人工智能賦能高?？茖W(xué)研究范式創(chuàng)新：價(jià)值、風(fēng)險(xiǎn)與進(jìn)路

摘 要：高校是科學(xué)研究的主陣地，是基礎(chǔ)研究與重大科技突破的主力軍，肩負(fù)著加快形成新質(zhì)生產(chǎn)力的重要使命。在新一輪科技革命浪潮下，人工智能技術(shù)在科學(xué)研究中的廣泛應(yīng)用與深度融合，不僅重塑了科學(xué)研究的基本過程，更引領(lǐng)著科學(xué)研究范式向智能科學(xué)研究范式轉(zhuǎn)型。從邏輯實(shí)證主義視角出發(fā)，探討人工智能賦能高校科學(xué)研究范式創(chuàng)新的多重價(jià)值，包括增強(qiáng)科學(xué)研究中的數(shù)據(jù)采集、加速科學(xué)假設(shè)的生成與驗(yàn)證、實(shí)現(xiàn)實(shí)驗(yàn)?zāi)M與自動(dòng)化，以及激發(fā)科學(xué)洞察與創(chuàng)意涌現(xiàn)，有助于理解AI賦能科學(xué)研究范式的價(jià)值和深遠(yuǎn)影響?；诖耍瑢徱暜?dāng)前科研范式轉(zhuǎn)型過程中遭遇的諸多挑戰(zhàn)與風(fēng)險(xiǎn)，包括人的邊緣化風(fēng)險(xiǎn)（“人在旁路”現(xiàn)象）、數(shù)據(jù)偏見與誤導(dǎo)性主張的雙重困境（“數(shù)據(jù)陷阱”問題）、算法透明度的缺失（“算法黑箱”問題）以及由此引發(fā)的信任危機(jī)等，高校在科學(xué)研究范式轉(zhuǎn)型中應(yīng)緊密依托新一輪科技變革，植根中國(guó)科學(xué)研究實(shí)踐土壤，立足已有范式尋求創(chuàng)變，探索一條符合我國(guó)國(guó)情且具有鮮明中國(guó)特色的高?？茖W(xué)研究道路。具體來講，應(yīng)加強(qiáng)跨學(xué)科合作與協(xié)同創(chuàng)新、規(guī)范數(shù)據(jù)使用標(biāo)準(zhǔn)、推動(dòng)可解釋性AI的發(fā)展，建立健全科研倫理審查機(jī)制，為科研范式創(chuàng)新提供堅(jiān)實(shí)的理論支撐與行動(dòng)指南。

關(guān)鍵詞：科學(xué)研究范式；智能科學(xué)研究范式；人工智能；數(shù)據(jù)陷阱；信任危機(jī)

［中圖分類號(hào)］G644

［文獻(xiàn)標(biāo)志碼］A

［文章編號(hào)］1673－8012（2025）01－0009－12

電子顯微鏡的發(fā)明使人類首次發(fā)現(xiàn)細(xì)胞內(nèi)部的超微結(jié)構(gòu)，大型強(qiáng)子對(duì)撞機(jī)的制造使希格斯玻色子的存在得以證實(shí)。不難發(fā)現(xiàn)，歷次重大科學(xué)發(fā)現(xiàn)都離不開新工具或新技術(shù)的誕生。新一輪科技革命加速了科學(xué)研究的進(jìn)程，從根本上改變了科學(xué)研究的方式，推動(dòng)科學(xué)研究的范式轉(zhuǎn)型。在數(shù)據(jù)密集型第四科學(xué)研究范式下，研究者依托龐大的數(shù)據(jù)集進(jìn)行數(shù)據(jù)建模與分析，探索數(shù)據(jù)中的潛在規(guī)律。以生成式AI為代表的新一代AI技術(shù)，不僅能夠高效完成大規(guī)模的數(shù)據(jù)計(jì)算，更能協(xié)助研究者發(fā)現(xiàn)潛在的科學(xué)問題，探尋新的研究方向，為科學(xué)研究提供新方法，推動(dòng)科學(xué)研究向第五范式——智能科學(xué)研究范式（AI for Science，AI4S）轉(zhuǎn)型。

AI4S智能科學(xué)研究范式代表著AI數(shù)智技術(shù)與科學(xué)研究的深度融合和雙向賦能^［1］，加速科學(xué)發(fā)現(xiàn)與研究的進(jìn)程，實(shí)現(xiàn)科學(xué)研究過程的自動(dòng)化和內(nèi)容生產(chǎn)的智能化。與此同時(shí)，科學(xué)研究的發(fā)展推動(dòng)著智能算法模型的持續(xù)優(yōu)化與迭代。高校是科學(xué)研究的主陣地，高校研究人員是基礎(chǔ)研究與重大科技突破的主力軍。高校肩負(fù)著加快形成新質(zhì)生產(chǎn)力、實(shí)現(xiàn)高水平科技自立自強(qiáng)、推動(dòng)科學(xué)研究高質(zhì)量發(fā)展的重要使命，應(yīng)響應(yīng)國(guó)家科技戰(zhàn)略需要推進(jìn)科學(xué)研究創(chuàng)新，以提升國(guó)家的原始科技創(chuàng)新能力。在新科技革命背景下，基礎(chǔ)研究轉(zhuǎn)化周期明顯縮短，國(guó)際科技競(jìng)爭(zhēng)形勢(shì)激烈，人工智能驅(qū)動(dòng)科學(xué)研究不僅躍升為政策制定者與戰(zhàn)略規(guī)劃者無法回避的核心議題，更是推動(dòng)社會(huì)進(jìn)步的關(guān)鍵。高校應(yīng)以數(shù)智技術(shù)作為科學(xué)研究范式轉(zhuǎn)型的主要引擎，推動(dòng)人工智能與科學(xué)研究雙向賦能，發(fā)揮人工智能在科學(xué)研究及其范式創(chuàng)新上的強(qiáng)大驅(qū)動(dòng)力^［2］。本研究梳理了AI賦能高校科學(xué)研究范式創(chuàng)新的價(jià)值與風(fēng)險(xiǎn)挑戰(zhàn)，并針對(duì)性地提出應(yīng)對(duì)策略，以期為高?？茖W(xué)研究范式的變革提供參考。

一、AI賦能高校科學(xué)研究范式創(chuàng)新的價(jià)值意蘊(yùn)

庫(kù)恩指出，科學(xué)革命就是范式的更替，范式的確立與科學(xué)共同體的行為準(zhǔn)則及其待解的謎題緊密相連，涉及某些實(shí)際科學(xué)實(shí)踐的公認(rèn)范例，為特定科學(xué)研究提供參照^［3］。科學(xué)研究范式不僅是科學(xué)發(fā)現(xiàn)與科技創(chuàng)新的基石，更是科學(xué)共同體在特定時(shí)期進(jìn)行科學(xué)研究的方式，契合科技創(chuàng)新的內(nèi)在規(guī)律^［4］?？茖W(xué)研究實(shí)質(zhì)上是追尋“自然之謎”答案的過程，邏輯實(shí)證主義者認(rèn)為這一過程遵循既定的科學(xué)探究模式。亨普爾（Hempel）將這一過程劃分為4個(gè)階段：觀察記錄事實(shí)、分析歸類事實(shí)、歸納推導(dǎo)結(jié)論和檢驗(yàn)結(jié)論^［5］。科學(xué)發(fā)現(xiàn)被視為從提出假說至被接受的過程，Laudan認(rèn)為，此中間過程不僅是歸納，更需要在猜想或假設(shè)后進(jìn)行求證與完善^［6］。整體來看，科學(xué)發(fā)現(xiàn)大致包括觀察提問、假說建立、實(shí)驗(yàn)驗(yàn)證、理論構(gòu)建并持續(xù)修正的過程。

科學(xué)研究范式的演進(jìn)經(jīng)歷了多個(gè)階段，從實(shí)驗(yàn)描述的經(jīng)驗(yàn)范式，到模型歸納的理論范式、仿真模擬的計(jì)算范式，再到數(shù)據(jù)密集型分析的數(shù)據(jù)范式，直到如今的智能科學(xué)研究范式（AI4S）。在新科學(xué)研究范式下，AI增強(qiáng)了研究者的數(shù)據(jù)獲取方式與計(jì)算能力，深刻改變了假設(shè)建立的邏輯，通過自動(dòng)化或模擬實(shí)驗(yàn)過程，加速科學(xué)洞見的形成，展現(xiàn)了其強(qiáng)大的潛力。同時(shí)，AI通過回溯、預(yù)見與迭代等方式，不斷優(yōu)化科學(xué)研究的過程，推動(dòng)科學(xué)生產(chǎn)力的提升，基本重塑了科學(xué)研究的一般過程（如圖1）。

（一）助益科學(xué)研究中的數(shù)據(jù)采集

在科學(xué)研究領(lǐng)域，數(shù)據(jù)的采集轉(zhuǎn)換與深度分析是構(gòu)建科學(xué)見解和理論的基石，AI4S背景下高校科學(xué)研究在數(shù)據(jù)采集與管理的各個(gè)環(huán)節(jié)已取得突破性進(jìn)展。在數(shù)據(jù)發(fā)現(xiàn)與選擇方面，深度自動(dòng)編碼器和其他先進(jìn)的深度神經(jīng)網(wǎng)絡(luò)已展現(xiàn)出從龐大且結(jié)構(gòu)復(fù)雜的研究數(shù)據(jù)中提取非線性特征、篩選高價(jià)值研究訓(xùn)練數(shù)據(jù)的能力。這些智能技術(shù)能夠根據(jù)研究需求，自動(dòng)識(shí)別和剔除異常值，獲取更為純凈的數(shù)據(jù)，有效應(yīng)對(duì)存儲(chǔ)與傳輸大規(guī)模研究數(shù)據(jù)的技術(shù)挑戰(zhàn)^［7］。在數(shù)據(jù)標(biāo)注方面，大型標(biāo)簽數(shù)據(jù)集對(duì)于模型的訓(xùn)練至關(guān)重要，隨著標(biāo)注策略的不斷革新，自監(jiān)督學(xué)習(xí)等先進(jìn)方法已能夠?qū)崿F(xiàn)標(biāo)簽的自動(dòng)標(biāo)記，極大地減輕了研究者在數(shù)據(jù)標(biāo)注上的負(fù)擔(dān)，能夠以更少的數(shù)據(jù)標(biāo)簽完成數(shù)據(jù)集的全面標(biāo)注，為模型訓(xùn)練提供有力支持。在數(shù)據(jù)生成方面，隨著研究數(shù)據(jù)集質(zhì)量與規(guī)模的不斷提升，用于數(shù)據(jù)增強(qiáng)和模型訓(xùn)練的算法也持續(xù)迭代，不僅能夠擴(kuò)充數(shù)據(jù)集規(guī)模，還能集成不同類型的數(shù)據(jù)集，生成跨學(xué)科知識(shí)領(lǐng)域的數(shù)據(jù)，從而大幅提高數(shù)據(jù)集的綜合性^［8］。此外，AI的發(fā)展還優(yōu)化了數(shù)據(jù)細(xì)化處理的能力，提升數(shù)據(jù)質(zhì)量的精度，為科學(xué)發(fā)現(xiàn)與洞見提供可靠的數(shù)據(jù)支撐。

芝加哥大學(xué)數(shù)據(jù)科學(xué)研究所Willett提出，科學(xué)家可以借助AI分析復(fù)雜的科學(xué)數(shù)據(jù)，如借助機(jī)器學(xué)習(xí)與深度學(xué)習(xí)技術(shù)，從韋伯望遠(yuǎn)鏡捕獲的宇宙圖片中挖掘出潛在的高價(jià)值數(shù)據(jù)，從而揭示宇宙的奧秘^［9］。在物理科學(xué)實(shí)驗(yàn)中，AI能夠輔助科學(xué)家對(duì)海量實(shí)驗(yàn)數(shù)據(jù)進(jìn)行篩選、采集與存儲(chǔ)。如在質(zhì)子碰撞試驗(yàn)中，利用基于深度學(xué)習(xí)的自動(dòng)編碼器對(duì)碰撞產(chǎn)生的數(shù)據(jù)進(jìn)行過濾性采集，能夠有效應(yīng)對(duì)數(shù)據(jù)存儲(chǔ)的極限挑戰(zhàn)^［10］。算法模型的訓(xùn)練往往需要專業(yè)人員對(duì)龐大的數(shù)據(jù)集進(jìn)行標(biāo)注，而垂直領(lǐng)域模型的通用性和推廣性往往受到限制，因此數(shù)據(jù)標(biāo)注工作尤為繁重。倫敦大學(xué)學(xué)院和Moorfields眼科醫(yī)院提出了一種名為RETFound的視網(wǎng)膜圖像基礎(chǔ)模型，該模型利用自監(jiān)督學(xué)習(xí)，在超過160萬張未標(biāo)注的視網(wǎng)膜圖像上進(jìn)行訓(xùn)練，并在眼部疾病診斷、預(yù)后分析以及系統(tǒng)性疾病預(yù)測(cè)等任務(wù)中表現(xiàn)出卓越性能^［11］。該成果不僅減輕了數(shù)據(jù)標(biāo)注的負(fù)擔(dān)，更展示了AI在科學(xué)研究領(lǐng)域的巨大潛力和廣闊前景。

（二）加速科學(xué)發(fā)現(xiàn)中的假設(shè)生成

在科學(xué)發(fā)現(xiàn)的過程中，提出可供檢驗(yàn)的研究假設(shè)是重要開端。傳統(tǒng)科學(xué)研究范式下這一過程往往費(fèi)時(shí)費(fèi)力，深受研究者的專業(yè)知識(shí)、探索能力以及個(gè)人偏見的影響。AI4S背景下，數(shù)智技術(shù)為假設(shè)生成方式帶來革命性改變，提升了生成效率，推動(dòng)科學(xué)見解的整合，加速推進(jìn)隱式和未解的科學(xué)發(fā)現(xiàn)。假設(shè)生成方式主要包括兩類：

一是基于文獻(xiàn)的知識(shí)發(fā)現(xiàn)（literature－based discovery，LBD）。該方法運(yùn)用文本挖掘、自然語(yǔ)言處理及機(jī)器學(xué)習(xí)等技術(shù)為模型提供測(cè)試數(shù)據(jù)集，對(duì)海量文獻(xiàn)數(shù)據(jù)進(jìn)行深度處理，經(jīng)訓(xùn)練的模型能夠自動(dòng)從文獻(xiàn)中抽取知識(shí)概念及隱含關(guān)聯(lián)，助力研究者高效提出研究假設(shè)。目前，LBD在生物醫(yī)學(xué)、材料科學(xué)等領(lǐng)域已取得顯著成效，預(yù)計(jì)下一代模型將具備處理圖表、代碼等多模態(tài)研究數(shù)據(jù)能力。例如，勞倫斯伯克利國(guó)家實(shí)驗(yàn)室Tshitoyan團(tuán)隊(duì)采用自然語(yǔ)言處理的無監(jiān)督學(xué)習(xí)AI技術(shù)，分析材料科學(xué)領(lǐng)域的論文摘要，發(fā)現(xiàn)訓(xùn)練后的系統(tǒng)具備“化學(xué)直覺”，能夠預(yù)測(cè)具有特定屬性的新材料，并提出可能材料的假設(shè)與預(yù)測(cè)^［12］。芝加哥大學(xué)社會(huì)學(xué)家Sourati等人進(jìn)一步擴(kuò)展了該方法，并將論文作者間的關(guān)聯(lián)納入考慮，訓(xùn)練了兼顧論文摘要與作者的LBD系統(tǒng)，發(fā)現(xiàn)該系統(tǒng)預(yù)測(cè)材料的能力達(dá)到Tshitoyan團(tuán)隊(duì)的兩倍^［13］。

二是智能輔助的假設(shè)空間聚焦^［8］。主要包括3個(gè)過程：首先，假設(shè)對(duì)象的快速篩選。科學(xué)研究中一個(gè)科學(xué)問題往往包含多個(gè)可能的假設(shè)對(duì)象或符號(hào)，構(gòu)成假設(shè)空間時(shí)并非所有假設(shè)都值得深入探索，AI將輔助科研人員快速篩選對(duì)象或符號(hào)，聚合最有可能產(chǎn)生價(jià)值的假設(shè)范圍。例如，利用自監(jiān)督學(xué)習(xí)的AI預(yù)測(cè)器，可以根據(jù)已有知識(shí)和數(shù)據(jù)，預(yù)測(cè)哪些對(duì)象或符號(hào)更有可能產(chǎn)生有意義的假設(shè)。其次，提升假設(shè)的質(zhì)量和生成效率。一旦確定要探索的假設(shè)空間，就需要生成具體的假設(shè)，AI可以通過優(yōu)化算法和強(qiáng)化學(xué)習(xí)技術(shù)，助力生成高質(zhì)量的假設(shè)。具體而言，可訓(xùn)練AI代理（如強(qiáng)化學(xué)習(xí)模型），在假設(shè)空間中尋找高質(zhì)量的候選假設(shè)，該代理將根據(jù)需要采用“獎(jiǎng)勵(lì)策略”的方法，不斷嘗試和改進(jìn)，直到找到滿足要求的假設(shè)。最后，實(shí)驗(yàn)前的假設(shè)評(píng)估與預(yù)測(cè)。在確定待探索的假設(shè)后，還需要對(duì)其加以評(píng)估和預(yù)測(cè)，以確定哪些假設(shè)最值得進(jìn)行實(shí)驗(yàn)驗(yàn)證。該過程同樣可以借助AI的支持，通過整合先前的知識(shí)和數(shù)據(jù)，學(xué)習(xí)研究假設(shè)的貝葉斯后驗(yàn)分布（即假設(shè)在給定數(shù)據(jù)下的概率分布），可使用預(yù)測(cè)模型對(duì)假設(shè)進(jìn)行實(shí)驗(yàn)前的對(duì)比和評(píng)估，選擇最有可能成立的假設(shè)進(jìn)行實(shí)驗(yàn)。該方法可以幫助研究者更準(zhǔn)確地預(yù)測(cè)實(shí)驗(yàn)結(jié)果，減少實(shí)驗(yàn)浪費(fèi)，提高科學(xué)研究效率。

（三）實(shí)現(xiàn)科學(xué)實(shí)驗(yàn)?zāi)M與自動(dòng)化

實(shí)驗(yàn)作為檢驗(yàn)科學(xué)假設(shè)的關(guān)鍵，是推動(dòng)科學(xué)發(fā)現(xiàn)的核心環(huán)節(jié)。傳統(tǒng)實(shí)驗(yàn)面臨成本高昂、效率低下、精度不足、難以實(shí)施等諸多困境，限制了科學(xué)研究的步伐。AI4S背景下科學(xué)實(shí)驗(yàn)迎來模擬化與自動(dòng)化的革命，不僅降低實(shí)驗(yàn)成本、提高效率，更以空前的規(guī)模自動(dòng)化開展，拓展科學(xué)實(shí)驗(yàn)邊界的同時(shí)，更在深層次上重塑科學(xué)實(shí)驗(yàn)的本質(zhì)?？茖W(xué)實(shí)驗(yàn)?zāi)M化即利用計(jì)算機(jī)模擬科學(xué)實(shí)驗(yàn)的全過程，得益于高性能計(jì)算機(jī)與深度學(xué)習(xí)技術(shù)的進(jìn)步，大模型、大數(shù)據(jù)與大算力的融合，科學(xué)實(shí)驗(yàn)朝著計(jì)算機(jī)模擬的方向飛速發(fā)展，為復(fù)雜實(shí)驗(yàn)的實(shí)施開辟了新途徑，目前已在多領(lǐng)域取得顯著成效。如在氣象科學(xué)領(lǐng)域，DeepMind、華為和Nvidia等科技公司推出了AI天氣預(yù)測(cè)模型，不僅提高預(yù)報(bào)的速度和準(zhǔn)確度，更降低了預(yù)測(cè)成本。Nvidia公司更是計(jì)劃通過“Earth－2”項(xiàng)目開展更大區(qū)域的氣候預(yù)測(cè)，以展現(xiàn)AI在氣象科學(xué)中的巨大潛力^［14］。在化學(xué)領(lǐng)域，麻省理工學(xué)院研究人員通過機(jī)器學(xué)習(xí)模型成果模擬了化學(xué)反應(yīng)中的過渡態(tài)這一短暫過程，加速了化學(xué)反應(yīng)物和催化劑的研究進(jìn)程^［15］。

科學(xué)實(shí)驗(yàn)自動(dòng)化的實(shí)現(xiàn)則依托大語(yǔ)言模型、人工智能、機(jī)器人等先進(jìn)技術(shù)的支持。在該模式下，大型科學(xué)研究平臺(tái)或自動(dòng)實(shí)驗(yàn)系統(tǒng)能夠獨(dú)立設(shè)計(jì)實(shí)驗(yàn)并執(zhí)行，緩解人類實(shí)驗(yàn)員的壓力。從實(shí)驗(yàn)前的方案制定、方法選擇和環(huán)境條件配置，到實(shí)驗(yàn)中的數(shù)據(jù)記錄、參數(shù)監(jiān)控與調(diào)整，再到實(shí)驗(yàn)后的數(shù)據(jù)分析與結(jié)論生成，AI均能勝任。這一變革極大地解放了科學(xué)研究的生產(chǎn)力，科學(xué)家們能夠以前所未有的速度完成實(shí)驗(yàn)。例如，密歇根大學(xué)研發(fā)的BacterAI平臺(tái)，能夠?qū)崿F(xiàn)細(xì)菌實(shí)驗(yàn)的高度自動(dòng)化，每日可完成上萬次實(shí)驗(yàn)，全程無需人工介入^［16］。中國(guó)科學(xué)技術(shù)大學(xué)研發(fā)的機(jī)器人化學(xué)家“小來”，由“化學(xué)大腦”、機(jī)器人實(shí)驗(yàn)員和化學(xué)工作站組成，其中“化學(xué)大腦”能閱讀文獻(xiàn)、設(shè)計(jì)實(shí)驗(yàn)、優(yōu)化方案，機(jī)器人實(shí)驗(yàn)員與工作站協(xié)同執(zhí)行實(shí)驗(yàn)，在短短5周內(nèi)完成傳統(tǒng)方法需耗時(shí)1 400年的化學(xué)實(shí)驗(yàn)^［17］。自動(dòng)化實(shí)驗(yàn)的另一優(yōu)勢(shì)在于高效執(zhí)行重復(fù)性實(shí)驗(yàn)，科學(xué)界普遍存在對(duì)重復(fù)他人工作的動(dòng)力不足的現(xiàn)象，自動(dòng)化實(shí)驗(yàn)機(jī)器人能夠?qū)ο惹把芯砍晒M(jìn)行重復(fù)性實(shí)驗(yàn)，節(jié)省研究者的精力，不僅驗(yàn)證已有科學(xué)主張，還詳細(xì)記錄實(shí)驗(yàn)步驟，為后續(xù)學(xué)術(shù)分析提供寶貴數(shù)據(jù)，推動(dòng)科學(xué)研究的可持續(xù)發(fā)展。例如，曼徹斯特大學(xué)Roper教授團(tuán)隊(duì)借助Eve機(jī)器人成功復(fù)制多項(xiàng)生物醫(yī)學(xué)研究成果，為科學(xué)發(fā)展注入新活力^［18］。

（四）激發(fā)科學(xué)預(yù)測(cè)中的洞見涌現(xiàn)

產(chǎn)生科學(xué)知識(shí)是科學(xué)研究的價(jià)值所在，而科學(xué)預(yù)測(cè)作為這一過程中的關(guān)鍵一環(huán)，其準(zhǔn)確性直接決定著科學(xué)知識(shí)產(chǎn)生的步伐。傳統(tǒng)科學(xué)預(yù)測(cè)往往依賴科學(xué)家的理性分析、演繹推理與抽象建模。AI4S背景下科學(xué)預(yù)測(cè)方式正經(jīng)歷深刻變革，通過預(yù)訓(xùn)練模型能夠?qū)崿F(xiàn)無需人類干預(yù)的科學(xué)預(yù)測(cè)，這一轉(zhuǎn)變不僅重構(gòu)科學(xué)預(yù)測(cè)的實(shí)踐路徑，更為多個(gè)領(lǐng)域催生豐富的科學(xué)洞見?；贏I的科學(xué)預(yù)測(cè)，融合深度學(xué)習(xí)算法與龐大數(shù)據(jù)集的訓(xùn)練，結(jié)合學(xué)科領(lǐng)域的先驗(yàn)知識(shí)，構(gòu)建高度專業(yè)化和智能化的預(yù)測(cè)模型。這些模型具備預(yù)測(cè)新物質(zhì)、新結(jié)構(gòu)或新變化的能力，能為研究者提供全新的研究視角與方向。同時(shí)，模型強(qiáng)大的特征分析與模式識(shí)別能力，能夠高效處理大規(guī)模、高維度數(shù)據(jù)，實(shí)現(xiàn)自動(dòng)化的數(shù)據(jù)處理與結(jié)果預(yù)測(cè)，極大提高預(yù)測(cè)效率與精度，減輕研究者的負(fù)擔(dān)，提升科學(xué)研究生產(chǎn)力。更重要的是，這種預(yù)測(cè)方式有助于打破科研中個(gè)體的思維框架與限制，促進(jìn)多學(xué)科交叉和跨學(xué)科的知識(shí)共享，激發(fā)新的研究思路與方法，助力集體智慧的涌現(xiàn)，推動(dòng)科學(xué)發(fā)現(xiàn)邊界的不斷拓展。

一些研究案例證明了AI在科學(xué)預(yù)測(cè)中的巨大潛力和廣闊前景。麻省理工學(xué)院的科學(xué)家利用經(jīng)過約2 500個(gè)分子訓(xùn)練的AI模型，成功從數(shù)百萬種候選化合物中預(yù)測(cè)出能夠?qū)埂俺?jí)細(xì)菌”的新型抗生素halicin，并通過生物實(shí)驗(yàn)驗(yàn)證了其有效性^［19］。在生物分析領(lǐng)域，AlphaFold2蛋白質(zhì)結(jié)構(gòu)解析模型能夠迅速預(yù)測(cè)目標(biāo)蛋白質(zhì)的結(jié)構(gòu)，甚至揭示自然界中尚未發(fā)現(xiàn)的蛋白質(zhì)結(jié)構(gòu)。此外，美國(guó)加州大學(xué)伯克利分校和勞倫斯國(guó)家實(shí)驗(yàn)室的“A－Lab”自主實(shí)驗(yàn)系統(tǒng)，展現(xiàn)出強(qiáng)大的自主發(fā)現(xiàn)和預(yù)測(cè)新材料的能力。當(dāng)前，大模型正逐步向多模態(tài)通用性發(fā)展，研究者和開發(fā)者能夠更便捷地訓(xùn)練自定義模型，滿足不同領(lǐng)域科學(xué)研究的需求。加州理工學(xué)院、麻省理工學(xué)院及Nvidia公司，基于開源大語(yǔ)言模型聯(lián)合構(gòu)建了定理證明器，為數(shù)學(xué)領(lǐng)域的形式化定理證明提供了有力支持^［20］。微軟研究院研發(fā)的DiG模型框架，在處理不同類型的分子系統(tǒng)和描述符方面表現(xiàn)出色，主要用于預(yù)測(cè)分子結(jié)構(gòu)平衡分布，為分子科學(xué)研究、藥物設(shè)計(jì)以及材料科學(xué)等領(lǐng)域的研究帶來新機(jī)遇^［21］。IBM RXN云服務(wù)則基于數(shù)百萬個(gè)合成有機(jī)化學(xué)反應(yīng)訓(xùn)練的Transformer模型，為化學(xué)反應(yīng)預(yù)測(cè)和有機(jī)合成實(shí)驗(yàn)提供新思路。

二、AI賦能高?？茖W(xué)研究范式創(chuàng)新的風(fēng)險(xiǎn)檢視

數(shù)智技術(shù)無疑為高?？茖W(xué)研究注入了前所未有的活力，顯著加速科學(xué)研究進(jìn)程，拓寬科學(xué)發(fā)現(xiàn)視野。然而，AI的雙刃劍效應(yīng)也隨之顯現(xiàn)，新技術(shù)浪潮下亟須審視AI引發(fā)的系列風(fēng)險(xiǎn)挑戰(zhàn)。對(duì)高?？茖W(xué)研究中存在的主體工具性依賴、數(shù)據(jù)偏見導(dǎo)致的誤導(dǎo)性主張、算法的復(fù)雜性與不透明性引發(fā)的解釋困境，以及虛假內(nèi)容生成帶來的信任危機(jī)等問題，必須予以高度警覺和審視剖析。

（一）人在“旁路”：技術(shù)依賴導(dǎo)致主體性缺失

AI4S背景下，數(shù)智技術(shù)與科學(xué)研究的深度融合無疑增強(qiáng)了研究的客觀性和嚴(yán)謹(jǐn)性。然而，這種深度融合也伴隨著一種隱憂，即過度依賴AI技術(shù)可能導(dǎo)致研究者的主體性地位逐漸淡化。

一方面，研究者期待通過AI消除科學(xué)研究過程中難以避免的主觀性、偏見與認(rèn)知局限，以實(shí)現(xiàn)科學(xué)設(shè)計(jì)與實(shí)施的優(yōu)化。然而，當(dāng)這種期待轉(zhuǎn)變?yōu)閷?duì)AI的過度依賴，甚至將其視為“萬能鑰匙”時(shí)，人的主體性在科學(xué)研究中便逐漸喪失，從而引發(fā)一種被稱為“理解幻視”的認(rèn)知風(fēng)險(xiǎn)。所謂“理解幻視”，即主體錯(cuò)誤地認(rèn)為借助AI技術(shù)能彌補(bǔ)自身的認(rèn)知局限，進(jìn)而產(chǎn)生過度的自信，認(rèn)為自身對(duì)研究對(duì)象的了解已經(jīng)超越實(shí)際水平。這種過度依賴不僅阻礙研究者深入研究和廣泛探索，更可能限制科學(xué)研究的發(fā)展空間。

另一方面，大型科學(xué)研究平臺(tái)與自動(dòng)化實(shí)驗(yàn)系統(tǒng)的廣泛應(yīng)用，確實(shí)顯著提升了實(shí)驗(yàn)的效率，加速了科學(xué)發(fā)現(xiàn)的步伐。然而，在高度自動(dòng)化的實(shí)驗(yàn)過程中，人的決策性地位逐漸削弱，不再占據(jù)科學(xué)研究的主導(dǎo)地位。AI研究系統(tǒng)能夠自動(dòng)完成文獻(xiàn)搜索、綜述、研究方向生成、研究假設(shè)提出，甚至提供完整的研究設(shè)計(jì)方案，并自動(dòng)化處理龐大數(shù)據(jù)集以產(chǎn)生研究結(jié)論。AI在提升科學(xué)研究效率的同時(shí)，也引發(fā)科學(xué)研究本質(zhì)的變化。在該模式下，AI似乎成為科學(xué)知識(shí)創(chuàng)造的主體，研究者則似乎被置于科學(xué)研究的“旁路”。在此狀況下，主體的批判性思維面臨嚴(yán)峻挑戰(zhàn)，科學(xué)創(chuàng)造被限于AI自主生成的孤島中，導(dǎo)致科學(xué)創(chuàng)意匱乏。缺乏人類批判性思維的參與，科學(xué)研究往往難以觸及核心問題，也難以產(chǎn)生真正的影響力，這也是新技術(shù)背景下科學(xué)研究成果在數(shù)量上顯著增長(zhǎng)但具有顛覆性價(jià)值的研究卻逐漸減少的可能原因之一^［22］。誠(chéng)然，數(shù)智技術(shù)在科學(xué)研究中發(fā)揮著不可或缺的作用，但它始終只能作為得力工具，人類認(rèn)識(shí)與改造世界仍然離不開頭腦中的“奇妙計(jì)算機(jī)”。

（二）數(shù)據(jù)陷阱：數(shù)據(jù)偏見引發(fā)誤導(dǎo)性主張

數(shù)據(jù)作為對(duì)事物客觀描述的基石，若在收集、處理與分析的各個(gè)環(huán)節(jié)中遭遇邊緣化、覆蓋面不全或樣本偏向性等問題，基于數(shù)據(jù)生成的結(jié)果便會(huì)陷入錯(cuò)誤性、不完整性的境地，進(jìn)而引發(fā)誤導(dǎo)性主張危機(jī)。AI模型訓(xùn)練過程的復(fù)雜性與階段性使得數(shù)據(jù)偏見顯現(xiàn)于多個(gè)環(huán)節(jié)。

在數(shù)據(jù)采集階段，用于模型訓(xùn)練所采集的數(shù)據(jù)，其來源的局限性、種類的單一性以及標(biāo)簽劃分的主觀性，都有可能引發(fā)數(shù)據(jù)偏見。耶魯大學(xué)的一項(xiàng)研究揭示了這一點(diǎn)，利用AI的皮膚病學(xué)算法在診斷不同種族人群時(shí)，準(zhǔn)確性存在顯著差異，這背后的原因，正是訓(xùn)練模型所采集的數(shù)據(jù)大部分來自白人，導(dǎo)致算法應(yīng)用在其他種族時(shí)產(chǎn)生偏見^［23］。

在模型訓(xùn)練階段，訓(xùn)練過程的不嚴(yán)謹(jǐn)同樣會(huì)埋下偏見的隱患。例如，訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)集劃分不明確、充斥重復(fù)數(shù)據(jù)、混雜偽數(shù)據(jù)，都可能導(dǎo)致算法模型本身帶有偏見。普林斯頓大學(xué)Kapoor團(tuán)隊(duì)指出，至少在17個(gè)領(lǐng)域和數(shù)百篇論文中存在可重復(fù)性危機(jī)，這背后正是基于偽研究數(shù)據(jù)所訓(xùn)練的模型，其生成的研究結(jié)果也具有誤導(dǎo)性^［24］。同時(shí)，模型訓(xùn)練集和測(cè)試集的混淆，也將引發(fā)擬合、功能泛化、能力不足等問題，進(jìn)一步加劇科學(xué)研究的質(zhì)量危機(jī)，并引發(fā)AI知識(shí)生成的可信度危機(jī)。

開發(fā)者的個(gè)人偏向也將對(duì)算法產(chǎn)生影響。由于開發(fā)者基于自身的認(rèn)知偏見與情感傾向，在算法設(shè)計(jì)時(shí)可能會(huì)不自覺地強(qiáng)調(diào)某一特定特征而忽視其他關(guān)鍵變量，這種偏見性在算法的實(shí)際應(yīng)用中表現(xiàn)為對(duì)不同用戶或系統(tǒng)的不公平。同時(shí)，算法設(shè)計(jì)群體存在單一性特征。美國(guó)平等就業(yè)機(jī)會(huì)委員會(huì)觀察到“高科技”行業(yè)中白人比例過高，這一現(xiàn)狀將加劇算法開發(fā)中的種族歧視，使模型無形中偏向部分特定群體，并對(duì)其他群體產(chǎn)生歧視^［25］。

（三）算法黑箱：不透明決策導(dǎo)致解釋困境

科學(xué)研究中的算法“黑箱”現(xiàn)象日益凸顯，這源于技術(shù)本身的復(fù)雜性與技術(shù)開發(fā)者的算法保護(hù)策略。研究者在使用AI時(shí)，往往無法洞察算法生成結(jié)果背后的設(shè)計(jì)邏輯與內(nèi)部機(jī)制，導(dǎo)致對(duì)算法結(jié)果的解釋、監(jiān)管與審查陷入重重困境。這種不透明性不僅影響研究結(jié)論的可靠性，也阻礙研究者對(duì)算法決策的信任。一方面，研究中算法與模型設(shè)計(jì)的科學(xué)性不足，加之算法內(nèi)部復(fù)雜的數(shù)據(jù)和參數(shù)設(shè)置，使得算法的運(yùn)作過程和決策邏輯難以被完全理解，研究者在使用這些模型時(shí)，可能會(huì)基于不準(zhǔn)確的預(yù)測(cè)或誤導(dǎo)性的結(jié)論開展研究，進(jìn)而對(duì)整個(gè)人類知識(shí)庫(kù)構(gòu)成威脅。例如，研究人員在調(diào)整數(shù)據(jù)和參數(shù)以符合個(gè)人預(yù)期時(shí)，AI為其提供了過度的自由度，可能導(dǎo)致研究結(jié)果失真。另一方面，算法的不透明性也限制了研究者難以準(zhǔn)確追溯問題根源，不知不覺中可能陷入學(xué)術(shù)信息繭房，導(dǎo)致視野受限，創(chuàng)新受阻。此外，推薦算法機(jī)制傾向于推送與用戶偏好高度一致的內(nèi)容，將加劇繭房效應(yīng)，限制研究者的研究視角與深度。

算法的復(fù)雜性和不透明性也將加劇科學(xué)研究?jī)?nèi)容審查的困難。一方面，由于無法直接窺視算法的內(nèi)部運(yùn)作，研究者往往難以對(duì)算法生成的結(jié)果進(jìn)行有效評(píng)估與監(jiān)管，從而難以確保研究結(jié)論的準(zhǔn)確性和可信度。另一方面，科學(xué)研究活動(dòng)中涉及數(shù)據(jù)收集、處理、分析和解釋等環(huán)節(jié)，算法的不透明性會(huì)使得研究者難以確保項(xiàng)目的合規(guī)性和倫理性，引發(fā)數(shù)據(jù)濫用、隱私泄露等倫理問題。此外，法律法規(guī)、倫理標(biāo)準(zhǔn)以及監(jiān)管機(jī)構(gòu)的審查方式具有一定滯后性，無法及時(shí)應(yīng)對(duì)算法帶來的各種風(fēng)險(xiǎn)。以生物醫(yī)學(xué)領(lǐng)域?yàn)槔?，AI算法在圖像分類中的應(yīng)用雖然具有巨大潛力，但錯(cuò)誤的分類結(jié)果可能直接關(guān)系到患者的生死。因此，確保算法的透明性和可靠性，是科學(xué)研究領(lǐng)域亟待解決的問題。

（四）信任危機(jī)：大模型滋生虛假內(nèi)容泛濫

AI特別是生成式AI的迅猛發(fā)展，使其內(nèi)容生成能力達(dá)到了前所未有的高度。然而，這種技術(shù)的濫用卻導(dǎo)致學(xué)術(shù)造假問題頻發(fā)。尤其在高校中，學(xué)生直接利用生成式AI技術(shù)完成課程論文和作業(yè)，引發(fā)嚴(yán)重的學(xué)術(shù)誠(chéng)信危機(jī)。馬里蘭大學(xué)的學(xué)生行為辦公室在2022—2023學(xué)年中收到的與AI相關(guān)的學(xué)術(shù)誠(chéng)信違規(guī)舉報(bào)高達(dá)73起，令人震驚的數(shù)字背后，凸顯高校學(xué)術(shù)誠(chéng)信問題的緊迫性^［26］。在科學(xué)研究領(lǐng)域，生成式AI的廣泛應(yīng)用與論文發(fā)表所要求的原創(chuàng)性聲明原則之間存在明顯的沖突。研究表明，當(dāng)ChatGPT創(chuàng)建的摘要被提交給學(xué)術(shù)評(píng)審員時(shí)，僅有63%的“贗品”被發(fā)現(xiàn)^［27］。這一發(fā)現(xiàn)揭示了學(xué)術(shù)造假監(jiān)管工作的艱巨性，也讓我們意識(shí)到，在享受技術(shù)帶來便利的同時(shí)，必須警惕其潛在的風(fēng)險(xiǎn)。確?？茖W(xué)研究的學(xué)術(shù)公正性，對(duì)于維護(hù)科學(xué)研究生態(tài)的穩(wěn)定運(yùn)行至關(guān)重要。高校作為學(xué)術(shù)培養(yǎng)和知識(shí)生產(chǎn)的主要場(chǎng)所，理應(yīng)承擔(dān)起監(jiān)管和治理的重任。

AI大語(yǔ)言模型在科學(xué)研究中的廣泛應(yīng)用確實(shí)帶來諸多便利，但頻繁生成的虛假信息以及缺乏有效監(jiān)管機(jī)制的現(xiàn)實(shí)，已經(jīng)引發(fā)研究者對(duì)AI技術(shù)的信任危機(jī)。一方面，模型的訓(xùn)練依賴龐大的訓(xùn)練集，然而訓(xùn)練集來源的多樣性、復(fù)雜性與冗雜性，使得數(shù)據(jù)的真?zhèn)涡耘c準(zhǔn)確性難以保證。此外，人為的惡意訓(xùn)練與對(duì)抗攻擊，也可能導(dǎo)致模型生成虛假、錯(cuò)誤或誤導(dǎo)性內(nèi)容。另一方面，相較于傳統(tǒng)實(shí)驗(yàn)研究，利用AI進(jìn)行實(shí)驗(yàn)與研究往往缺少必要的申請(qǐng)、批準(zhǔn)環(huán)節(jié)，以及缺乏如IRB（機(jī)構(gòu)審查委員會(huì)）機(jī)構(gòu)的督查?？茖W(xué)研究中AI使用的規(guī)范與倫理尚未得到系統(tǒng)、標(biāo)準(zhǔn)的管理，其使用過程缺乏透明度和可控性，進(jìn)一步加劇研究者對(duì)人工智能的信任危機(jī)。Nature對(duì)1 600名研究人員的調(diào)查顯示，超過半數(shù)的研究者擔(dān)心AI生成的錯(cuò)誤內(nèi)容激增，認(rèn)為抄襲變得更容易且難以檢測(cè)，擔(dān)憂其可能導(dǎo)致錯(cuò)誤或不準(zhǔn)確的研究結(jié)果，更有近六成的研究者認(rèn)為這些工具可能引發(fā)欺詐行為^［28］。這一擔(dān)憂不容忽視。

三、AI賦能高?？茖W(xué)研究范式創(chuàng)新的實(shí)踐進(jìn)路

科學(xué)研究范式的轉(zhuǎn)型并非意味著對(duì)過往范式的徹底背離，而是要在已有范式的基礎(chǔ)上持續(xù)創(chuàng)變。高校作為實(shí)現(xiàn)高水平科技自立自強(qiáng)的關(guān)鍵力量，應(yīng)積極融入數(shù)智技術(shù)浪潮，利用技術(shù)變革為科學(xué)研究創(chuàng)新注入新動(dòng)力。同時(shí)，需保持敏銳的洞察力，主動(dòng)應(yīng)對(duì)技術(shù)衍生的風(fēng)險(xiǎn)與挑戰(zhàn)，在實(shí)踐中探尋一條深植于中國(guó)學(xué)術(shù)土壤且充分展現(xiàn)中國(guó)獨(dú)特話語(yǔ)體系的高校科學(xué)研究發(fā)展道路，以推動(dòng)科學(xué)研究的持續(xù)繁榮與進(jìn)步。

（一）人在回路：以跨界協(xié)同提升AI科研素養(yǎng)

高校在開展科學(xué)研究的過程中，應(yīng)始終堅(jiān)守人的主體地位，避免陷入“理解幻視”困境。所謂“人在回路”，指機(jī)器決策中強(qiáng)調(diào)人的決策參與，構(gòu)建融合人類智慧的算法，通過跨界融合提升研究者的AI科研素養(yǎng)，并設(shè)計(jì)相應(yīng)的培訓(xùn)方案，確?！翱茖W(xué)研究—人才培養(yǎng)”良性循環(huán)和可持續(xù)發(fā)展。

其一，開發(fā)以人為本的智能科研系統(tǒng)，構(gòu)建人在回路的AI算法。這一系統(tǒng)強(qiáng)調(diào)人機(jī)協(xié)同，其中人的作用與地位至關(guān)重要，AI作為輔助者而非替代者。系統(tǒng)需要具備高度的可干預(yù)性和適應(yīng)性，使研究者能隨時(shí)干預(yù)和調(diào)整系統(tǒng)運(yùn)行，確?？茖W(xué)研究方向的正確性。同時(shí)，算法的設(shè)計(jì)應(yīng)具備透明性、可解釋性，確保研究者能夠清晰理解算法的運(yùn)行過程和結(jié)果，從而進(jìn)行準(zhǔn)確的評(píng)估。以華盛頓大學(xué)研究團(tuán)隊(duì)為例，他們?cè)谌藱C(jī)協(xié)同科學(xué)研究過程中，充分發(fā)揮人的主導(dǎo)作用，結(jié)合AI技術(shù)提議，采用擴(kuò)展RFdiffusion與序列設(shè)計(jì)工具ProteinMPNN結(jié)合的新方法，充分發(fā)揮了實(shí)驗(yàn)設(shè)計(jì)中人類思維的創(chuàng)新性^［29］。

其二，倡導(dǎo)各界緊密合作，跨界融合培育AI科研素養(yǎng)。通過建立“高?！髽I(yè)”三位一體的跨界協(xié)作平臺(tái)，構(gòu)建“AI+X”跨專業(yè)融合課程體系，推動(dòng)AI技術(shù)與其他學(xué)科領(lǐng)域的深度融合，全面加強(qiáng)研究者AI科研素養(yǎng)的培養(yǎng)^［30］。譬如，麻省理工學(xué)院聯(lián)合8個(gè)不同院系，依托“計(jì)算機(jī)科學(xué)與AI實(shí)驗(yàn)室”，為不同需求層次的學(xué)生提供多樣化的學(xué)位項(xiàng)目（包括計(jì)算與認(rèn)知工程碩士、計(jì)算機(jī)科學(xué)博士、計(jì)算機(jī)科學(xué)與工程博士等），并積極與政府、學(xué)術(shù)研究機(jī)構(gòu)等合作，為學(xué)生提供豐富的實(shí)習(xí)機(jī)會(huì)^［31］。帝國(guó)理工學(xué)院聯(lián)合康奈爾大學(xué)以及政府、行業(yè)，建立了跨大西洋AI科學(xué)網(wǎng)絡(luò)，發(fā)布I－X創(chuàng)新計(jì)劃，將關(guān)鍵學(xué)科（如材料、物理學(xué)、生物學(xué)或可持續(xù)科學(xué)領(lǐng)域）的AI科學(xué)家聚集起來，共同探索該技術(shù)在科學(xué)工程研究中的應(yīng)用，以加速科學(xué)發(fā)現(xiàn)^［32］。

其三，依托跨界共同體，構(gòu)建學(xué)分認(rèn)定與資金保障機(jī)制，為跨學(xué)科融合培育提供支持。在學(xué)分互認(rèn)方面，可以為科學(xué)研究后備軍提供靈活多樣的學(xué)習(xí)路徑和成果認(rèn)證方式。如我國(guó)華東地區(qū)6所高校聯(lián)合華為、百度、商湯科技等企業(yè)，采用共建共選的方式，以小規(guī)模限制性在線課程（SPOC）的形式，開設(shè)了“AI+X微專業(yè)”，學(xué)生在1～2年內(nèi)獲得不少于12個(gè)學(xué)分，就可被授予由6所高校共同簽章的微專業(yè)證書，學(xué)分可以申請(qǐng)轉(zhuǎn)換為校內(nèi)公共選修課學(xué)分^［33］。在資金支持與激勵(lì)方面，Schmidt Futures項(xiàng)目面向高校設(shè)立了高達(dá)1.48億美元的AI科學(xué)獎(jiǎng)學(xué)金，培養(yǎng)未來的AI領(lǐng)導(dǎo)者，目前已在促進(jìn)數(shù)學(xué)發(fā)現(xiàn)、監(jiān)測(cè)作物干旱、改進(jìn)太陽(yáng)能材料等多個(gè)領(lǐng)域取得顯著成效^［32］。

（二）數(shù)據(jù)規(guī)范：以數(shù)據(jù)標(biāo)準(zhǔn)確保合規(guī)使用

AI模型的訓(xùn)練和學(xué)習(xí)過程離不開數(shù)據(jù)的反復(fù)訓(xùn)練與測(cè)試，數(shù)據(jù)的客觀性、中立性、全面性，數(shù)據(jù)庫(kù)的標(biāo)準(zhǔn)化程度，都將影響AI算法決策的結(jié)果。若數(shù)據(jù)集在劃分過程中缺乏嚴(yán)謹(jǐn)性，還可能導(dǎo)致模型偏見問題。因此，高校科學(xué)研究應(yīng)致力于數(shù)據(jù)規(guī)范化，構(gòu)建清晰的數(shù)據(jù)清單和統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)框架。

首先，明確數(shù)據(jù)標(biāo)準(zhǔn)，建立詳盡數(shù)據(jù)清單。通過系統(tǒng)化數(shù)據(jù)存儲(chǔ)與精細(xì)化管理，確保數(shù)據(jù)的準(zhǔn)確性、完整性和一致性。同時(shí)，遵循統(tǒng)一的標(biāo)準(zhǔn)進(jìn)行數(shù)據(jù)的標(biāo)準(zhǔn)化操作，明確數(shù)據(jù)的來源、種類和標(biāo)簽的劃分。目前，F(xiàn)AIR標(biāo)準(zhǔn)（即可查找、可訪問、可互操作和可重復(fù)使用）已在多個(gè)領(lǐng)域得到廣泛認(rèn)可，如跨學(xué)科地球數(shù)據(jù)聯(lián)盟EarthChem圖書館，圍繞業(yè)界標(biāo)準(zhǔn)整合數(shù)據(jù)集格式，與不同學(xué)科領(lǐng)域保持高度一致，并能在互聯(lián)網(wǎng)上便捷地獲取^［34］28。

其次，基于標(biāo)準(zhǔn)化數(shù)據(jù)，構(gòu)建高質(zhì)量數(shù)據(jù)集和數(shù)據(jù)庫(kù)。建議從國(guó)家層面推動(dòng)跨行業(yè)、高校、企業(yè)以及科學(xué)研究機(jī)構(gòu)的合作，共同構(gòu)建超大型數(shù)據(jù)集和數(shù)據(jù)庫(kù)，為AI技術(shù)的發(fā)展提供堅(jiān)實(shí)的數(shù)據(jù)支撐。在國(guó)際方面，谷歌聯(lián)合哈佛大學(xué)、麻省理工學(xué)院等高校，依據(jù)統(tǒng)一數(shù)據(jù)標(biāo)準(zhǔn)整合處理了包含25 000 TB小鼠大腦特定區(qū)域圖譜數(shù)據(jù)集，為相關(guān)研究提供寶貴數(shù)據(jù)源^［35］。在國(guó)內(nèi)，騰訊優(yōu)圖實(shí)驗(yàn)室聯(lián)合多個(gè)部門，基于統(tǒng)一標(biāo)準(zhǔn)建立了全球最大的甲骨文單字?jǐn)?shù)據(jù)庫(kù)，為后續(xù)相關(guān)研究工具的開發(fā)提供支持^［36］。

再次，明晰數(shù)據(jù)使用標(biāo)準(zhǔn)，規(guī)范模型訓(xùn)練過程。模型訓(xùn)練過程中操作不當(dāng)，將導(dǎo)致數(shù)據(jù)偏見等問題，進(jìn)而影響AI模型的準(zhǔn)確性。因此，需要建立相對(duì)統(tǒng)一的標(biāo)準(zhǔn)，包括數(shù)據(jù)使用、模型訓(xùn)練策略選擇、評(píng)估與反饋指標(biāo)等。國(guó)內(nèi)外眾多機(jī)構(gòu)已發(fā)布數(shù)據(jù)使用標(biāo)準(zhǔn)和指南，如FAIR原則中對(duì)數(shù)據(jù)在代碼中的存放、研究論文的引用進(jìn)行了規(guī)范^［34］26；歐盟委員會(huì)FAIR數(shù)據(jù)專家組的報(bào)告對(duì)數(shù)據(jù)的引用所需步驟進(jìn)行了羅列與說明^［34］26；澳大利亞研究數(shù)據(jù)共享組織（ARDC）制作了在線培訓(xùn)指南，引導(dǎo)研究人員正確引用數(shù)據(jù)、樣本和軟件資源^［37］；美國(guó)研究機(jī)構(gòu)發(fā)布了如何增加科學(xué)數(shù)據(jù)訪問權(quán)限的指南，以規(guī)范數(shù)據(jù)的使用^［38］；斯坦福大學(xué)、圣地亞哥州立大學(xué)等高校發(fā)布相關(guān)生成式AI教學(xué)指南與使用指南，分別對(duì)教師、學(xué)生等不同群體提供使用手冊(cè)，并圍繞使用的過程步驟進(jìn)行指導(dǎo)與規(guī)范^［39］。

（三）可解釋AI：以透明算法研發(fā)解密“黑箱”

算法模型在數(shù)據(jù)處理中直接輸出結(jié)果，其內(nèi)部運(yùn)行機(jī)制復(fù)雜，即使對(duì)算法工程師或數(shù)據(jù)科學(xué)家而言也是一片迷霧，這種不透明性極大地削弱了決策者對(duì)AI技術(shù)的信任。為應(yīng)對(duì)“黑箱”挑戰(zhàn)，可解釋AI（XAI）應(yīng)運(yùn)而生。XAI系統(tǒng)致力于揭示AI模型的內(nèi)部邏輯，詳細(xì)解釋AI決策和預(yù)測(cè)的依據(jù)與過程，揭示潛在的影響和偏差，并展現(xiàn)模型的準(zhǔn)確性、公平性、透明度和結(jié)果。其不僅為用戶提供理解和信任算法結(jié)果的途徑，也支持技術(shù)人員以負(fù)責(zé)任的態(tài)度進(jìn)行開發(fā)，同時(shí)賦予決策者質(zhì)疑AI結(jié)果并據(jù)此作出明智決策的能力。在推動(dòng)AI變革科學(xué)研究范式的過程中，高?？茖W(xué)研究應(yīng)積極采用XAI工具，以提高算法模型的透明度，幫助研究者和AI開發(fā)者更好地理解和信任新一代的AI科研伙伴。

在高?？茖W(xué)研究領(lǐng)域，XAI的價(jià)值已得到廣泛認(rèn)可。加州理工學(xué)院在虛擬研討會(huì)上，明確將開發(fā)XAI列為重要議題，強(qiáng)調(diào)AI模型應(yīng)具備精確的開發(fā)校準(zhǔn)、可驗(yàn)證的單元測(cè)試以及用戶友好的界面，確保實(shí)際應(yīng)用中的高效性和可靠性^［40］；UCLA的研究團(tuán)隊(duì)利用XAI技術(shù)對(duì)原本用于山體滑坡預(yù)測(cè)的深度神經(jīng)網(wǎng)絡(luò)（DNN）進(jìn)行優(yōu)化，成功開發(fā)出SNN模型^［41］，不僅改善了DNN在解釋性方面的不足，還保持了高準(zhǔn)確性、高泛化能力和低模型復(fù)雜度，為山體滑坡的精準(zhǔn)預(yù)測(cè)提供有力支持。在國(guó)內(nèi)，山東大學(xué)開發(fā)的RetroExplainer算法在有機(jī)物的逆合成路線識(shí)別中取得顯著進(jìn)展，不僅提高了識(shí)別效率，還為用戶提供了對(duì)算法決策過程的深入理解^［42］；清華大學(xué)的研究團(tuán)隊(duì)利用可解釋的機(jī)器學(xué)習(xí)技術(shù)對(duì)BiVO4光陽(yáng)極系統(tǒng)進(jìn)行優(yōu)化，利用AI模型分析過去的實(shí)驗(yàn)數(shù)據(jù)，揭示了系統(tǒng)內(nèi)部的復(fù)雜關(guān)系，為進(jìn)一步優(yōu)化提供重要指導(dǎo)^［43］。目前，在科學(xué)研究中用于緩解算法“黑箱”問題的XAI主要有兩類實(shí)現(xiàn)路徑。一類是設(shè)計(jì)本質(zhì)上可解釋的預(yù)測(cè)模型，這類模型通過采用基于規(guī)則、決策樹和線性模型等特征權(quán)重、內(nèi)部路徑和規(guī)則可見的組件，確保決策過程的可追溯性和透明度^［44］。然而這種方法也面臨功能和預(yù)測(cè)性上的限制，因?yàn)榛谝?guī)則的模型組件往往較為固定，用戶只能進(jìn)行微調(diào)。另一類是事后可解釋性技術(shù)，主要解決深度學(xué)習(xí)模型在追求預(yù)測(cè)準(zhǔn)確性時(shí)犧牲透明度和可解釋性的問題^［45］，包括全局模型和局部模型兩個(gè)維度，前者揭示黑盒模型的平均行為，后者則針對(duì)單個(gè)預(yù)測(cè)進(jìn)行解釋。

（四）倫理審查：以科研治理促進(jìn)可持續(xù)發(fā)展

AI賦能科學(xué)研究的同時(shí)，引發(fā)了虛假信息生成和學(xué)術(shù)造假問題，這導(dǎo)致科學(xué)研究領(lǐng)域?qū)I的信任度下降。因此，對(duì)AI進(jìn)行倫理審查與治理已成為當(dāng)務(wù)之急。

首先，積極開發(fā)用于識(shí)別造假的AI工具，利用AI技術(shù)對(duì)造假問題及虛假信息進(jìn)行規(guī)范與治理，并不斷提升治理效率和準(zhǔn)確性。政府應(yīng)給予技術(shù)創(chuàng)新研究資金支持及資源激勵(lì)，確保技術(shù)的可持續(xù)發(fā)展。例如，OpenAI的Deepfake探測(cè)器能有效檢測(cè)DALL－E等圖像生成器創(chuàng)建的虛假內(nèi)容^［46］；百度AI開放平臺(tái)推出了圖片造假審查工具，能夠精準(zhǔn)識(shí)別圖片是否經(jīng)過篡改；哈佛大學(xué)在醫(yī)療AI領(lǐng)域投入巨資，集結(jié)頂尖科學(xué)研究人才，實(shí)現(xiàn)了技術(shù)創(chuàng)新突破^［47］。

其次，設(shè)立大模型倫理委員會(huì)，統(tǒng)籌各部門資源共同應(yīng)對(duì)AI倫理風(fēng)險(xiǎn)。應(yīng)匯聚各行業(yè)領(lǐng)域的共治力量，形成治理共同體，并重視社會(huì)中每個(gè)成員的力量，使其具有對(duì)技術(shù)限制的發(fā)言權(quán)。正如比勒陀利亞大學(xué)數(shù)據(jù)科學(xué)主席Marivate所言，AI治理是一項(xiàng)團(tuán)隊(duì)活動(dòng)，道德決策和責(zé)任應(yīng)由全社會(huì)共同承擔(dān)^［48］。

再次，嘗試構(gòu)建全面AI科學(xué)研究治理框架，闡明治理體系、機(jī)制和條例，鼓勵(lì)公眾參與治理，提供具體參與路徑，通過培訓(xùn)研討、課程開發(fā)等途徑，推廣AI研究工具，普及應(yīng)用倫理規(guī)范，制定AI研究工具的使用原則、規(guī)定與指南，從而推動(dòng)治理流程的高效運(yùn)轉(zhuǎn)^［49］。在框架明晰的基礎(chǔ)上，應(yīng)進(jìn)一步細(xì)化實(shí)施策略，例如設(shè)立專門的治理機(jī)構(gòu)，嚴(yán)格監(jiān)測(cè)大模型輸出，確保輸出內(nèi)容的真實(shí)性與準(zhǔn)確性；加強(qiáng)算法的備案和變更管理，對(duì)算法的合法性、合規(guī)性和安全性進(jìn)行全面審查與評(píng)估。此外，政府、科研機(jī)構(gòu)、企業(yè)等各方應(yīng)密切合作，共同明確治理流程、框架及實(shí)施路徑。英國(guó)政府在數(shù)據(jù)倫理方面樹立了典范，不僅制定了詳細(xì)的數(shù)據(jù)倫理框架（涵蓋內(nèi)部監(jiān)測(cè)與治理機(jī)制、數(shù)據(jù)處理責(zé)任、數(shù)據(jù)處理活動(dòng)記錄等方面），還明確了數(shù)據(jù)處理中的責(zé)任，提出公眾問責(zé)制，確保公眾或其代表能夠有效監(jiān)督政府決策與行動(dòng)^［50］。

四、結(jié)" 語(yǔ)

從尋找數(shù)據(jù)模式的機(jī)器學(xué)習(xí)模型，到從海量文本代碼中生成內(nèi)容的最新通用算法，人工智能不僅加速了知識(shí)探索的步伐，更為科學(xué)探索開辟了新航道。在人工智能賦能的新科學(xué)研究工作模式下，科學(xué)研究工作者的想象力不斷被激發(fā)，能夠洞察潛在的數(shù)據(jù)模式與異常現(xiàn)象，跨越自身的認(rèn)知邊界，對(duì)已有研究作出新解釋，并發(fā)現(xiàn)更具價(jià)值的新問題。人工智能賦能科學(xué)研究改變了工作的流程，引領(lǐng)科學(xué)研究范式的創(chuàng)變。新科學(xué)研究范式中人工智能引領(lǐng)知識(shí)發(fā)現(xiàn)，成為人類創(chuàng)造力的強(qiáng)大催化劑，依托數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)模型，融合模擬技術(shù)與可擴(kuò)展計(jì)算的力量，激發(fā)了研究者的創(chuàng)新思維，形成創(chuàng)新性的解決方案。

新局面意味著新風(fēng)險(xiǎn)，高校作為科學(xué)研究的主陣地，必須以高度的責(zé)任感與前瞻性的戰(zhàn)略眼光進(jìn)行全局性部署，確保人工智能在科學(xué)研究中可靠運(yùn)行，同時(shí)采取周密的倫理審查措施。如此，才能實(shí)現(xiàn)人工智能益處最大化、潛在風(fēng)險(xiǎn)最小化，解鎖以前無法挖掘的科學(xué)奧秘，推動(dòng)人類社會(huì)邁向更加輝煌的未來。展望未來，人工智能與科學(xué)研究的深度融合將引領(lǐng)一系列前沿方向，涵蓋從方法論的革新到自主科學(xué)研究系統(tǒng)的構(gòu)建，再到知識(shí)提取、復(fù)雜現(xiàn)象建模、假設(shè)生成驗(yàn)證及新學(xué)科建設(shè)與跨學(xué)科合作的全方位推進(jìn)，在提升數(shù)據(jù)質(zhì)量、優(yōu)化實(shí)驗(yàn)設(shè)計(jì)、挖掘潛在模式等方面發(fā)揮關(guān)鍵作用，在新興科學(xué)領(lǐng)域人工智能更進(jìn)一步展現(xiàn)巨大潛力，為科學(xué)研究開辟新道路。

參考文獻(xiàn)：

［1］ 李國(guó)杰.智能化科研（AI4R）：第五科研范式［J］.中國(guó)科學(xué)院院刊，2024，39（1）：1－9.

［2］ 張海生.人工智能賦能學(xué)科建設(shè)：解釋模型與邏輯解構(gòu)［J］.高校教育管理，2023，17（3）：42－50，75.

［3］ 庫(kù)恩.科學(xué)革命的結(jié)構(gòu)［M］.金吾倫，胡新和，譯.北京：北京大學(xué)出版社，2003：9.

［4］ 張海生.人工智能賦能大學(xué)治理：多重效應(yīng)與治理效能轉(zhuǎn)化［J］.重慶高教研究，2024，12（2）：25－36.

［5］ 亨普爾.自然科學(xué)的哲學(xué)［M］.張華夏，余謀昌，魯旭東，譯.北京：中國(guó)人民大學(xué)出版社，1986：12.

［6］ 周林東.科學(xué)哲學(xué)［M］.上海：復(fù)旦大學(xué)出版社，2004：128.

［7］ ZHOU C， PAFFENROTH R C. Anomaly detection with robust deep autoencoders［C］//Proceedings of the 23rd ACM SIGKDD international conference on knowledge discovery and data mining.New York： Association for Computing Machinery，2017：665－674.

［8］ WANG H C， FU T F， DU Y Q， et al. Scientific discovery in the age of artificial intelligence［J］. Nature，2023，620（7972）：47－60.

［9］ How AI is transforming scientific research， with Rebecca Williett（EP.117）［EB/OL］.（2023－08－10）［2024－06－18］.https：//news.uchicago.edu/how－ai－transforming－scientific－research.

［10］GOVORKOVA E， PULJAK E， AARRESTAD T， et al. Autoencoders on field－programmable gate arrays for real－time， unsupervised new physics detection at 40 MHz at the Large Hadron Collider［J］.Nature machine intelligence，2022，4（2）：154－161.

［11］ZHOU Y K， CHIA M A， WAGNER S K， et al. A foundation model for generalizable disease detection from retinal images［J］.Nature，2023，622（7981）：156－163.

［12］TSHITOYAN V， DAGDELEN J， WESTON L， et al. Unsupervised word embeddings capture latent knowledge from materials science literature［J］.Nature，2019，571（7763）：95－98.

［13］SOURATI J， EVANS J A. Accelerating science with human－aware artificial intelligence［J］.Nature human behaviour，2023，7（10）：1682－1696.

［14］REMI L， ALVARO S G， MATTHEW W，et al. Learning skillful medium－range global weather forecasting［J］.Science，2023，382（6677）：1416－1421.

［15］DUAN C R， DU Y Q， JIA H J， et al. Accurate transition state generation with an object－aware equivariant elementary reaction diffusion model［J］.Nature computational science，2023，3（12）：1045－1055.

［16］COLE A. Four Ways AI Has Already Changed Science［EB/OL］.（2023－07－18） ［2024－06－18］.https：//www.techopedia.com/four－ways－ai－h(huán)as－already－changed－science.

［17］王敏.“機(jī)器化學(xué)家”是怎樣煉成的［N］.中國(guó)科學(xué)報(bào)，2023－05－16（01）.

［18］The Economist. Could AI transform science itself？［EB/OL］.（2023－09－13） ［2024－06－18］.https：//www.economist.com/science－and－technology/2023/09/13/could－ai－transform－science－itself.

［19］STOKES J M， YANG K， SWANSON K， et al. A deep learning approach to antibiotic discovery［J］.Cell， 2020，181（2）：475－483.

［20］YANG K，SWOPE A M，GU A，et al. Leandojo：theorem proving with retrieval－augmented language models［EB/OL］.（2023－10－16） ［2024－06－18］.https：//arxiv.org/abs/2306.15626.

［21］ZHENG S X， HE J Y， LIU C， et al. Predicting equilibrium distributions for molecular systems with deep learning［J］.Nature machine intelligence， 2024，6（5）：558－567.

［22］PARK M， LEAHEY E， FUNK R J. Papers and patents are becoming less disruptive over time［J］.Nature，2023，613（7942）：138－144.

［23］ZACK T， LEHMEN E， SUZGUN M， et al. Assessing the potential of GPT－4 to perpetuate racial and gender biases in health care： a model evaluation study［J］.The Lancet digital health，2024，6（1）：e12－e22.

［24］Nature. AI will transform science － now researchers must tame it ［EB/OL］.（2023－09－27） ［2024－06－18］.https：//www.nature.com/articles/d41586－023－02988－6.

［25］SOLOMON D， MAXWELL C， CASTRO A. Systematic Inequality and Economic Opportunity［EB/OL］.（2019－08－07） ［2024－06－18］. https：//www.americanprogress.org/article/systematic－inequality－economic－opportunity/.

［26］GAUR A. UMD records at least 50 AI－related academic integrity cases in 2022－23［EB/OL］.（2023－11－27） ［2024－06－18］. https：//dbknews.com/2023/11/27/umd－chatgpt－academic－integrity－cases/.

［27］HOLDEN T H . ChatGPT is fun， but not an author［J］. Science，2023，379（6630）：313.

［28］VAN N R， PERKEL J M. AI and science： what 1，600 researchers think［J］. Nature，2023，621（7980）：672－675.

［29］RUMFIEL G. New proteins， better batteries： Scientists are using AI to speed up discoveries［EB/OL］.（2023－10－12） ［2024－06－18］. https：//www.npr.org/sections/health－shots/2023/10/12/1205201928/artificial－intelligence－ai－scientific－discoveries－proteins－drugs－solar.

［30］祝智庭，戴嶺，趙曉偉，等.新質(zhì)人才培養(yǎng)：數(shù)智時(shí)代教育的新使命［J］.電化教育研究，2024，45（1）：52－60.

［31］李鋒亮，龐雅然.世界一流大學(xué)如何建設(shè)人工智能學(xué)科［N］.光明日?qǐng)?bào)，2022－02－10（14）.

［32］JOHNS S. Imperial and Cornell University to cooperate on AI in scientific discovery［EB/OL］.（2023－04－18） ［2024－06－18］. https：//www.imperial.ac.uk/news/244392/imperial－cornell－university－cooperate－ai－scientific/.

［33］吳飛，陳為，孫凌云，等.以知識(shí)點(diǎn)為中心建設(shè)AI+X微專業(yè)［J］.科教發(fā)展研究，2023，3（1）：96－116.

［34］European Commission， Directorate－General for Research and Innovation. Turning FAIR into reality： final report and action plan from the European Commission expert group on FAIR data［R］. Luxembourg： Publications Office of the European Union，2018.

［35］JANUSZEWSKI M. Google Research embarks on effort to map a mouse brain［EB/OL］.（2023－09－26） ［2024－06－18］. https：//research.google/blog/google－research－embarks－on－effort－to－map－a－mouse－brain/.

［36］騰訊AI新成果：建立全球最大的甲骨文單字?jǐn)?shù)據(jù)庫(kù) ［EB/OL］.（2023－07－25） ［2024－06－18］. https：//cloud.tencent.com/developer/article/2305113.

［37］ARDC. Citation and Identifiers ［EB/OL］.（2022－05－14） ［2024－06－18］. https：//ardc.edu.au/resource/citation－and－identifiers/.

［38］HOLDREN J P. Memorandum for the Heads of Executive Departments and Agencies： Increasing Access to the Results of Federally Funded Scientific Research［EB/OL］.（2013－02－22） ［2024－06－18］. https：//rosap.ntl.bts.gov/view/dot/34953.

［39］Artificial Intelligence Teaching Guide［EB/OL］. （2024－06－18） ［2024－06－18］.https：//teachingcommons.stanford.edu/teaching－guides/artificial－intelligence－teaching－guide.

［40］Caltech Explainable AI Virtual Workshop［EB/OL］.（2021－09－23） ［2024－06－18］.https：//sites.astro.caltech.edu/xai4s/program.html.

［41］UCLA. UCLA team uses artificial intelligence to predict landslides－UCLA［EB/OL］.（2024－06－18） ［2024－06－29］. https：//www.chemistry.ucla.edu/news/ucla－team－uses－artificial－intelligence－to－predict－landslides/.

［42］WANG Y， PANG C， WANG Y Z， et al. Retrosynthesis prediction with an interpretable deep－learning framework based on molecular assembly tasks［J］. Nature communications，2023，14（1）：6155.

［43］HUANG M， WANG S， ZHU H. A comprehensive machine learning strategy for designing high－performance photoanode catalysts［J］.Journal of materials chemistry，" A. materials for energy and sustainability，2023，11（40）：21619－21627.

［44］RAI A. Explainable ai：from black box to glass box［J］.Journal of the academy of marketing science：official publication of the academy of marketing science，2020，48（1）：137－141.

［45］MARGOT V. A Brief Overview of Methods to Explain AI （XAI）［EB/OL］.（2021－11－27） ［2024－06－18］. https：//towardsdatascience.com/a－brief－overview－of－methods－to－explain－ai－xai－fe0d2a7b05d6.

［46］METZ C， HSU T. OpenAI Releases “Deepfake” Detector to Disinformation Researchers［EB/OL］.（2024－05－07） ［2024－06－18］. https：//www.nytimes.com/2024/05/07/technology/openai－deepfake－detector.html.

［47］Artificial Intelligence in Medicine Program［EB/OL］.［2024－06－18］. https：//aim.hms.harvard.edu/.

［48］FRUEH S. How AI Is Shaping Scientific Discovery［EB/OL］.（2023－11－06） ［2024－06－18］. https：//www.nationalacademies.org/news/2023/11/how－ai－is－shaping－scientific－discovery.

［49］常桐善，趙蕾.美國(guó)高校應(yīng)對(duì)和使用人工智能工具的策略與原則［J］.重慶高教研究，2024，12（4）：68－79.

［50］Central Digital and Data Office. Data Ethics Framework［EB/OL］.（2020－09－16） ［2024－06－18］. https：//www.gov.uk/government/publications/data－ethics－framework/data－ethics－framework－2020.

（責(zé)任編輯：楊慷慨 校對(duì)：吳朝平）

Empowering Innovation in Scientific Research Paradigms at

Higher Education Institutions with Artificial Intelligence： Value，

Risks and Approaches

ZHAO Xiaowei， WANG Xiaoyu， WANG Yirong， SHEN Shusheng

（College of Educational Sciences， Nanjing Normal University， Nanjing 210097， China）

Abstract：

Colleges and universities are the main battlefield of scientific research. As the main force of basic research and major scientific and technological breakthroughs， university researchers shoulder the important mission of accelerating the formation of new quality productivity. Under the wave of the new round of scientific and technological revolution， artificial intelligence technology is widely applied and deeply integrated in various aspects of scientific research， not only reshaping the basic process of scientific research， but also leading the transformation of scientific research paradigm to the intelligent science research paradigm. From the perspective of logical positivism， exploring the multiple values of AI empowering innovation in scientific research paradigms in universities， including enhancing data collection in scientific research， accelerating the generation and verification of scientific hypotheses， achieving experimental simulation and automation， and stimulating scientific insights and creativity， can help understand the value and profound impact of AI empowering scientific research paradigms. Based on this， the challenges and risks encountered in the current transformation of scientific research paradigms were exmined， including the risk of human marginalization （the phenomenon of “human－on－the－side”）， the dual dilemma of data bias and misleading claims （the “data trap” issue）， the lack of algorithm transparency （the “algorithm black box” issue）， and the resulting crisis of trust. Universities should closely rely on the new round of technological changes in the transformation of scientific research paradigms， root themselves in the soil of Chinese scientific research practice， seek innovation based on existing paradigms， and explore a scientific research path that is in line with China’s national conditions and has distinct Chinese characteristics. Specifically， it is necessary to strengthen interdisciplinary cooperation and collaborative innovation， standardize data usage standards， promote the development of interpretable AI， and establish and improve research ethics review mechanisms， to provide solid theoretical support and action guidelines for innovative research paradigms.

Key words：scientific research paradigm; intelligent scientific research paradigm; artificial intelligence; data trap；crisis of confidence