人工智能的未来跃迁：探索智能造物的第五范式

文丨 鲍勇剑

氧气，作为星际旅行的关键要素，其重要性不言而喻。设想人类在火星建立基地，从地球运输氧气的成本高得令人难以承受。然而，中国科学技术大学的罗毅、江俊等科研团队开发的“机器化学家”在2023年底取得了突破性进展，他们利用火星本土矿石（火星陨石）成功研发出析氧反应（OER）催化剂，并发表在《自然·合成》（Nature Synthesis）期刊上。这一火星陨石催化剂的核心用途在于，未来可在火星上通过原位分解水来制取氧气，实现了原位资源利用（ISRU）。传统的人类科学家若采用穷举法进行试错实验，找到最优催化剂配方可能需要两千年之久；而机器化学家通过算法优化和24小时不间断的自动化实验，仅用两个月便完成了这一任务。

火星陨石催化剂只是机器科学家项目的初步成果。中国科大的科学智能物质创制中心正在打造“灵境造物”平台，这是一个由人工智能大模型自主“感知-决策-执行-学习”的科研工业化基础设施，并向全球科研人员开放。近期，“灵境造物”平台在工业化科研方面取得了多项成果，包括荧光材料、阻燃材料以及隔热能力提升21倍的消防服。智能造物的意义远不止于科研工业化的规模效益，它标志着人工智能从增强科学家研发能力跃升至自主研发阶段。机器科学家不仅能直接提出假设，发现高维物理规则和化学原理，还能用实验小数据补全理论大数据的应用缺陷，并预测创制非自然存在的分子结构和新物质。与人类科学家的穷举、试错、证伪方法相比，机器科学家的认知能力更为全面，包括逆向溯因、预测耦合、证实成对等。人类科学家犹如画家，在画笔落下前未知最终图景；而机器科学家则如拼装七巧板，已知最终图景，只需逆向完成元素耦合。

智能造物代表着人工智能大模型正从抽象认识世界向创造物质世界的第五范式跃迁。大约20年前，图灵奖得主吉姆·格雷（Jim Gray）借用托马斯·库恩的范式概念，描述了科学方法论的历史发展四个阶段：第一范式为经验观察与描述自然现象；第二范式为利用分析模型和方程式的理论科学；第三范式为模拟复杂现象的计算科学；第四范式为数据密集型发现，即不再由人类科学家仅凭直觉提出假设，而是由人工智能模型分析海量、高维的数据集以发现未知模式。人工智能作为发现的引擎，在海量数据中生成洞察和联系，随后由科学家进行验证。

全球科学家正致力于构建科学方法论的第五范式，即主动、自主的智能造物模式。这标志着人工智能正从被动的数据分析工具转变为新科研的主动参与者。当前推动第五范式发展的关键指标包括：1) 自主提出新假设，并设计实验来验证；2) 在物理层面，人工智能系统与机器人合成实验室直接整合，专属大模型预测化学反应，机器人执行物理实验，实验数据反馈给大模型以自动修正模型并尝试新的合成，实现极少人工干预下的持续迭代；3) 超越预测，进入生成式科学，利用生成式智能创造前所未有的事物，如为药物研发生成全新的蛋白质折叠结构或设计新型合成生物学构建体；4) 建立新型科学基础模型，超越基于互联网文本训练的通用大模型，构建直接基于新科学语言和数据的原生多模态基础模型，如基于光谱学的新语言大模型，它们在人类专家与复杂自动化生产环境之间充当转化层。

第五范式的意义远超发现基础科学新规律。当机器科学家能够主动创造新的分子结构、催化剂和新材料合成路径时，它将引发从宗教、哲学到政治经济的一系列新问题。目前，中国科学技术大学的科学智能物质创制中心在迈向第五范式方面走在前列。2026年孟秋，我们有幸在合肥访谈了中心主任江俊教授。受篇幅限制，我们对访谈内容进行了编辑，所有文稿责任在采访者。

鲍：让我们从方法论开始探讨。您提出的“谱-构-效”（光谱数据-分子结构-功能效果）思考方法似乎是一种解析科学现象的新思维。其背后的思想要点有哪些？

江：非常好的问题。找到新方法论是科研人的梦想。当前研究的主流思路仍是用数字化方式理解化学现象，但这存在不对应产生的不完整性。首先，分子结构不能完全对应数字化表达。如二氧化碳分子表示为CO2，水表示为H2O，这是高度抽象的。实际上，原子间形成化学键，键上有电荷分布。仅用分子式等简化结构数字化描述分子结构，会丢失大量信息，过于抽象，这是第一个难题。

第二个难题是，物质世界从结构角度是不连续的，由一个个原子组成；但组成后的功能是连续化的。化学研究构效关系（分子结构-功能效果），若在分子结构中加不同元素，会带来性能跳变、突变。从利用物质材料的目的出发，我们希望搞清楚结构和性能之间的关系，以及怎样触发（催化）性能连续变化，因为人类希望掌控材料的结构和性能，实现连续可调。例如研究阻燃材料，希望提升防护和防火功效。然而，人类所希望获得的连续可调性能与材料结构的不连续性和突变性之间存在矛盾。因此，我们研究结构和效果关系（构效关系）。同时，我们知道数字化描述符的信息不完整。怎样突破？基于光谱（振动、红外、拉曼等）的描述符是一个有潜力的研究方向。

以光谱描述符为数据的方法论触及哲学层面问题。物质世界的微观存在是不连续的，但人类视角和意愿希望是连续的。不连续的微观和连续的宏观之间产生巨大冲突，而光谱描述符能起到重要桥梁作用。因为光谱是连续的，可做物质世界存在的数字化指纹。以二氧化碳结构为例，外界条件变化，对应的化学键也变化，这种变化分子式很难反映出来，但光谱可以记载。简言之，谱的描述符更加全面。以此建立新型科学基础大模型，能超越基于互联网文本训练的通用大模型。

鲍：一般人认为数字化编码更容易、更先进。您的谱-构-效框架显示，基于光谱的描述符内容更丰富，并可能成为机器科学家的通用语言。对此，有通俗的比喻解释吗？

江：当然有！例如，英文是字母编码，音码输入，非常适合计算机操作，0101也好操作。我们打键盘就是把一个英文字拼写出来。但中文是图文编码，形码输入，展示时要写出来、画出来。英文输入法是线性一维字母映射，中文输入法则是二维结构降维。一般而言，中文不适合数字化编码，偏旁、部首等可做输入，但不适合编码。英文适合编码，但英文字母过于抽象。若我跟你说一个英文词Word，没学过就根本不知道它是什么。而我们中文是象形文字，很多没学过也能猜个大概。以此比喻，中文的描述符自带内涵。基于光谱的描述符也自带内涵，光谱的峰的起伏代表键的变化，用它代表水就能显示水的状态，是冰、液态还是气态。所以，光谱就是一种带有内涵的描述符。

鲍：换言之，中文也许可以成为大语言模型的描述符，对吗？

江：是啊！我曾经与一位牛津大学研究自然语言的学者聊天。我说，未来的大语言模型有可能是以中文为模态的。大语言模型不是非要用数字编码这种抽象方式了解世界。我们中国人习惯从形象角度了解世界。刚出生时，大脑是个裸机，成长过程伴随中文学习，这是经过形象的数据训练的。人工智能也可以这样训练。用英文，逻辑思维强一些；用中文，图形思考能力就强一些。传说爱因斯坦就是用图像思考的，他对问题的理解直接图像化了。还有一类人也是用图像思考，就是有机合成的化学家，在他们心目中，世界就是各种化学分子构成的一个个空间图像。回到谱-构-效的认知方法，谱学描述符内涵比分子式编码更清晰，且光谱描述符是连续的，特别适合现在的扩散生成算法。

鲍：举个应用实例。

江：光谱是连续可微分的信号。原本不连续的个体的数字化信号，若用光谱表述，就可以扩散成两个谱，再组合成新的光谱描述而不相互抵消。例如，我们做了一个特别有意思的研究，要把两个蛋白质合在一起产生新功能。因为两个蛋白质不连续，用传统方法结合会面临结构不兼容或功能相互冲突甚至抵消的问题。但把两个蛋白质的光谱合在一起产生新谱，然后用这个谱倒推产生新蛋白，它就继承了两个蛋白的很多功能。我们的谱-构-效框架把光谱当作连续可调并自带内涵的描述符，研究刚刚开始，但与人工智能大模型相结合的前景很诱人。

鲍：由此看来，以光谱为描述符的大模型包含更丰富的信号内涵。结合你过去的文章理解，化学反应现象有高维度、动态、多变量的特征，对小概率现象和瞬间发生的不确定性还高度敏感。因此，若用物理结构坐标的方法可能遭遇“维度灾难”，即数据需求量和计算能力要求几何级数上升，以至于无法执行。谱学大模型有许多优点，它能对高维物理空间现象做低维度投射的记载和计算。另外，光谱（红外、拉曼、X射线等）拥有丰富的属性特征，为掌握和控制那些数据量小、波动大、碎片化、误差高、精度低的化学反应提供了强大的认知工具和调控方法。这就是你的谱-构-效框架的精妙之处，对吧？

江：结合人工智能大模型，这种方法对研发催化剂、理解分子结构和掌握材料合成路径都有极大帮助。

鲍：初步了解你的谱-构-效科研方法论后，让我们来探问一下它在“科学智能物质创制中心”的机器科学家上的具体实践。前面提到蛋白质合成的实验，你们可以根据二合一的新光谱倒推产生新蛋白，这隐含新的认识论假设了。从第一范式到第四范式，认识论都基于经验而非先验，方法论立足于循证、实证和证伪。现在，你们不仅用人工智能大模型穷举、试错、证伪，还利用机器科学家的非同人类的认知能力开展逆向溯因、预测耦合、证实成对。通俗理解，新光谱提前告诉你们什么是对的，然后你们倒推回去，按照人工智能指示的合成路径和分子结构寻找符合它的材料和催化剂，可以这样理解吗？

江：对认识论的影响我们也同步思考中。我们的谱学科学基础模型连带提出“何为可靠的知识？”以及“哪里是它的来源？”的问题，这是认识论的核心问题。不过，我们目前还在探索中，若要对它做出系统回答，还需要数学工具的支持。

如果用经验和先验的概念看待我们的实践，目前机器科学家主要还在经验科学阶段。就像怀特兄弟造飞机，他们并不懂空气动力学，凭的是经验和试错。有了空气动力学之后，人类做大飞机的思维是设计思维，即按照我们知道的规律实现功能效果。先验的做法也有，例如把几个不相关的分子通过光谱融合到一起，结果真的继承了它们的功能。我们做出了几个有潜力的化合物，可做药用，药效现在还不错，动物实验也做完了。再如，利用光谱方法，我从一个经过大自然优胜劣汰亿万年进化出来的材料中获得想要的光谱，再按照它融合到我的人造材料中去，结果很显著。上面两个例子的指导性思维就不是试错，而是碰对。

鲍：目前，你们称依靠光谱科学基础模型和人工智能大模型的平台为“灵境造物”机器科学家平台，它已经发展到哪个阶段？

江：机器科学家的基本能力包括阅读文献、提出科研方案、做合成实验、执行表征测试、处理数据、建数据库、智能搜索全局最优，研究能力可跨领域迁移，并自主完成增强反馈学习。我们的灵境造物平台是一个全流程闭环，包括：需求理解 → 文献阅读 → 实验设计 → 自动计算 → 机器实验 → 迭代优化。平台目前可覆盖80%的化学与材料实验类型，实现“设计—合成—表征—测试”全流程自主运行。中心建成后将有千余台多模态科研机器人、万余台智能科学工作站协同作业，目标是达到日均万余次实验自主运行。以高熵催化剂开发为例，传统遍历搜索需1400年，机器科学家可在5周内完成，这只是初始阶段的速度效率。更重要的是机器科学家对应的研究技能，我们把它分列为1214项，其中500项具体技能已经部署在平台上。

鲍：您提到过，光谱就像物质的指纹，有丰富的内涵。怎样延展理解光谱信号的丰富性和通用性？

江：我们办公室对面的实验室在搞一个大规模的谱学平台，希望把很多分子的光谱都测出来，然后通过人工智能对这些谱进行无监督的聚类。无监督聚类其实就类似于把我们科大所有学生的信息，包括出生、籍贯、读过的书、中学等，集体抓过来进行聚类，它就会自动分成几类，然后你就发现，这个都喜欢吃辣的，许多是湖南人。把光谱当作万物的指纹，对它们实施无监督的聚类，就能发现丰富的合成材料的可能。同样的逻辑，如果建立了通用的光谱描述符，我们可以实施跨物质领域的联想，万物都可以压缩到叫作谱的片段信号中，谱联万物，理论上是可行的。一旦实现，今天基于互联网文本的语言大模型就只能算是初级阶段了。

鲍：光谱可以通用表达互动关系数据，真正体现神经网络和神经末梢放电的活动规律。

江：对，是的！这个领域就需要跨学科合作，发挥各自的专长。目前大模型依据的还是大数据显示的相关性和序列。如果我们能够找到相关性底层更高级的化学和物理原理，发现更高级的理论不是不可想象的。

鲍：除了探索更高级的理论，科学智能物质创制中心的另一个使命是无中生有，创造新材料、新催化剂、新合成路径。中心的定位是科研工业化，在实验室里完成从原创概念到中试，中试已经是产业化的前端，已经很难。不过我还要问，为何目标不是终端产品？

江：我们希望首先做到工艺流程的自动化。化工生产是高危复杂的事情，工艺流程、任务流程和与物质变化相关的数据流三流合一，效率当然高，但耦合度太高，实现难度和风险也提高。或者我换一个例子，就是我们吃饭，如果用个自动化桌子转，每个人都能够自动化吃到饭。但是如果吃饭的过程和厨房炒菜要耦合起来就复杂了，因为厨房炒菜时，今天的食材不一样，炒菜的火候就要动态调整，可能恰好盐没有了，那还得去买盐，和生产场景耦合起来就很难这么动态。

另外，科研是变化的。我们研究过程中会突然出现一个副产物。如果已经耦合到成熟生产流程，你一个想法就立马把副产物干掉。但是另外一个想法就说，副产物是不是一个惊喜？因为我们很多时候的副产物反而是最高价值的。就是说科学创新有涌现性质，或者说给意外发现一个机会。怎样做到既可控，又能解耦，发现和发展新机会，这是我们始终要平衡的问题。

鲍：灵境造物平台才刚刚开始，初期实践有哪些管理上的体会和思想总结？

江：我们希望这个平台能“顶天立地”。顶天，理论上不断突破；立地，解决实际问题。第一个体会是问题导向，把“立地”的事情先做起来。例如，谱学研究还有数据、方法和理论的瓶颈，我们先把做实验的仪器说明书灌入大模型，先完成自动化技能设置。未来机器人可以便携一个测谱仪，逐步建立谱学数据库。

第二个体会是原料简单并便宜的领域会先成功。例如，一位研究人员为做海水蒸发材料找个功能助剂，我们大模型向他推荐用水泥，结果很完美。大自然有400多种氨基酸，为什么大自然会选择用20种氨基酸组成绝大部分蛋白质？会只用四种脱氧核糖核酸组成DNA？一个重要因素就是它们大量存在，容易获得。否则人体机器就非常复杂，要有庞大的生产能力。那现在人和动物只要负责把这种20种氨基酸生产出来，马上组合，编码成功，然后蛋白质就出来了，功能就实现了。原理也是一样。

第三，提出问题的能力越来越重要，因为机器可以解决问题。同时，我们要高度重视年轻人提出的问题，他们头脑中的成见少，创意高。未来，我们希望灵境造物平台可以在各地学校设立分支机构，学生负责提出科研问题，平台辅助解决问题。我们的智冷马甲项目就是学生的创意，受既有概念的限制，我开始是反对这个主意的。所以，我们用平台推动创新平权。

鲍：从科学发展历史角度看，范式是一套概念思想体系，每个范式背后有对应的根本性问题，简称元问题。谱学科学基础模型和灵境造物平台隐隐约约显示一套新范式思想，这背后的元问题有哪些？

江：这个问题很深刻。我的导师罗毅教授在这方面有深刻的思想，我建议下次可以与他谈。我分享一个我们曾经在文章中提到的思考，那就是机器科学家时代，怎样辩证看待机器思维的可解释性。现实是，高维度人工智能思维可包括亿万变量。当我们要求机器降维解释时，许多信息被删减和忽略，以至于可解释的只是不完整的呈现。怎样解决人类思维和机器思维在维度、复杂性和能力上的不对称？它不仅涉及风控和治理结构，还关系到机器科学家的发展方向。

鲍：非常感谢，期待下一次访谈。