张亚勤是中国科技界的标志性人物之一。从微软亚洲研究院到百度，再到清华智能产业研究院，他的轨迹横跨产业与学术。
据中国科学报与清华大学发布报道，张亚勤近期在公开演讲中谈到AI for Science（人工智能驱动科学研究）。他认为，大模型正在改变科学研究的方式，尤其是在蛋白质结构预测、材料设计和气候模拟等领域。
科研的试错成本有多高
传统科学研究往往依赖实验和理论推导。一个新材料从发现到应用，可能需要十年以上的时间和无数次实验。很多试错是昂贵的、耗时的，甚至是不可能完成的。
AI for Science的核心价值，是用大模型在海量数据中寻找规律，提前筛选出有希望的候选方案，从而大幅减少实验次数。
已经取得突破的领域
蛋白质结构预测是最著名的例子。AlphaFold等工具已经能够预测数亿种蛋白质结构，为药物研发提供了前所未有的基础。材料科学、电池设计、催化剂开发等领域也在快速跟进。
张亚勤特别关注AI在生命科学和能源材料中的应用。他认为，这些领域的数据积累足够丰富，大模型可以发挥显著作用。
对科研生态的影响
AI for Science可能改变科学家的工作方式。未来的科研团队，可能由生物学家、化学家、计算机科学家和AI工程师共同组成。实验设计和数据分析的边界会变得模糊。
普通人现在能做什么
1. 如果你是科研人员，关注自己领域是否有可用的AI工具，从简单的预测和数据分析开始尝试；
2. 如果你是学生，跨学科能力将越来越重要，尤其是结合AI与本专业知识；
3. 对普通公众来说，AI for Science的进展可能最终体现在更好的药物、更高效的电池和更准确的天气预报上。
张亚勤的判断指向一个趋势：AI不仅是工具，正在成为科学研究的基础设施。这个趋势的影响，可能比消费级AI更深远。
科研范式的长期转变
AI for Science的影响可能在未来十年逐渐显现。传统的科研流程是"提出假设、设计实验、验证结论"，而AI可以在中间环节大幅加速：从文献综述到实验设计，从数据分析到结果预测。这不是说科学家会被取代，而是科学家的工作重心会从"做实验"转向"提问题"和"判断AI给出的答案是否可信"。
中国AI for Science的机会
中国在材料科学、新能源、生物医药等领域有大量应用场景和数据积累，这为AI for Science提供了肥沃土壤。同时，国内科研院所与产业界的合作越来越紧密，AI for Science的成果转化速度有望加快。张亚勤所在的清华智能产业研究院，正是连接学术研究与产业应用的桥梁之一。未来，类似机构会在推动AI for Science落地中发挥重要作用。