以科学智能提升我国创新资源配置效能

　　2025年印发的《国务院关于深入实施“人工智能+”行动的意见》（以下简称《意见》）部署科学大模型建设应用、基础科研平台和重大科技基础设施智能化升级，提出打造开放共享的高质量科学数据集。面向我国科研与产业创新需求，数据、模型和设施怎样配合，才能使科研投入形成可靠发现和持续积累，是科学智能发展需要回答的重要问题。资源配置既要补充必要的科研条件，也要把分布在不同地区和机构的既有能力衔接起来，提高整体使用效能。

　　科学智能，即人工智能赋能科学研究。其资源配置价值，不仅在于加快计算、增加试验，更在于辅助判断下一步需要验证什么、哪些条件需要补充、何时调整研究路径。因此，提升我国创新资源配置效能，可以将“取得关键证据、据此调整投入、促进知识复用”作为一条实施主线，在已有开放共享基础上，研究如何提高每一轮投入对解决科学问题的实际贡献。

　　一是围绕关键科学问题组织研究，增强资源配置的针对性。要将科研需求阶段的设备和经费申请，进一步细化为需要验证的科学判断。围绕材料性能、工艺机理等问题，由领域专家、算法人员、实验团队与应用单位共同梳理已有证据、主要分歧和验证条件。模型承担文献关联、候选方案生成和结果预测的任务，研究人员据此比较哪些试验有助于区分不同解释，哪些仍需补充基础观测。这样形成的任务安排，既关注有希望取得突破的方向，也为检验模型盲区和不同技术路线留出条件。

　　已有实践提供了具体参照。《中国科学院院刊》2026年第6期刊发的《人工智能赋能生物医药研发范式变革与应用场景研究》论文，由生物药制备与递送全国重点实验室核心团队联合中国科学院上海药物研究所共同撰写，系统阐述了该佐剂智能设计技术的研发逻辑与湿实验支撑价值。这一探索的可借鉴之处在于将专业判断与模型推演结合起来，为后续实验设计提供参考；生成方案的实际效果仍需实验检验。对相关科研任务，可按该范式明确各参与方需要提供的证据和承担的工作。

　　在项目组织层面，研究将具有共性的验证需求纳入联合任务，由牵头单位协调数据、计算和实验条件，避免各团队重复购置整套设施。对拟新增的科研条件，比较调用现有资源、适配改造和新建的成本与适用范围，明确真正缺少的能力。重大基础研究仍由科学问题引导，不能仅因模型给出较低成功概率就停止支持；产业共性任务则要结合性能、工艺和应用要求确定验证重点。两类任务分别配置资源，避免以短期订单为标准衡量原创科研成果。

　　二是贯通计算推演与实验反馈，提高资源配置的动态适配能力。《意见》提出推动人工智能驱动的技术研发、工程实现、产品落地一体化协同发展。落实到科研资源配置上，需要把计算推演与实验反馈贯通起来，同步安排计算、实验和复核环节。模型能够快速提出候选方案，后续验证所需的仪器、样品和专业人员也要有相应保障；不能只扩大计算规模，而把等待、返工和验证成本留给使用者。

　　2026年6月，中国科学院过程工程研究所介科学与过程工程全国重点实验室正式发布面向科学计算的本地化AI Agent平台——计算流体力学（CFDriver）与分子动力学（MDriver），可实现计算流体力学和分子动力学模拟的全自动智能模拟计算。这说明科研工具能够围绕具体流程组织，但计算流程贯通并不等于跨机构实验协作已经实现。在合作条件成熟的领域，可依托现有科研设施与仪器开放共享平台，开展跨机构计算任务与实验预约的联合排期，由专业团队衔接模型输出、试验条件和结果回传，不另建层层汇总数据的管理系统。

　　对适合迭代验证的任务，探索“小批量验证、阶段复核、滚动配置”：依据一轮试验结果，调整下一轮样本、机时和算力安排。证据不足时先补充观测，结果偏离时先检验模型与测量条件，不能把一次失败直接解释为技术路线无效。重要结论需要另行组织必要的独立复核，避免同一批数据既用于训练又用于证明模型有效。涉及经费、设备调度和安全责任的调整，仍按既有管理权限办理，人工智能提供辅助分析，不自动决定资金拨付或实验操作。

　　对于产业应用的任务，进一步衔接实验室验证与工程验证。对材料性能、批次稳定性和工艺成本分别设置观察环节，避免用单次样品达标替代持续生产能力。具备条件的项目，可对接不同地区的中试和应用资源，由各方按设施条件、技术专长和任务需要确定分工，推动科研发现与工程验证跨区域衔接。

　　三是促进验证知识跨项目复用，扩大科研投入的公共效益。科研投入能否形成持续积累，还取决于项目之外的研究者能够使用什么知识。2016年发表于《自然》的一篇材料研究论文，曾利用实验室历史记录中的失败水热合成信息训练机器学习模型，辅助预测特定材料的反应结果。这一研究提供的方法启示是：即使未取得预期产物的记录，也可能包含反应条件与适用边界的信息。相关经验的应用仍以记录可靠、研究条件可比较为前提，不能把失败记录与低质量数据混同。

　　2018年国务院办公厅印发的《科学数据管理办法》提出，“科学数据管理遵循分级管理、安全可控、充分利用的原则，明确责任主体，加强能力建设，促进开放共享。”围绕这些要求，可把数据整理的重点从汇集成功结果，拓展至保留完整验证过程。由领域专家区分真实的未达预期结果、测量异常和记录缺失，连同样本来源、实验条件、处理方法和版本信息形成可核查的记录。真实观测、计算模拟和模型生成的数据分别标识。对不能确认原因的结果，保留不确定性说明，不为了增加数据量而强行得出结论。

　　跨项目复用不必以原始资料全部公开为前提。对具有公共性的通用方法、评测样例和软件工具，明确开放条件；对涉及商业秘密等内容的成果，完成必要审查后，在合法授权范围内提供数据、方法或分析服务。将资料整理、维护更新和复用支持列入承担单位的相应工作安排，依据实际贡献认定服务成果。对于联合研发形成的共性知识，事先约定后续使用与维护方式，让一次投入既支持当前任务，也为后续研究提供可检验的基础，减少低水平重复探索。

　　四是完善稳定支持与阶段调整机制，兼顾创新效率和探索空间。资源动态配置不能演变为频繁考核、层层报批等。基础研究需要稳定的人员与设施条件，适宜将阶段复核用于修正方法、识别新的科学问题，而非要求每轮试验都交付商业成果。对技术边界较清晰的共性研发和公共服务，则结合阶段证据调整服务组合与后续投入。对遵守科研规范、记录完整且排除错误假设的探索，评价其知识贡献；对数据失真、重复投入或管理失当，分别核查责任，不以“允许失败”替代质量要求。

　　中小企业参与科学智能，也需要能够承担的试用成本和专业支持。《国务院关于国家重大科研基础设施和大型科研仪器向社会开放的意见》（国发〔2014〕70号）提出，“通过深化改革和制度创新，加快推进科研设施与仪器向高校、科研院所、企业、社会研发组织等社会用户开放”。可依托现有开放共享服务，衔接分析测试、研究开发与专业计算，由服务机构提供需求诊断、方法选择和结果解释，帮助企业判断何时购买服务、何时增加自有能力。有关地区可依照现有规则支持企业购买适用的科技服务，分别核实研发测试、计算服务等支出的支持条件，避免重复补助。

　　在全国统筹与部门、地方分工协作的框架下，依托现有科技管理和科研资源开放共享机制，衔接科技项目、科研条件和产业应用，支持高校、科研院所及企业跨地区、跨部门依规自主合作，不改变资源权属和主管关系。新增投入的论证既看设备和算力，也看维护人员、方法开发及持续服务；优先调用存量资源，并不意味着压减必要的原创科研条件建设。对共性服务形成的成本，由公共任务和商业委托按实际用途分别核算，以确保长期运行所需的专业队伍。

　　评价重点落到证据质量、任务衔接和知识积累上。比较数据准备、计算、实验、复核及维护的完整成本，观察关键验证等待时间、结论复现情况和后续复用价值；与采用成熟方法的同类任务进行比较，说明适用条件及差异。不能把实验数量增加直接等同于效率提高，也不能机械追求失败率下降。依据评价结果完善资源安排，并为新领域、非主流假设和暂时缺少数据的研究保留合理空间。

　　以科学智能提升我国创新资源配置效能，关键在于把科学证据与资源安排衔接起来：以关键问题组织验证，以验证结果改进配置，以知识复用扩大积累。沿着这一路径，科研条件建设、专业队伍服务和跨主体协作才能形成相互支撑，使创新资源既有条件开展前沿探索，也能持续服务产业技术进步。（作者：王琪延，中国人民大学长江经济带研究院高级研究员、教授；高旺，河北经贸大学；本文系河北省自然科学基金资助“数据主权风险对我国高技术产业链安全的冲击与治理研究”［G2026207018］阶段性成果。）