缘。但硬币的另一面是，个人第一次拥有了过去只有大国重器才配拥有的火力。

对普通百姓而言，这场变革藏得更远，却离生活更近：更快的科研意味着更便宜的新药、更高效的电池、更早到来的气候方案；而“AI 让科学变快，也在让科学变窄”的暗面也提醒我们，你吃下的药、用到的产品、读到的“科学新闻”，背后都多了一道机器生成的工序——它带来的便利与隐患，都需要每个人具备一点点科学甄别的能力。

而借助 AI，普通人的能力也可以被迅速放大！

核心主题词：AI for Science · AI4S · 科研范式变革 · 人工智能+ · 科研生产力翻倍 · 验证成本 · 小作坊式科研 · 平台科研

场景长尾词：大兵团作战 · 自主实验室 · 自驱动实验室 · 论文工厂 · 幻觉引用 · 撤稿 · 破五唯 · 科研评价改革 · 宽容失败 · 青年科研人员 · 博士生培养 · 训练题荒

机构与政策专名：中国科学院“十五五”规划 · 科学前沿极限突破计划 · 磐石科学基础大模型 · 人工智能引领科研范式变革 · 丘成桐数学与人工智能实验室联盟 · 创世纪使命（Genesis Mission） · 有组织的基础研究

注：本文由 AI 辅助完成，可能存在不实之处，仅供参考。

#Agent #AI智能体 #办公智能体 #Workbuddy #Codex #ClaudeCode #Hermes #科研效率 #文献检索 #论文写作 #知识库 #RAG #专利转化

AI · 药物研发 · 技术前沿

长按 or 扫码关注 · 持续更新

📚 相关阅读

变局｜AI 崛起，颠覆百年"小作坊"式科研（上）

中美两国同天加注国家级AI4S战略！中科人才AI研修班助力科研工作者使用先进生产工具

AI 办公热火朝天——如何真正学会并用好 WorkBuddy，Codex 这类智能体？ 

如何让你的人生从此开挂？—国外最强三大AI智能体Codex•Claude Code•Hermes实战研修班

如何使用国内最热门的AI办公智能体——WorkBuddy赋能智能办公与自动化数据分析高级实战研修班（10/17）

要做各省市十五五规划？你可能需要这个——AI在GIS数据处理和分析中应用高级研修班（9月、11 月）

通知｜“AI 赋能生物医学数据分析—从工具使用到论文实践”高级研修班10月末开班

AI 筑基开新境，科研跃迁启未来——中科人才系列 AI4S 课程，助力科学研究

通知｜“科研项目申报实务、评审解析、管理与验收全过程实践赋能”9 月高级研修班

通知｜技术经理人必看——关于举办“概念验证+中试平台建设加速科技成果产业化发展”高级研修班的通知 

— 全文完 —

支持单位：