构建面向人工智能时代的科研生态当前，以深度学习、大语言模型为代表的人工智能（以下简称AI）技术深度赋能科学研究，带来科研范式和产业形态的新变革。人工智能驱动的科学研究（AIforScience，以下简称AI4S）已在蛋白质三维结构预测、分子动力学模拟、芯片全自动设计、新型药物研发等领域展现出超越传统科研范式的强大优势，有望成为驱动科学研究的“第五范式”。近年来，美国、欧盟、日本加速推动AI4S，我国也启动了人工智能驱动的科学研究专项部署工作，将AI4S提升到国家科技战略的高度。AI4S不仅代表着一种新型科研技术手段和方法，更是一种全新的知识生产模式，要求对科学研究的思维、行为和组织模式进行全方位变革。我国在AI技术、科研数据和算力资源等方面有良好基础，但是传统科研生态在人才培养、科研组织、科研资源和科技伦理等方面面临突出挑战。推动构建与AI4S发展相适应的科研生态有助于增强我国基础科学研究实力，促进“人工智能+”赋能新质生产力发展，助推实现高水平科技自立自强。人才培养：从专门人才到复合人才人类特有的非线性抽象思维与机器的逻辑推理模式在AI4S中深度融合。科研工作者通过提供创新思维和专业知识来优化AI模型，AI则以其强大的数据处理能力为科研工作者提供海量知识库、模拟自然现象并推断未知规律。“人类在环”模式是AI4S的关键，它强调了在科研过程中人类角色的不可或缺性。从提出研究要求、设定目标，到提供专业知识、控制过程和评估结果，每一步都离不开人的参与。尽管AI科学家和工程师的协助至关重要，但在各领域的智能化建模中，本领域的科学家仍需占据主导地位。这一模式对科研人才的能力提出了更高要求。因此，必须转变传统的“专门人才”培养模式，积极构建面向AI4S的复合型人才培养体系。一要重视培养具备深厚AI技术理论基础和实践应用能力的专业人才。建设面向AI4S基础设施、基本算法的研究人才梯队，支撑并引领AI4S发展。二要完善交叉学科人才培养体系。促进科研人员跨学科学习，实现AI技术与本领域知识的融合应用，形成既懂AI又懂专业领域知识的复合型人才队伍。三要加强思想引导与技能提升。引导科研人员认识到AI4S在各学科领域的重要性，鼓励他们主动拥抱这一新型科研范式。同时，提升科研人员进行高水平人机交互的能力，使他们熟练运用AI工具开展科学研究。科研组织：从作坊模式到平台模式在AI4S模式下，各学科之间、科学与产业、科学与工程之间的界限日益模糊，形成了一个跨学科、跨行业、跨领域的“大熔炉”，促进了知识和技术的大融合与大重构。AI4S以大数据、全样本、多学科为基础条件，传统的个体科学家或单一研究团队开展科学研究的“作坊模式”已不能完全适应AI4S的特点。而“平台模式”能够整合来自不同领域的多元主体，形成兼具广度与深度的研究网络，为解决复杂问题提供多元视角、方法和创新方案。对此，必须改变传统的“作坊模式”，积极构建面向AI4S的研究平台。一是培育AI4S创新联合体，促进数学、计算机科学、建模仿真与各学科的协作，打造世界领先的创新集群。二是通过跨领域大科学模型与垂直领域专业模型的协同，实现科研与AI技术的相互促进，推动各领域的前沿发展和AI技术自身的理论与实践创新。三是建立科研、工程、市场的紧密联系，打破传统的从科研、工程技术到产品的线性创新模式，促进科研链、创新链、产业链的深度融合。科研资源：从数据孤岛到整合共享数据是AI4S的基石，其开放共享与有效利用对科研突破至关重要。然而，数据采集、管理、共享等环节需要大量的人力和经费投入。有效的科研数据整合和开放共享能够营造一种多赢局面。但我国科研数据正面临以下挑战：开放意愿不足、共享效能低、平台标准不统一、数据质量参差不齐，尤其依赖国外高质量数据。若这些问题得不到解决，将制约我国在国际科技竞争中的地位，面临数据被“卡脖子”的风险。为此，必须加快解决“数据孤岛”问题，推动科研数据的有效整合与开放共享。加强科研数据库建设，确立统一的数据采集标准，确保数据质量，提升数据的一致性和标准化水平。推进科研数据的开放共享，打破高校、科研机构和行业企业之间的数据壁垒。提升数据分...
