别再迷信“大模型万能”了：周志华院士的科研清醒剂

过去两年，从高校实验室到企业研究院，“大模型”几乎成了科研经费申请书里的标配词。只要挂上“AI赋能”四个字，项目就容易通过；只要用上Transformer架构，论文就显得“前沿”。可当越来越多的科研人员发现，训练一个百亿参数的模型，最后只是把已知的公式重新算了一遍，人们才开始问：这真的是进步，还是在用算力掩盖思想的贫瘠？

中国科学院院士周志华，一位在机器学习领域深耕三十余年的学者，在近期一场内部研讨会上直言：“我们正陷入一种新的迷信——以为只要数据够多、模型够大，就能自动发现科学规律。”他举了个例子：有团队用大模型预测蛋白质结构，结果模型输出的构象，连基本的化学键角度都错得离谱，却因为“看起来像”，被误当作突破性成果发表。

“AI赋能”成了新包装，真正的难题被搁置了

周志华观察到，很多所谓的“AI+科学”项目，本质是把已有的算法工具套在旧问题上，换个名字就申请新课题。比如，用大模型分析天文图像，结果只是把过去用SVM或CNN就能完成的星系分类，换了个更重的框架跑了一遍，准确率没提升，训练时间却翻了十倍。

更严重的是资源错配。国内不少高校和研究所，把大笔经费投入到购买GPU集群、租用云算力，而基础算法研究、数据标注、科学仪器改造这些真正需要长期投入的环节，反而被边缘化。一位不愿具名的中科院研究员透露：“我们组去年申请了三笔AI项目，两笔都因为‘没用大模型’被否了。可我们花两年时间优化了一个小样本学习算法，能用在稀有元素光谱识别上，反而没人问。”

数据荒：科学界最大的“信息孤岛”

大模型需要数据，但科学数据不是互联网上的图片和文本。一个核磁共振谱图，可能涉及数十年的实验积累；一份地质勘探数据，背后是几十个团队跨越十年的野外采样。这些数据，要么锁在实验室的硬盘里，要么格式五花八门，连基本的元数据标准都没有。

周志华提到，国内某重点实验室曾尝试建立一个“AI辅助药物设计”公共数据库，结果17家合作单位中，只有3家愿意共享原始数据，其余都以“知识产权”“尚未发表”为由拒绝。最终，模型训练用的数据不足500组，准确率还不如传统QSAR模型。

更讽刺的是，一些机构一边抱怨“数据太少”，一边把已有的数据反复拿来训练不同模型，导致大量重复劳动。据《自然》杂志2023年的一项统计，全球约40%的AI科研论文使用了相同或高度重叠的公开数据集，而其中近六成没有进行交叉验证。

破局之道：不是造更大的模型，而是建“交叉特区”

周志华提出的解决方案，不靠喊口号，而是动真格的制度变革。

他建议，在部分高校和科研院所试点“交叉学科特区”——在这里，一个物理学家和计算机科学家合作发表的论文，可以同时被认定为“物理学成果”和“人工智能成果”；一个青年研究员，如果主导了一个解决实际科学问题的AI工具，哪怕没发顶会论文，也能评职称、拿项目。

目前，清华大学、浙江大学已开始在部分院系试行类似机制。例如，浙大医学院与计算机学院联合设立“生物医学智能”交叉博士项目，学生毕业时可选择由医学导师或计算机导师主导答辩，成果认定不再拘泥于传统学科边界。

与此同时，国家自然科学基金委也于2024年初启动“科学数据共享专项”，首批支持12个领域建立标准化数据平台，要求所有资助项目必须提交可复用、可验证的原始数据。这或许是中国科研数据生态走向开放的第一步。

真正的AI科研，是让机器学会提问，而不是替人算答案

周志华说：“我们不是反对用AI，而是反对用AI来逃避思考。”

他举了两个例子：一个是MIT团队用机器学习发现了一种新型催化剂，不是靠模型“猜”出来的，而是让AI分析了上万次失败实验的记录，找出人类忽略的温度-压力组合规律；另一个是中科院物理所的团队，让AI辅助设计实验流程，结果发现一个长期被忽略的量子相变临界点——不是因为模型多强，而是因为团队敢让AI“问问题”。

真正的突破，从来不是靠堆参数，而是靠人和机器的深度协作：人提出问题，机器辅助探索，人再判断方向。这条路，没有捷径，也不需要“万能模型”。它需要的是耐心、制度的勇气，以及对科学本质的敬畏。

我们不需要更多的“AI神话”，我们需要的是更多愿意在实验室里，一毫米一毫米地磨出真实进步的人。