科學的發展史，就是一部范式更迭的歷史。

16、17世紀，伽利略與波義耳開創了實驗范式，用系統化觀察和可重復實驗奠定了科學的經驗基礎；

18、19世紀，牛頓、麥克斯韋與愛因斯坦推動了理論范式，用抽象方程和統一理論解釋自然規律；

20世紀，計算機的出現催生了計算范式，模擬復雜系統成為可能；

進入21世紀，大數據和機器學習驅動的數據范式又一次革新了科學發現的邏輯。

然而，今天我們遇到的科學難題，遠遠超越了以往的復雜度：蛋白質折疊、氣候變化、社會極化、藥物發現……這些問題往往表現為涌現性、開放性和不可約復雜性。

即便是最先進的數據驅動方法，仍然受到線性假設、靜態建模、因果推理不足等限制，常常力不從心。

隨著科學問題愈發復雜，這些傳統范式正逐漸顯露出局限：我們需要一種全新的科學發現模式。

在這一背景下，基礎模型（Foundation Models, FMs）橫空出世。與傳統「單任務 AI」不同，FMs 是在海量、多模態數據上訓練的大規模神經網絡，具備極強的泛化與適應能力。

它們不僅能處理文本、圖像和代碼，還能進行跨模態推理，展現出前所未有的科研潛力。

GPT-4能在語言理解、代碼生成和科學推理中游刃有余。

AlphaFold在蛋白質結構預測上達到接近實驗精度，解決了困擾生物學界數十年的難題。

FunSearch甚至能在數學領域提出新的猜想，挑戰NP-hard問題。

GraphCast等模型在天氣預測上，已經開始超過傳統數值模式，且計算成本更低。

不同于傳統的專用AI模型，FMs具備三個關鍵特性：

1. 通用性：它們不是為單一任務而設計，而是能通過提示、微調跨越語言、代碼、圖像甚至多模態任務。

2. 規模與知識覆蓋：在大規模數據訓練下，它們吸收了跨領域的知識，能在缺乏標注和經驗的情況下完成任務。

3. 推理與生成能力：不僅能處理現有數據，還能進行推演、假設生成和跨領域聯想。

正是這些能力，使得FMs不僅能加速現有科學流程，還可能重塑科學發現的邏輯與結構。

這些成果表明，FMs不再只是「科研助推器」，它們正在改變知識生成的邏輯，香港科技大學的研究人員在NeurIPS上發表的最新論文，提出了一個大膽的論斷：基礎模型（Foundation Models, FMs）可能正引領科學進入「第五范式」。

論文鏈接：https://www.techrxiv.org/doi/full/10.36227/techrxiv.174953071.19189612/v1

項目代碼：https://github.com/usail-hkust/Awesome-Foundation-Models-for-Scientific-Discovery

三階段框架 從后臺助手到自主科學家

論文中提出了一個三階段框架，刻畫FMs在科學發現中的演化路徑：

元科學整合

Meta-Scientific Integration

此階段，FMs 更像「后臺科研操作系統」。它們幫研究者處理雜務：自動化數據清洗、文獻檢索、實驗設計。

在材料發現中，FMs 已被用作貝葉斯優化的先驗，提高分子篩選效率。

在實驗室里，它們能直接生成控制儀器的 Python 腳本，實現「從文本到實驗」的自動執行。

在氣候科學中，模型如 ClimaX 能融合觀測數據與模擬數據，幫助發現隱藏的氣候模式。

人機共創

Hybrid Human–AI Co-Creation

此階段，FMs 開始成為科研「合作者」。

在理論建模中，它們能基于知識圖譜生成新假設，并通過邏輯驗證保證結果可檢驗。

在實驗設計中，FMs 不僅能給出實驗參數，還能提出改進思路，與人類共同迭代方案。

在數學和物理中，DeepSeekProver、Logic-LM 等系統已能輔助完成復雜推理與證明。

在這里，人類與 AI 的關系是「互補」：AI 負責記憶、組合與演繹，人類負責創造力與判斷。

自主科學發現

Autonomous Scientific Discovery

未來，FMs 可能進化為「自主科學家」。

它們能主動提出問題；自行生成假設、設計實驗并運行模擬；解釋結果并提出新理論。

這并非科幻。

已有的 「AI Scientist」 系統，已經能完成端到端的科研流程，從問題提出到結果解釋。這意味著，科學不再完全依賴人類，而進入一個機器自主探索知識的新時代。

跨范式的應用實例

論文對FMs在四大傳統范式中的應用做了系統性梳理：

實驗科學：FMs正成為實驗室的「大腦」。它們能為貝葉斯優化提供智能先驗，加速分子和材料搜索；還能生成實驗協議，指導機器人化學合成。

理論科學：FMs正在擴展「假設空間」。通過融合知識圖譜、物理約束，模型能提出創新性假設，并借助符號推理工具完成驗證。

計算科學：FMs正在改變建模與求解方式。它們能從圖表或文本中自動生成方程骨架，或通過神經算子（Neural Operator）快速解偏微分方程，效率超越傳統數值方法。

數據科學：FMs為多模態知識整合提供了新引擎。從基因組學中的DNABERT到氣候預測中的GraphCast，再到材料生成的MatterGen，FMs已能跨模態學習、跨領域推理。

更重要的是，FMs能夠打通四大范式，形成跨學科的混合流程。例如，Coscientist 系統能將研究目標轉化為實驗協議，并驅動機器人執行，再根據結果迭代優化。

風險與挑戰

新的科學范式伴隨新的挑戰。論文特別指出了四大風險：

1. 偏見與不公平：訓練數據多來自西方語境，可能導致全球科研議題失衡。

2. 幻覺與虛假信息：FMs 可能生成看似合理卻缺乏依據的假設，誤導科研。

3. 可復現性與透明度：如果中間推理過程不可追溯，科學的驗證性將受威脅。

4. 作者身份與責任：若一個重要假設由 FMs 提出，是否應署名？一旦出錯，責任如何界定？

這些問題意味著，科學的第五范式不僅是技術變革，更是社會與倫理的挑戰。

展望未來

論文最后描繪了三條未來路徑：

具身科學代理（Embodied Scientific Agents）：FMs與實驗機器人結合，既能推理又能動手，成為真正的「實驗科學家」。

閉環科學自主（Closed-Loop Autonomy）：FMs將實現「提出問題—設計實驗—運行驗證—更新知識」的全閉環研究流程。

持續學習（Continual Learning）：未來的FMs將具備長期記憶與跨域遷移能力，能像真正的科學家一樣逐步積累知識。

結語

從伽利略到 GPT-4，每一次科學范式轉變，都改變了人類理解世界的方式。今天，基礎模型正讓我們看到一個可能的未來：科學的第五范式——由人類與機器共同，甚至由機器自主推進的科學發現時代。

這篇論文不僅提出了全新的概念框架，還呼吁科研界正視即將到來的變革：如何治理 FMs 的風險？如何重建科學透明性與責任機制？如何確保技術進步真正服務于全人類？

科學的未來，可能正在被重新書寫。