问题：从“手工作坊”到“新范式”，科研效率与复杂性矛盾突出 在多个前沿领域，科研任务正呈现高维度、长周期、强交叉的特征。
传统路径高度依赖个人经验与小团队试错，难以系统积累与复用，研究效率与科学问题复杂度之间的矛盾日益凸显。
与此同时，学科分工不断细化导致知识壁垒抬升，即便同一学科内部，不同前沿方向间也可能难以形成有效对话，交叉融合成本高、协同创新难。
原因：知识传承不易、协同“上下文缺失”，以及研究范式的结构性瓶颈 与会学者认为，人类研究活动存在天然局限：一是学术交流与思考往往难以被精准复用，许多关键讨论无法在后续研究中被有效“调用”；二是重大科学问题常需跨代际接力，而知识传承与方法迁移并不顺畅；三是学科壁垒造成理解成本攀升，跨领域学习耗时巨大，容易让创新机会在“沟通损耗”中流失。
在此背景下，计算与数据驱动的科研模式开始显现优势。
大模型具备系统阅读与理解海量文献的能力，可在较短时间内完成信息整合、问题拆解与路径规划，并与仿真、自动化实验平台衔接，形成“提出假设—生成方案—验证迭代”的闭环，为科研提供更标准化、可规模化的能力供给。
影响：低垂成果加速产出，评价与转化成为新瓶颈 应用层面，科学智能已在蛋白质功能预测、新材料设计、药物靶点发现等方面展现出明显增益，可帮助研究者更快获取阶段性成果、降低试错成本，并提升研发成功率。
以上海交通大学相关团队为例，其借助大模型进行蛋白质设计并推动工业化生产，体现出“计算提出候选—少量实验校准—快速迭代优化”的新路径。
业内人士认为，这类能力不仅是效率提升，更可能带来过去难以实现的结构与功能创制。
同时也应看到，随着发现速度提升，成果价值评估与产业转化可能成为新的制约环节。
若科学发现的产出显著快于验证、标准制定、工程放大与市场匹配，科研体系将面临“成果涌现”与“价值兑现”不同步的压力。
未来研究者的工作重心或将更多转向判别真伪、筛选价值、凝练问题与把握方向。
对策：补齐人才与平台短板，降低使用门槛，推动组织化科研 座谈观点认为，当前最稀缺的是既懂领域问题、又理解算法与工程的跨学科人才。
这一群体不仅能提出高价值科学问题，也能把模型能力与实验流程、数据治理、工程体系有效打通。
要释放科学智能潜力，需要在三方面发力： 一是构建可复用的平台化能力。
把文献理解、数据管理、模型训练、仿真计算与实验自动化纳入统一流程，形成可迭代的“科研生产线”，减少重复劳动与个体依赖。
二是降低领域科学家使用门槛。
通过工具链标准化、接口友好化与流程模板化，让更多研究者无需深入底层工程即可调用模型与算力，把精力投入到科学问题本身。
三是推动高质量数据与实验体系建设。
高维模型依赖高质量数据支撑，尤其需要覆盖更广条件的数据库、可追溯的实验记录与统一的评价指标，避免“数据偏差”放大到科研结论中。
此外，多方机构正在探索“模型生成方案—自动写代码—完成仿真验证”的工作流，一些已验证案例显示，模型提出的方案在多项指标上具备竞争力。
业内判断，随着自动化实验条件完善，科研闭环的自动化程度将进一步提高。
前景：自动化发现将更普遍，原创突破仍需人类提出“好问题” 从趋势看，科研向计算与数据驱动转型已具备基础条件：算力供给扩展、数据资源积累、模型能力提升以及实验自动化加速落地。
短期内，科学智能将更多体现在加速验证、提升效率、拓展搜索空间等方面；中长期则有望推动科研从“手工试错”走向“系统探索”。
但多位学者也指出，现阶段模型在跨学科理论原创、颠覆性概念生成等方面仍存在不足，难以替代顶尖科学家的突破性思维。
未来更可行的路径是人机协同：模型承担文献与数据处理、方案生成与高通量迭代，人类负责确定方向、定义问题、把握价值与伦理边界，并以科学方法对结论进行严格审查。
谁能在“新边界”上提出更具价值的问题，谁就更可能在新范式竞争中占得先机。
科学研究正站在新的历史关口。
人工智能的出现不是要取代科学家，而是要解放他们的生产力，让他们从繁琐的重复劳动中解放出来，将更多精力投入到具有创新性和颠覆性的科学思考中。
未来，科学家的角色将转变为价值判断者和方向引领者，衡量每一项科学发现的真实价值，辨别真伪需求。
这种人机协作的新模式，既充分发挥了人工智能的计算优势和数据处理能力，又保留了人类的创新思维和价值判断。
要实现这一愿景，关键在于培养更多懂科学、懂技术、懂人工智能的复合型人才，打破学科壁垒，促进跨领域交流与合作。
只有这样，才能真正推动科学研究范式的深刻变革，加速人类认知边界的拓展。