建议收藏 | 中国标准化研究院首席科学家江俊：从机器化学家谈AI+Science的挑战与机遇（附演讲实录）

2026-1-13

引言：在2025 CEIC 创新·标准化交流会上，中国科学技术大学讲席教授、中国标准化研究院首席科学家江俊以“从机器化学家谈AI+Science的挑战与机遇”为主题，带来了一场精彩的分享。他从当代化学研究面临的困境出发，深入剖析了传统科研范式的低效性，并提出通过AI技术实现科学研究的范式变革。他以“机器化学家”为核心案例，展示了AI在知识数字化、理论与实验结合、大规模设施建设以及标准化生态构建中的巨大潜力。江俊指出，AI不仅是连接理论与实践的桥梁，更是驱动第四次工业革命的核心力量。通过人工智能赋能科学研究，我们有望加速突破人类认知的边界，推动新兴产业的发展。这场演讲不仅是对AI与科学结合的深刻思考，更是对未来科研范式的展望。

Part.01

从“机器化学家”说起：AI与科学结合的背景

大家好，非常荣幸能够受邀参加此次CEIC 创新·标准化交流会。我是江俊，中国标准化研究院首席科学家，同时也是中国科学技术大学的讲席教授。今天，我想和大家分享一个从“机器化学家”出发的主题，探讨AI与科学结合的挑战与机遇。这个话题既包含了我们团队在科研实践中的心得，也涉及到未来科研范式变革的前沿思考。

今天的汇报内容，可能与标准化没有直接的关联，但却紧密围绕AI如何赋能科学展开。我们团队一直致力于探索AI与科学结合的挑战和机遇，而我们的起点，便是“机器化学家”这一概念。
最初，我们提出“机器化学家”时，这个词是非常有争议的。有同事开玩笑说，我们的团队不是在发展颠覆性技术，而是要发展“技术颠覆同事”，把化学家变成机器人。但正是因为有争议，才能引起关注，才能推动变革。就像当年“人工智能”（Artificial Intelligence）这个词提出时，也曾掀起争议。
那么，为什么我们要把化学家和机器结合起来？这是因为化学学科本身正在面临一些重大挑战。过去，化学领域有过辉煌的历史，比如火药的发明、合成氨的技术革新等，它们彻底改变了世界。但今天，物质科学在颠覆世界的能力上已经显得力不从心。我们认为，问题的根源在于传统科研范式的局限性。

（一）传统科研范式的困境

化学研究长期以来依赖“猜测—尝试—错误”的试错范式，这种方法虽然在早期推动了诸多创新，但随着简单问题被解决，我们今天面临的是高维复杂的难题。比如，一个由碳、氮、氧、氟等元素组成的小分子，可能有多达40亿种不同的排列组合，而它们的特性各异。化学家在这样一个巨大的物质空间中，往往不得不“迷宫式摸索”，研究效率越来越低。更重要的是，科学家毕生精力有限，但科学知识却无限。庄子曾说：“吾生也有涯，而知也无涯。”用有限的生命去追求无限的知识，这显然是不可能完成的任务。那么，我们如何破解这一困境？机遇就在于AI。

（二）AI为科研范式变革带来的机遇

我大约在2010年接触到AI，当时看到了一篇给我很大启发的论文。文章的作者戴维·贝克教授通过一款叫“Foldit”的游戏，将普通玩家的智慧融入蛋白质建模中。数万名玩家在10天内完成了传统方法需要15年才能完成的任务。这篇论文有6万名作者，被称为史上作者最多的科研论文。这个例子让我看到了AI结合科学的潜力——通过数据智能，将集体智慧整合为科学突破的力量。
我们团队的思考方向是，如何通过AI将传统的“猜测—尝试—错误”模式转变为全新的科研路径：机器可读、机器会算、机器能做。也就是说，通过机器的大规模阅读、计算和实验，实现科研效率的指数级提升。

Part.02

挑战与机遇：AI与科学结合的实践与思考

（一）知识数字化：集成众智

我们的第一个机遇，是通过知识数字化集成众智。传统化学研究中，科学家需要花费数月甚至数年时间查阅文献，而“机器化学家”可以在一夜之间完成上万篇文献的阅读和归纳。比如，在研究高熵催化剂时，我们的机器化学家平台仅用一周时间完成了两万次理论计算，从55万种可能性中筛选出207个实验目标。通过理论与实验的迭代，仅用了5周时间，便找到了催化剂的最优解。这种效率提升，不仅让科学家站在巨人的肩膀上思考问题，更让理论和实验能够快速对接，形成闭环。

（二）理实结合：打通思维智能与行动智能的鸿沟

AI的第二个机遇，是打通思维智能与行动智能的鸿沟。当前的人工智能系统主要在虚拟空间中发挥作用，但化学研究需要结合现实世界的实验数据，这就产生了理论与实践的断层。

我们团队的解决路径是建立“理实交融”的模型：利用AI生成的理论大数据构建预训练模型，再通过实验数据微调，使模型能够同时具备理论的普适性和实验的真实性。例如，通过这种方法，我们完成了火星产氧催化剂的无人筛选与创制任务。机器化学家在两个月内完成了上百万种陨石配方的筛选任务，最终成功创制出高效产氧的催化剂材料。这种理实结合的模式，展现了AI在科研中的巨大潜力。

（三）创新自主化：规模化设施建设

第三个挑战是数据不足。正如强化学习之父Richard Sutton所说，现有的数据资源已经接近耗尽。科学研究中的功能数据往往稀疏且片面，无法支撑工业级多目标优化。
为了解决这一问题，我们构建了一个大规模智能科研设施平台，包括上百台机器人和300多台实验设备，分布在全国25个设施中。这个基础设施每天生成高质量数据，为科研提供持续的动力源。同时，我们还在推动数据共享和标准化，以实现更广泛的科研协作。
（四）标准化：打破数据孤岛

AI与科学的融合还面临一个重要挑战——缺乏统一的标准。没有标准化的铁轨，火车跑不过马车。同样，没有统一的数据和实验标准，AI驱动的科研效率也难以提升。

为此，我们正在推动智能科研平台的标准化建设，制定科研机器人的指令集、实验模板等底层技术规范。今年，我们已经发布了科研指令集和实验模板，覆盖25个分布式设施，实现了学术界与企业间的互联互通。未来，我们希望通过标准化工作，将科研成果更高效地转化为产业应用。

Part.03

未来展望：AI推动第四次工业革命

我们相信，AI与科学的结合将引领第四次工业革命。过去的工业革命主要依靠蒸汽机、电力和信息技术，而这一次，机器智能将成为核心驱动力。AI不仅能够释放量子力学等基础科学的潜能，还能通过标准化的科研生态，推动智能化产业的高速发展。
未来，我们的目标是建立一个科学家与机器智能深度融合的科研范式，通过知识数字化、理实交融、设施自主化和生态标准化，赋能各领域的科技创新，开辟更多新产业、新赛道。

Part.04

结语：从机器化学家到智能科研体系

“机器化学家”只是AI与科学结合的一个缩影。通过这几年在智能科研领域的探索与实践，我深刻感受到，AI不仅是科研范式变革的催化剂，更是重构科研逻辑的引擎。我们希望，通过AI将科学研究从“小作坊模式”转变为现代化、智能化的“流水线模式”，为科学发展带来革命性变化。
最后，再次感谢大家的聆听，也希望我们的探索能够为更多领域带来启发。谢谢！

江俊，中国科学技术大学讲席教授，中科院上海技术物理所与瑞典皇家工学院联合培养博士，中国标准化研究院首席科学家。获批自然科学基金委杰出青年基金、中科院机器科学家青年团队负责人。发展融合人工智能与大数据技术的量子化学模拟方法，研制“理实交融”的机器科学家平台，探索物理化学应用领域中的实际问题（光电转化、功能材料、光化学等）。担任Elsevier智能领域旗舰期刊 AI Chemistry创刊主编。获中国化学会唐敖庆青年理论化学家奖、日本化学会亚洲杰出讲座奖。