张晓静 李辉

　　基础研究是整个科学体系的源头，是所有技术问题的总机关。习近平总书记在加强基础研究座谈会上深刻指出，“基础研究归根结底靠高水平人才。要一体推进教育科技人才发展，全方位做好培养、引进、使用工作，努力使基础研究人才数量充足、素质优良、结构合理。”这一重要论述，将人才队伍建设置于加强基础研究的核心位置，为新时代基础研究人才工作提供了根本遵循。当前，人工智能正在深刻重塑科学发现的基本路径，全球超过八成科学家已在科研中使用AI工具。既能深潜科学前沿，又能驾驭人工智能的科学家，正成为基础研究人才队伍中最为稀缺的群体。“十五五”开局之年，如何让AI更好地赋能科学家从事基础研究，已成为实现高水平科技自立自强的紧迫课题。

　　熟练掌握AI技术的科学家稀缺难题待解

　　人工智能驱动的科学研究（AI for Science，简称AI4S）正在蛋白质结构预测、分子动力学模拟、新型药物研发等领域展现出超越传统范式的效能。中国科学院联合团队研发的磐石·科学基础大模型2.0，已汇聚800万条高质量科学推理数据，覆盖200多个科研任务，深度赋能力学、天文、化学等多领域科研场景。然而，技术的突飞猛进与熟练掌握AI技术的科学家供给之间的落差正在拉大。

　　一方面，从能力结构看，熟练掌握AI技术的科学家的培养门槛远高于单一学科人才。传统科研生态长期以“专门人才”培养为主导，学科壁垒森严，既深谙领域科学问题又掌握前沿AI技术的“双语”科学家极度稀缺。AI赋能科学研究“不仅能加速求解长期悬而未决的重大科学难题，还有望重构科学发现的基本路径”，但当前部分科研工作仍停留在对AI工具的简单套用上，真正能实现深度融合的复合型人才严重不足。与此同时，全球科研范式迭代中，科学家的角色正被重新定义——不能只满足于做“解题人”，更要成为立足国家战略需求提出真问题的“出题人”。这种角色跃迁，要求AI时代这类新型科学家同时具备科学鉴赏力、跨学科整合力和工程实现力，而现有培养体系尚难批量产出这样的人才。

　　另一方面，从制度环境看，评价“指挥棒”的偏差直接制约着熟练掌握AI的科学家的成长通道。从事AI4S交叉研究的青年人才，成果往往既不完全属于领域科学，也不完全属于人工智能，在传统学科评价中容易“两头不靠”。论文数量、影响因子等量化指标仍在职称评审和项目申报中占据主导，AI4S方向的项目分类和评审标准尚不清晰，许多年轻人为了在黄金年龄段拿出“可被认可”的成果，不得不从交叉领域退回单一学科，不敢在AI与基础研究的结合点上深耕。调查显示，竞争性、短周期主导的科研支持模式，使青年科研人员不得不频繁申报项目、调整方向，难以围绕核心科学问题形成长期积累。与此同时，我国基础研究经费在全社会研发投入中占比虽已突破7%，但与世界科技强国15%至20%的比重相比仍有明显差距，在交叉学科起步阶段本就资源紧张的情况下，这类新型科学家获得长周期稳定支持的渠道有限。

　　遵循成长规律扎根基础研究

　　熟练掌握AI技术的科学家的成长有其内在规律。从能力形成看，至少需要三个方面的积累：一是提出真问题的能力，能够判断哪些科学问题值得攻关；二是驾驭AI工具的能力，能够把算法模型转化为科研利器；三是跨学科整合的能力，能够在科学前沿与工程实现之间建立连接。这三种能力都不是短期培训能够速成的，必须在长周期科研实践中逐步形成。

　　基础研究之所以是这类新型科学家成长的根基，在于它提供了三个不可替代的条件。一是真实科学问题的来源。只有扎根某一领域，才能识别出真正有价值的科学问题，而不是在文献缝隙中寻找“可做”的题目。二是科研实践的场域。AI能力只有在解决实际科学问题的过程中才能真正转化为科研能力，脱离具体科学问题的算法训练难以形成科学判断力。三是长周期积累的环境。科学鉴赏力和跨学科判断力需要在持续研究中涵养，频繁更换方向、追逐热点的科研模式难以沉淀这种能力。破解“能力重构”与“制度适配”双重挑战，根本在于把这类新型科学家的成长置于基础研究的土壤之中，在培养、组织和保障三个层面协同发力。

　　依托基础研究锻造熟练掌握AI技术的科学家

　　AI时代这类新型科学家的成长有其规律，不能脱离基础研究空转。让他们从基础研究中成长出来，需要在培养模式、科研组织和支持保障三个层面协同发力，在真问题中历练、在好生态中培养。

　　一是以贯通式培养让这类新型科学家在科研一线扎根。北京大学科学智能学院“博雅AI4S拔尖人才计划”本硕博贯通制项目，旨在探索“AI+基础科学+产业需求”的融合路径，其突破性设计在于构建了“纵向扎根、横向贯通、问题驱动”的立体化培养体系，课程并非简单叠加，课程案例和项目均来自真实科研与企业场景。中国科学技术大学AI物质创制英才班将培养节点前移至本科阶段，学生大二确定方向、大三进入正式科研项目训练、大四完成论文并开展博士课题预研，课程围绕基础夯实、数据能力、专业应用、前沿突破、综合实战五阶路径，首批进入实战课题的学生已能独立开展AI辅助材料设计，直接参与阻燃材料、电池材料等前沿方向攻关。这种“以真问题为课程、以科研一线为课堂”的模式，让他们从一开始就扎根在科学问题的土壤里。

　　二是以实战化组织让这类新型科学家在交叉攻关中历练。上海市科学智能“百团百项”工程明确支持领域科学家、AI人才和工程团队紧密合作，聚焦高风险、高价值基础研究，鼓励青年科学家运用人工智能技术围绕数学、物理、化学、生命科学等领域的重大科学问题开展基础研究。北京科学智能研究院联合深势科技推出的玻尔科研空间站，是全球首个覆盖“读文献—做计算—做实验—多学科协同”全流程的AI科研平台，目前已有超过450万名科学家用户使用。应围绕生命科学、材料科学、能源环境等战略领域部署AI4S重大专项，以问题为牵引组织跨学科团队协同攻关，让他们在解决真实科学问题中提高复合能力。

　　三是以长周期支持让这类新型科学家在基础研究中安心深耕。基础研究周期长、见效慢，AI与科学交叉更需要长期积累。中国科学院与财政部联合启动的“稳定支持基础研究领域青年团队计划”，有别于需要频繁竞争的常规项目，从顶层设计上瞄准那些最具挑战性、需要长期深耕的基础研究方向，给予青年科学家足够的周期、耐心和空间。对从事AI4S交叉研究的青年人才，应健全符合基础研究特点的分类评价体系，在职称晋升和绩效考核中认可交叉研究成果，解决跨学科人才“两头不靠”的困境，让青年科研人员敢于坐“冷板凳”、闯“无人区”，在基础研究的厚土中真正成长为熟练掌握AI技术的科学家。

　　（作者分别为北京市科学技术研究院高级经济师、研究员）