中青报·中青网记者 王璟瑄

　　对清华大学杨振宁高等研究院教授柴博嵘（Bartlomiej Czech）来说，以前自己一天的研究工作，常常是在独处中长时间专注于计算。而如今他的科研日常里多了一位不断参与讨论的“伙伴”——AI助手。

　　在10月24日举办的2026世界青年科学家峰会平行论坛——AI时代青年科学家创业创新生态论坛上，柴博嵘描述了这样的工作场景：本硕学生、博士后和他一起，把计算任务交给AI，讨论返回的结果，思考怎样回应，再向AI提出新的问题。“原本需要独自推进的工作，变成了人与人、人与AI之间持续的交流。”

　　这样的变化也发生在柴博嵘熟悉的同行身上。他回忆，自己在斯坦福大学做博士后时，同一研究方向共有12人，如今其中7人已在美国的AI实验室担任领导职务。从理论物理研究走向AI研发，这些人的经历，让他看到基础研究与产业之间日益紧密的联系。

　　“AI时代，比算力更稀缺的是想象力，比技术更关键的是生态。”温州市龙湾区委书记、温州湾新区党工委副书记夏禹桨说。

　　当AI改变了科学家开展研究的方式，青年科研人员如何把创新能力转化为解决实际问题的成果？从研究走向产业化落地，又需要哪些支持？论坛上，多位中外嘉宾从各自的实践与观察出发，讨论这些正在发生的变化。

论坛现场。主办方供图

　　当AI加入科研，青年科学家的功夫该下在哪里

　　能更快得到答案，并不意味着研究者可以省去理解答案的过程。柴博嵘用AI在国际象棋上的应用举例：算法做出的一些开局走法，起初让顶尖棋手觉得不合常理，后来被逐渐理解、吸收并传播。“这意味着机器给出的新结果，仍需要专业人士读懂它，并推广给更多人使用。”

　　西湖大学助理研究教授瓦希德·莫萨拉内贾德（Vahid Mosallanejad）介绍，自己主要研究材料中原子、分子的行为。他提到，面对复杂问题，自己会先凭专业积累梳理问题，再向AI提问。AI给出方程后再逐一核查；对于AI帮助修改的代码，他还要检查计算结果的物理含义，并将AI提出的研究思路交给实验检验。

　　现场多位代表表示，AI确实节省了设计实验、调试代码的时间，但判断结果是否合理，仍需依靠科研人员自身的专业知识。对青年科研人员而言，既要会调用AI工具，也要能进一步挖掘“结果在什么条件下成立”。

　　绍兴大学智能工程学院院长吴宗大谈到了相似的困惑：学生提交上来的代码越来越漂亮、答案越来越准确，可教师反而更难判断他们到底学得怎样。

　　“不能因为AI会了、做得比我们好，就放弃专业能力的学习。”吴宗大认为，如今高校对专业能力的教学要求也需要调整：比起只看能否给出正确答案，还应关注学生能否提出问题、设计方案、指导AI完成任务，并判断答案能否真正解决实际问题。

　　柴博嵘表示，在AI的介入下，科研人员需要更有效地分配和协调任务，提供完整解决方案。“这些能力与创业者定位需求、管理团队、推动应用的工作相通。随着研究、应用和商业化之间的能力差距缩小，实验室与企业之间的边界也在变化。”

　　中国工程院外籍院士张建伟长期深耕于智能系统感知、多模态人机交互等领域，并推动智能机器人进入工业、医疗和生活服务场景。他提出，要把AI工具的能力与真实世界问题结合，未来人才培养应把学习重点放在提出好问题、作出更好的判断和执行结果上。

　　“AI是让我们拓展可能性的工具，而这需要我们在真实实践中判断答案是否有价值。”张建伟认为，AI时代最不能忽视的是人的创造力，以及自身的内驱力和执行力。

　　从给出答案到解决问题，AI还需跨过哪几关

　　论坛现场，中国科协原党组副书记张勤介绍了一套基于因果图的辅助诊疗系统。团队把医学专家对疾病、症状、检查结果之间关系的认识训练为模型，用于辅助判断疾病、推荐后续检查。

　　“哪些因素影响发病率，有什么风险因素？做影像检查、拍片会出现什么异常指标？有哪些症状体征，需要做哪些检查？我们把这些因果关系画出来，给出不确定性参数。所有这些参数不需要通过训练，只需要专家主观给定。”张勤介绍。

　　张勤举例称，曾经有一位患者大脚趾疼痛一个月，按照以往的经验可能优先考虑痛风或者风湿性关节炎，但系统诊断时并未只围绕脚趾询问，还额外追问是否有脱发、口腔溃疡、淋巴结肿大等情况，最终算出40%概率为系统性红斑狼疮，并进一步推荐后续检查。随着检查证据补充，系统给出的疾病概率也会发生变化。

　　“看病是人命关天的事情，必须可靠。”张勤认为，AI模型并不能真正理解现实世界，只能拟合数据，“所以我们只跟人合作，因为人能够理解知识、认识真实世界。人工智能至少在现阶段的任务，是把人类对客观事物的认识，用计算机语言表达出来”。

　　在中文在线阅读公司执行董事、CEO兼总经理杜嘉看来，在人工智能行业早期，模型能力决定了人工智能的上限，但现在，“模型的真正上限将由高质量数据决定”。

　　杜嘉观察到，早期大模型的数据都从网上获取，互联网数据量很大，但文本重复率高，有效信息率低；很多内容存在噪声，知识密度不足，同时缺乏专业垂类数据，特别是教育、医疗、法律、工业等各学科、各门类的高质量数据不足——这也导致一些创业团队算法做得好，却因缺少可信的专业数据，难以在具体行业应用。

　　俄罗斯远东联邦大学软件工程与人工智能系教授罗季昂·罗古林（Rodion Rogulin）也把数据维护列为模型成果落地的难点。他建议，先确保数据整体可靠性，当外部环境发生明显变化时，应及时进行更新和调整。他观察到，使用更新后的优质数据带来的改善，大于进一步增加模型复杂度带来的收益。“人们付费购买的不是预测，而是他们信得过的决策。”罗古林这样概括团队从企业实践合作中获得的体会。

　　“让科研与产业更早相遇”

　　2025年8月，国务院发布的《关于深入实施“人工智能+”行动的意见》将“人工智能+”科学技术列为重点行动之一，提出：“加快探索人工智能驱动的新型科研范式，加速‘从0到1’重大科学发现进程”。“十五五”规划纲要提出：全面实施“人工智能+”行动，加强人工智能同科技创新、产业发展、文化建设、民生保障、社会治理相结合，抢占人工智能产业应用制高点，全方位赋能千行百业。

　　“要让科研与产业更早相遇，共同找准创新的方向。”浙江清华长三角研究院副院长冯叶成希望企业更早参与应用探索，让青年科学家在研究之初就有机会走进车间、接触用户。他提出，一些成果转化遇到困难，源于技术研发与实际使用之间沟通不足。“同样一项技术，在实验室里验证可行，进入生产现场，还要面对成本、效率、可靠性的考验。”

　　论坛现场发布的“全球多智能体可信互联成果转化平台”，将尝试为青年科学家与产业的“相遇”提供帮助。浙江清华长三角研究院科技传播与创新转化中心主任李晟介绍，该平台为科学家和企业建立专属智能体，让科研成果与产业需求进行匹配，并通过智能预审与专家复核，辅助双方对接。针对未公开的科研成果、涉及核心利益的企业数据，平台会通过本地节点匹配、云边协同等方式，探索在数据不出校、不出企的条件下开展协作。

　　对青年团队而言，找到合作对象只是开始。如何组建团队、保护知识产权、完成产品验证、找到首批客户，都需要有人接续提供支持。冯叶成提出，服务要跟着团队所处阶段走，企业家、投资人和专业机构也应参与判断，给予早期项目必要的耐心。

　　柴博嵘把目光投向科研与创业之间的双向互动。他认为，应为科研人员阶段性离开高校开展商业实践、此后重返研究岗位提供清晰路径；商业应用成果也应在评价机制中得到合理认可。

　　中国科技体制改革研究会理事长、中国国际科学技术合作协会荣誉会长张景安认为，在AI时代下支持青年创新，要守护好创新生态，以长期支持守护早期萌芽，让青年不受短期指标束缚；要让青年在真实场景中迭代，让AI技术在生产中生根。

　　“自由探索是伟大发现的基石，伟大创新往往在预想之外。青年人的科学精神与科学素质，是战胜一切困难的基石。”张景安说。