走進中科院上海有機化學研究所綜合樓一樓，一條人工智能（AI）化學實驗線正在進行測試。如果一切順利，它將在今年上半年正式投入使用。一位博士生花五年時間才能獲得的數據，在這里只需一個月就能完成。而且，實驗不會受到個人的實驗技術水平、心情好壞、數據偏好等影響，可以確保實驗數據規范準確。

人工智能驅動的科學研究（AI for Science）正在推動科研范式變革。AI在解放科學家雙手、提高科研效率和準確性的同時，也在催生更多創新。在科學數據、算法、算力的支撐下，面向科研“第五范式”的智能化科學設施，將實現“AI科研助手+操作機器人+智能實驗環境+可信多方協作”的高效迭代。

常規實驗觀察高度依賴人的體力和經驗，而基于AI算法的無人實驗將顛覆這一切。比如這條由上海科學家研發的AI化學實驗線猶如一位“機器化學家”，讓人類專家告別簡單勞動，將智力集中于最前沿的創新探索。而這種“身邊的變革”不僅發生在化學合成領域，不少新材料、藥物發現等領域的實驗室都已經與AI融合相伴，一個全新的科研時代已然來臨。

告別搖試管、守儀器，節省三分之二的時間精力

根據實驗方案，稱量取樣、放入通風櫥開始實驗，再將樣品送入儀器分析——實驗數據在送達研究者手中的同時，也進入數據庫。無需多時，實驗分析報告就傳到了研究人員手中。這就是AI化學實驗線未來的工作模式。

負責搭建AI化學實驗線的上海有機所研究員左智偉覺得，實驗線最大的優點之一就是可以把博士生從搖試管、守儀器這類簡單重復勞動中解脫出來，“至少可以節省他們三分之二的時間和精力”。

事實上，無論有機、無機材料，抑或生物制藥，實驗步驟具有相當的共通性，主要以取樣、順序加料、設定反應條件、分析實驗結果為主。這些程序性事務正是機器所擅長的。

之所以決定將引入AI這件事付諸行動，基于左智偉的一個粗略計算：五年學習畢業時，一名碩博連讀生通常會有15本實驗記錄本，多的可能有30本。按每本100頁計算，一般平均每頁會有兩條有效數據，那就相當于可以積累6000條反應數據。而AI化學實驗線可以24小時運轉，同時進行多個實驗，只需一個月就能完成一個博士生五年的積累。

從事熱電材料研究的中國科學院上海硅酸鹽研究所陳立東研究員也有同樣的感觸。在國家科技部和上海市科委的支持下，上海多所高校與硅酸鹽所聯合開展了基于材料基因工程的新材料探索研究。得益于高通量計算、數據挖掘研究平臺的建立，新型熱電材料的篩選與性能優化的速度獲得了成倍提升。

科研提速的同時，實驗室收獲的還有寶貴的研究智力。在左智偉看來，科研“體力活”的大幅減少，可讓實驗室里的年輕人把更多精力投入到對科學問題的思考中。而且，有AI幫助，人類專家萌生的各種科研想法能夠更快地執行，“預測—分析—改進—再實驗”的認知螺旋式上升也會推進得更快。最為重要的是，年輕人的科研興趣不會被枯燥重復的實驗所消磨，這會吸引更多人投身科研，從整體上加速科技創新。

從存量數據中“淘寶”，突破數據和算法瓶頸

人類從事科學研究的范式一直在“迭代”。幾千年前是經驗范式，幾百年前是理論范式，幾十年前是計算范式，十幾年前是數據范式，而今是AI范式。近年來，“AI for Science”正在引發一場科學革命。AI在預測蛋白質結構、自然語言學習上的表現，不斷在社會上引發高度關注。在這股變革大潮下，科學家們最關心的是如何實現數據和算法這兩大核心要素的突破。

為發展AI化學，從2021年起，中科院上海有機所從國內外引進了多位青年人才，組成了20多人的研究團隊，專攻AI驅動的有機合成。薛小松就是其中之一。“數據庫是目前面臨最大的難題。”他坦言，機器學習需要大量數據，應用也受限于數據。國外很久之前就開始布局科研數據庫，在這方面有著豐厚的積累；相比之下，國內大量優秀論文發表在國外期刊上，有些“先天不足”。

為此，左智偉正帶領團隊努力挖掘存量實驗數據。畢竟，“發表論文只會用到一小部分數據，而且往往帶有結果導向的偏見”。而實驗過程中會對成千上萬種新催化劑、新配體進行研究，從這些存量數據中“淘”到AI訓練所需要的“寶”，概率相當高。同時，他們也期待實驗線早日啟動，因為AI實驗所產生的大量數據，也可用來“投喂”訓練算法模型。“計算除了需要數據輸入，還需要給出算法、模型和判據。”陳立東說，早在十年前，國外就提出了“材料基因”的概念，而這正是如今“AI+材料”的前身，“可以說，材料就在那里，就看你用哪種工具去挖掘、去發現”。比如，北京科技大學謝建新教授就通過大數據挖掘，發現了一些傳統合金性能最好的區域，使其長期以來未獲突破的材料力學性能得到了進一步提升。

AI加盟科研，科學家的發現意識比以往更重要

“AI已這么能干了，還需要科學家嗎？”面對這樣的疑問，大多數科學家似乎并未驚慌失措。他們很清楚，AI是一種得力工具，可讓更多研究者將智力集中于最前沿的創新。

 大約十年前，中科院上海硅酸鹽所研究員史迅的一位學生，在實驗中無心插柳發現了一種“砸不碎”的半導體，具有金屬延展性。后來，研究組發現其中蘊藏著一些新機制，可惜用傳統試錯的實驗方法很難獲得有效結果。于是，研究組運用高通量篩選的方法，很快得到了一批具有類似性能的材料。

史迅認為，“AI+材料”還處于起步階段，需要廣泛的學科交叉來建立研究體系。目前，上海硅酸鹽所已建立起了計算材料研究中心、材料基因研究中心，為所內外不同方向的研究團隊提供合作平臺，拓展人工智能與材料研發的融合場景。

在迎接AI助手的同時，科學家愈發認識到“發現意識”的重要。不少研究者認為，在日常科研訓練中，學生仍需要學會動手做實驗，善于發現實驗中的“秘密”。因為基礎研究中的許多重大發現，往往就隱藏于“異常”的實驗結果中。

“有了‘機器化學家’，可能會影響學生對于實驗的深刻理解，因為對實驗現象的觀察被AI的加入屏蔽掉了，我們還需要找到其他訓練方式來彌補這些隱性損失。”左智偉說，AI目前看來還無法主動思考實驗過程中的機理，所以在為AI建立實驗模型時，需要學生對科學問題的本質有更深入的了解與思考，未來一部分不具備獨立思考能力的學生，很可能會被淘汰。