问题——科学探索遭遇“难题更硬、数据更大”的双重挑战。进入21世纪，基础研究与应用研究同步迈入深水区。一方面，重大科学问题往往跨尺度、跨学科、强耦合，体现为高维度和非线性特征，例如物质结构与功能关系、复杂系统演化机理、气候与生态联动等，单一学科或传统方法难以独立给出可检验的解释。另一方面，高通量实验平台、天文观测设备、大型仿真与传感网络持续释放数据增量，数据获取速度显著快于人类理解、筛选与建模能力的提升。科研人员普遍面临“信息过载”与“可用知识不足”的结构性矛盾，科研效率与成果转化周期也受到影响。 原因——范式演进的内在逻辑推动“智能工具”从辅助走向参与。回顾科学方法发展历程，科学长期在“观察归纳—理论建模—计算仿真—数据驱动”之间迭代跃迁：早期依赖经验记录与分类，近代以数学理论实现解释与预测，20世纪中叶计算机促进对复杂方程与系统的仿真求解，进入大数据时代后统计学习与数据分析显著提高了模式识别与关联发现能力。当前，科研范式再次临近跃迁节点：一是问题复杂度持续上升，传统“提出假设—设计实验—检验假设”的节奏难以匹配探索需求；二是数据规模与维度爆炸，单靠人工设定特征、构建模型的成本高、速度慢；三是跨学科融合成为常态，不同领域知识表达与方法体系差异大，迫切需要新的通用工具实现知识迁移与协同。以深度学习与大模型为代表的新一代智能技术，能够在海量数据与多源信息中形成可复用的表示与推断能力，使其从“提高效率的工具”逐步走向“参与发现的伙伴”，由此催生“智能科学”概念，并被部分研究者视为继经验科学、理论科学、计算科学、数据科学之后的“第五范式”。 影响——重构科研全链条，改变“提出问题到验证确证”的组织方式。业内人士认为，AI for Science的核心价值不止在加速计算，更在于重塑科研流程：在“问题提出”环节，智能系统可基于文献、数据与先验知识发现研究空白与潜在机制假设；在“实验设计与材料筛选”环节，可通过预测模型缩小搜索空间，提高试错效率；在“仿真与优化”环节，可将复杂仿真与学习模型结合，提升对高维参数空间的探索能力；在“结果解释与复现”环节，可通过知识图谱、可解释建模与因果推断等方法提升结论可追溯性。更重要的是，该趋势有望在药物研发、新材料设计、生物机制解析、天体物理数据处理、工程系统优化等领域形成“从海量候选到少量验证”的新路径，降低研发成本、缩短周期，推动科学发现与产业创新更紧密衔接。 对策——以“可验证、可复现、可治理”为底线完善科研基础设施与规则体系。专家指出，智能科学要真正成为可靠的科研范式，必须同步建立与之匹配的制度与能力框架：其一，强化数据治理与标准体系，推进高质量数据集建设、元数据规范、共享机制与安全合规，避免“垃圾进、垃圾出”。其二，完善验证体系与实验闭环，坚持以可重复实验、可复现流程和统计严谨性为基本准则，防止把有关性误当因果性。其三，提升模型透明度与可解释性能力，推动关键研究环节“可追溯”，减少黑箱决策对科研结论可信度的侵蚀。其四，加强跨学科人才培养与团队组织方式创新，形成“领域科学家+算法工程+实验平台+伦理合规”协同的新型科研共同体。其五，建立伦理与安全治理框架，特别是在生命科学、医疗健康等敏感领域，严格边界、分级管理、强化审查与责任追溯，确保技术向善与风险可控。 前景——“人机协同”或成为常态，科学家角色从“单点突破”转向“系统驾驭”。多位受访人士表示，未来科研竞争力将更多体现在对复杂系统的整合能力与对科研链条的组织效率上：谁能更快构建可靠数据基础、更有效实现模型与实验闭环、更稳妥处理伦理与安全问题，谁就更可能在关键领域形成先发优势。同时，科研评价体系也需适应变化，从单纯强调论文数量与短期指标，转向更加重视数据与工具贡献、可复现性、开放协作与长期价值。可以预期，随着算力、算法与实验自动化平台的协同发展，AI for Science将继续从局部试点走向规模化应用，但其上限取决于数据质量、机制理解与治理能力，不能以“替代科学家”的叙事简化其真实作用。
从望远镜到计算机，再到智能方法，科学进步始终与工具革新相伴。"第五范式"的意义在于回归科学本质：通过更严谨的验证、更透明的证据链和更高效的协作，解决关键科学问题。平衡创新速度与研究质量，将决定这场变革的深度和可持续性。