AI时代 我们需要什么样的科研人才

  【“探问AI参与科研的边界”系列报道之六】

  光明日报记者 陈海波 晋浩天 崔兴毅 光明日报通讯员 孟静宜

  编者按

  AI为科研范式和科研体系带来巨变,从事科研的人,也需要做出改变:当AI让很多任务变得轻而易举、AI能做的事越来越多,人该做什么、能做什么?当AI越来越不可替代,人怎么才能不被替代?……这一切,对人才培养提出了新要求。

  本期专访两位中国科学院院士,请他们谈谈对AI时代科研人才培养的思考。

任何时候,都要保护自由探索

——对话中国科学院院士、北京大学教授鄂维南

  “AI为推动科学研究提供了难得的机遇,年轻人要抓住机遇,突破既有学科框架和思维惯性。”中国科学院院士、北京大学教授鄂维南又一次向广大科研人员发出呼吁。近来,AI接二连三攻克数学难题,让这位从事数学研究的科学家越发意识到,“AI领域的竞争十分激烈,不容我们掉队”。

  鄂维南是最早推动AI for Science(人工智能驱动的科学研究)的学者之一。早在2018年,他和汤超教授便在北大组织AI for Science研讨会。多年与AI打交道后,他认为,既然科研范式在变,人才培养体系必然也要变,而且需要底层改革。

  AI时代,这三类核心能力缺一不可

  记者:您不久前提出,AI for Science已进入“下半场”,重心从AI赋能科研的能力建设,转向科研体系的系统性变革。这个变革,是否也包括人才培养体系?

  鄂维南:是的。AI对科学体系的变革是全方位的。就拿数学学科来说,近来AI已经解决了一些经典的高难度数学问题,能力甚至在很大程度上超过不少数学家。这意味着过去数学领域形成的研究方式,甚至整个数学学科体系都必须变革,包括数学的内涵、价值取向、研究重心等。既然学科本身发生改变,人才培养体系必然也要变,而且,绝不是简单微调,而是底层改革。

  记者:底层改革需要改什么?AI正在替代大量检索、计算、数据处理、理论演算等工作,科研人员的能力该如何重构?

  鄂维南:AI时代,科研人员需要具备三类核心能力,缺一不可。第一是基本原理思维,也就是从基本原理出发思考问题的能力。应学会从底层逻辑看待问题,透过现象抓住本质,这正是数学、物理等基础学科训练带给人的最重要的财富。第二是工具与工程实践能力。抽象思维之外,还应具备使用甚至打造AI工具的能力,做不到这一点就会落后。第三是深入理解真实世界问题的能力。能真正理解真实问题,读懂技术发展、社会需求抛出的新命题,这恰恰是当下大学教育比较薄弱的地方。

AI时代 我们需要什么样的科研人才

江苏南京AI智能体集散中心外景。新华社发

  AI出现之前我们也认可这些能力的重要性,但很难落地实现。过去,学生把大量精力消耗在知识记忆与推演计算上。AI时代,知识灌输的压力可以大幅降低,我们能腾出空间重点打磨这三类核心能力。特别是底层原理思维、发现和定义科学问题的能力,绝对不能交给AI。

  记者:不再以知识传授为主,课程设置、课堂训练应该怎么调整?

  鄂维南:课程体系需要彻底打破和重构。首先应增加面向真实问题的教学内容,引导学生理解气候、环境、能源等现实世界提出的真实挑战,而不是仅仅研读论文里面的问题。其次应培养学生的战略眼光。过去,学生深耕一个细分方向就可以长期立足;未来,科学发展的不确定性会成为常态,学生需要拥有更广阔的视野。当然,需要深度钻研的领域依旧存在。最后,培养学生的核心目标,是要教会他们自主寻找问题、调用各类工具解决问题,并且把解决方案转化成对社会、对技术有用的价值。

  记者:是否有必要开设面向科研场景的AI使用教学课程,教学生科学、高效地使用AI?

  鄂维南:当下AI技术还处在高速迭代的转型期,现在急于固化一套标准化培养模式为时过早。AI工具的使用门槛并不高,鼓励学生大胆去用,在实践摸索中积累经验就可以,过早制定烦琐规则反而没有益处。

  打破学科边界,培养跨方向转换能力

  记者:AI时代,我们需要更多既懂科学又懂AI的人,这种复合型交叉型人才怎么培养?传统的单一学科分科培养模式需要调整吗?

  鄂维南:很多学生毕业后一辈子固守单一研究题目,但是未来学科迭代很快,旧的研究方向随时会消失,跨方向、跨专业转换的能力是现有培养体系非常欠缺的。传统分科培养模式还会保留,像网络安全这类特殊领域依旧需要分科培养,但想要培养具备原创能力、广阔科学视野、能够引领科研发展的人才,就必须打破学科边界。本科阶段就要夯实数学、物理、AI这类底层能力,再在之上搭建专业知识,同步训练底层原理思维、工程实践、洞察真实问题的能力。当然,AI应当成为未来本科生通识教育的一部分。

  其实,复合型交叉型人才并不难培养,只是现有人才大多在旧体系下成长,所以存量复合型交叉型人才比较稀缺。如果下决心从现在就开始着手培养,实际上没有想象中那么难。因为AI减轻了知识学习的负担,降低了工具的获取门槛,给交叉培养留出了很大空间。

  记者:长期以来,科研训练大多依赖师徒制或课题组等小团队,AI降低科研工具和知识获取门槛后,更多有想法的普通人也可以参与科研,传统的培养模式是否适应需求?

  鄂维南:AI时代,科研将走向平台化,也就是平台科研——建立一套完整的、由AI赋能的科研基础设施,包括算力平台、理论工具、计算工具、文献资源和实验平台。只要有想法,任何人都可以利用平台上的工具去验证和实现。未来,平台的作用会越来越大。当然,这不代表个体、小型团队会消失。颠覆性的、最前沿的科研,永远离不开个人与小团队的探索。但是,过去那种一个课题组从头到尾包揽全部工作的“作坊模式”很难持续,很多基础能力可以由平台提供。科研团队会变得更加灵活,很多是短期组建、按需调整,导师带学生的师徒模式也会遭遇挑战。譬如,带一个博士生还需要固定5年吗?导师可以直接传授的东西可能支撑不了这么长的周期,很多知识和技能都能通过AI获取,不再需要导师教太多。

  记者:导师的职责需要发生哪些变化?

  鄂维南:导师不应给学生设置过多的条条框框,不能阻碍学生探索。导师的价值不在于包办具体技术细节,而在于经验——理解行业发展脉络,判断领域未来大方向,做好方向层面把控。同时,导师应帮助学生争取算力等必要资源。具体技术层面,应给学生以开放的探索空间。导师应做到不挡住学生前进的道路。

  保护创造性需要“脑力健身房”

  记者:目前有两种对立的焦虑:一部分人担心AI会削弱科研人员独立思考的能力;另一部分人认为,AI解放了人类,我们可以把精力集中到更高阶的科学问题上,需要担心的是能否跟上AI并用好AI。从人才培养上来说,哪一种风险更加需要警惕?

  鄂维南:两种担忧都成立,对应的风险都客观存在。完全把思考、决策交给AI,一定会催生思维惰性;用好AI,又的确能够极大拓展人类探索边界。如何把握好这个度?目前还没有完美解法。

  可以做一个类比:机器解放了体力劳动,但人类依旧需要体育运动来维持身体机能。AI解放大量脑力劳动之后,人的创造性、独立思考同样需要“脑力健身房”,需要有意识地训练和保护我们的大脑。我们现有教育体系本身对创造性的保护就不足,这个短板会被AI进一步放大。

AI时代 我们需要什么样的科研人才

机器人在2026中国国际大数据产业博览会上跳舞。新华社发

  记者:在推动AI工具赋能和保护自由探索之间,如何取得平衡?

  鄂维南:工具可以提升科研效率,但颠覆性创新始终离不开个体的自由探索。不能指望AI包办全部问题,大量工作还是需要科研人员自主探索。一方面,应建设好AI科研基础设施,让规模化科研得以开展;另一方面,应有专门制度保障真正的自由探索。我们现在把“自由探索”这个概念泛化了。任何时候,我们都应支持和保护自由探索,但问题是,什么才是真正的自由探索?要甄别“伪自由探索”,不能把自由探索和发论文简单画等号。

  理想的AI for Science图景是:大量常规科研如同工业生产一样实现工业化,材料、催化剂、药物研发可以像工业设计一样开展,打通科研与产业;同时,保留一部分人或一部分能力,专门从事自由探索,产出能够改写人类科学范式的颠覆性成果。

  记者:当下,AI幻觉、“数据装饰”等带来的科研诚信问题越来越突出,科技伦理和科研诚信在人才培养中的重要性是否需要提升?

  鄂维南:AI本身是中性的。数据造假是人的问题,和工具无关。AI幻觉在科研场景中可以依靠技术手段缓解。真正需要重视、优先级更高的是安全底线,也就是技术的使用底线。科研中哪些环节由AI主导、哪些环节坚持由人主导,不完全由技术边界决定,更多需要人类主动规划、划定红线。在未来的科研教学当中,应持续强化科研责任意识的培养。其实,这个要求一直都有,只是在AI时代更加突出、更加需要重视。

  记者:很多人担忧未来会被AI替代,您有什么想对广大青年学子说的?

  鄂维南:勇敢地去拥抱AI。最近很多人担心AI浪潮之下数学被边缘化,数学研究会被AI替代。确实,现在很多数学研究工作已经由AI完成。但这不等于说数学本身被替代,或数学研究已经没有意义。AI的本质就是一套全新的数学工具,我们对其数学层面的理解还很浅。数学家可以转向研究这一新的数学工具,深挖它背后的底层原理,拓展人类数学的边界。

  未来越来越多工作会被AI替代,社会变化速度极快,年轻人要思考如何成为对社会真正有用的人、什么是真正有价值的工作,培养前面说的三类核心能力。AI时代是终身学习的时代,一张学位证走到底的时代已经过去,我们要时刻保持学习的热情和思考的自觉。

科技越走越远,我们该向何处?

——对话中国科学院院士、中国科学院大学杭州高等研究院院长王建宇

  从星上智能计算到太空算力星座,AI开始“上天”了。但当算力进入太空,真正要追问的已不只是技术能走多远,而是人该站在哪里。

  对话中,中国科学院院士、中国科学院大学杭州高等研究院院长王建宇把问题从技术推向人——AI改变了科研逻辑,从“看得清”到“算得准”;改变了人才成长路径,从课堂代码到在轨实训;也改变了团队协作边界。但有些东西没变:谁提出真问题,谁设计系统架构,谁在“还行”前说“不行,再想想”,仍然是人。

  AI能替人快速判断,却替不了人选择方向、承担判断、坚持到底。当AI越来越像人,人该如何自处?

  AI改变了什么,没改变什么

  记者:您一直在做空间光电研究,现在又深耕太空算力。从“墨子号”到“星上智能”,AI到底给科研带来了什么本质变化?

  王建宇:变化太大了。以前做遥感,卫星像“太空摄影师”,拍完传回地面处理,再告诉用户哪里有问题。比如森林防火,等图像下来、处理完、确认火点,一天过去了,卫星预警常被说成是“事后诸葛亮”。现在做星上计算,卫星在天上就能判断“这里是不是火、火有多大、危不危险”,下来的不是图像,而是信息,分钟级、准实时。这意味着科研逻辑变了:以前做载荷,核心指标是“看得清”;现在要想“算得准”。AI不是加个工具这么简单,而是改变系统设计哲学。设计卫星时,得把算力、算法、通信、能源放在一起考虑,这跟传统光学载荷思路完全不同。

AI时代 我们需要什么样的科研人才

第九届进博会技术装备展区展出的一款灵巧手。新华社发

  记者:在太空算力这个方向上,您最深的体会是什么?AI能帮科学家做到哪些以前做不到的事?

  王建宇:最深的体会是:有些事,人不上去做,AI也做不了;有些事,人不做,AI能替你做。太空计算的核心变革,是摒弃“卫星天上采集、数据全部回地面运算”的传统模式,实现“天感天算”。我们做的太空算力星座,两颗卫星联动,第一颗“普查”看到疑似火点,通过星间激光链路通知第二颗“详查”,一两分钟把结果传下来。AI承担“快速判断”和“协同调度”。但谁来决定“普查+详查”架构?谁设计星间激光通信协议?还是人。AI帮我们做到以前做不到的时效性,但“做什么”和“为什么做”,始终由人回答。太空计算从“可选项”变成“必答题”,但答案不是AI自己写的。

  记者:现在很多青年科研人员担忧,AI把“解题”的门槛拉得越来越低,自己苦学多年的专业能力会不会贬值?

  王建宇:我理解这种担忧,但方向可能想错了。你们不能只追逐风口,更要去创造风口。AI降维打击的是那些“只有一种解法”的工作。但科研的本质是面对未知。比如我们做抗辐照芯片,太空辐射环境跟地面完全不同,地面跑得好的AI模型,上天可能失灵。谁发现问题?谁设计方案?还是人。AI可以写代码、跑仿真,但不会在“这个方案可能不行”和“再试一次”之间做判断。与其焦虑被替代,不如找到一个AI解决不了的真实问题,一头扎进去。

  AI时代的教育,到底该教什么

  记者:您在杭高院一直推动“AI赋能工科人才培养”。具体来说,“赋能”到底怎么落地?

  王建宇:讲一个具体做法。我们在上海电机学院座谈时讨论:学生学AI,课堂上写代码、跑模型,考试成绩很好,一到真实航天场景就蒙了。因为实验室数据和太空数据是两回事,云层遮挡、辐射干扰、能源限制,课本教不了。所以我们提出,打破传统代码教学定式,借助小卫星在轨实训,补齐“眼高手低”的短板。让学生真的操作在轨AI卫星,处理太空环境数据,面对“模型在天上跑不通”的困境。AI赋能不是教学生用AI工具,而是让其在真实场景里学会“用AI解决真问题”。杭高院与中科天算共建天基计算联合研发中心,就是给学生一个真实“战场”。

  记者:您带“墨子号”量子科学实验卫星团队的时候,80%是不到30岁的年轻人。AI时代,您带团队的方式变了吗?

  王建宇:核心没变,场景变了。以前带年轻人,更多是让他们在真实工程问题里“摔打”。“墨子号”团队在单光子探测等关键技术上全链条攻关,真刀真枪干出来。现在做AI科研,场景更复杂。一个AI卫星项目,需要懂光学、电子、算法、通信的人,还要有人把它们串起来。我最大的体会是,在AI科研里,单一学科的“深度”和跨学科的“广度”同样重要。做天基计算,光学的人得理解算力部署,算法的人得理解卫星能源约束,做系统的人得理解AI推理延迟。这种复合能力,不是一门课教出来的,是靠真实项目“逼”出来的。给年轻人一个足够复杂的目标,他们自然会去学需要的东西。

  记者:您提出过“既要钉钉子精神,又要广泛涉猎”。在AI时代的科研语境下,这个“广泛涉猎”具体指什么?

  王建宇:我举个例子。我在“AI+光学”融合创新研讨会上说过,AI与光学深度结合不仅是趋势,更是颠覆性创新的沃土。AI科研最缺的,恰恰是能连接不同知识领域的人。做太空算力,得懂航天器设计、AI算法、通信协议、能源管理。如果只懂光学,我做不了太空计算总师。所以我跟学生说,应像钱学森先生那样在专业领域深耕“钉钉子精神”,又要像李政道先生那样广泛涉猎。具体到AI科研,“广泛涉猎”不是泛泛了解,而是要能“用”。用AI做遥感图像处理,得懂遥感;用AI做星上推理,得懂航天器约束。知识面拓宽对AI科研的实际价值,我从自己的跨学科经历中深有体会。

  科研人才的“不可替代性”在哪里

  记者:您在太空算力领域做了很多开创性的工作。这些前沿实践对AI科研人才提出了什么新的素养要求?

  王建宇:太空算力不是把地面计算机搬上卫星,而是通过星间激光互联、分布式调度,构建适应空间环境、能在轨稳定运行的太空计算系统。这意味着搞AI科研的人不能只盯着算法和模型。你得懂硬件——抗辐照芯片怎么设计;懂通信——星间激光链路怎么建;懂系统——上万颗卫星的分布式算力网络怎么调度。我创办星遥光宇后感受很深:从技术到系统再到应用,中间隔着巨大鸿沟。AI科研人才的核心素养,第一是“系统思维”,把算法、硬件、场景串起来;第二是“工程判断力”,知道实验室可行不等于天上可行;第三是“产业敏感度”,知道技术最终要解决什么真实问题。AI科研的最终检验标准,不是发了几篇论文,而是能不能解决以前解决不了的实际问题。

  记者:AI正在改变科研范式,您做的星上智能、分布式算力调度,本身就是AI研究的一部分。这种“用AI做AI研究”的趋势,对人才培养意味着什么?

  王建宇:确实有个有意思的悖论:我们在用AI的方法研究怎么把AI送上太空,而这个过程又需要一批懂“AI+航天”的人。这意味着人才培养链条变长了。以前培养航天载荷工程师,光学好、工程能力强就够了。现在培养AI卫星载荷工程师,他得理解AI模型推理、算力调度逻辑、分布式系统架构。这些知识不在传统航天课程里,也不在传统AI课程里,而在一个“交叉地带”。杭高院现在的重要尝试,就是跟企业共建联合研发中心,让学生在这个“交叉地带”成长。不是先学完再用,而是在用中学。这种“做中学”,在AI时代比以往更重要。

  记者:面向未来,您最想对正在学习、正在做科研的年轻人说什么?

  王建宇:我想用两句话来总结:机遇缘于准备,成功贵在坚持。AI变化虽然很快,但这两句话不会过时。我常跟年轻人讲一个场景:卫星发射前最后测试,负责载荷调试的工程师测出一点偏差就急得坐不住,我安慰他——当实验做得坚持不下去的时候、恨不得把设备砸了的时候,再坚持一下,就离成功不远了。AI科研也一样。你跑一个模型,效果不好,调参、重来、再调参,这个过程AI帮不了你,能帮你的只有耐心和判断。在AI能处理大量重复性工作的今天,人的价值恰恰体现在那些“再坚持一下”的时刻——在AI给出“还行”时,你还能说“不行,再想想”。保持好奇、保持韧性、保持对真问题的敏感——这是我的建议。

  《光明日报》(2026年11月23日 07版)

[ 责编:丛芳瑶 ]

内容来自 光明网- 新闻,版权归原作者所有。

阅读原文 ↗

用 HomepageTab 新标签页关注 RSS,打开浏览器就能看到更新。

安装 HomepageTab