柴博嵘：AI“搭子”进组，青年科学家怎样把研究做进产业？

清华大学杨振宁高等研究院教授柴博嵘（Bartlomiej Czech）过去做研究，一天里大多是独自埋头算很久。如今他的科研日常多了一个总在参与讨论的“伙伴”——AI助手。

10月下旬，2026世界青年科学家峰会平行论坛——AI时代青年科学家创业创新生态论坛上，柴博嵘讲了这样的场景：本硕学生、博士后和他一道，把计算任务交给AI，再就返回的结果展开讨论，琢磨怎么回应，然后向AI抛出新的问题。“原本需要独自推进的工作，变成了人与人、人与AI之间持续的交流。”

同行身上也有类似变化。柴博嵘回忆，自己在斯坦福大学做博士后时，同一研究方向有12人，其中7人现在已在美国的AI实验室担任领导职务。从理论物理研究转到AI研发，这些人的经历让他看到，基础研究与产业正越走越近。

温州市龙湾区委书记、温州湾新区党工委副书记夏禹桨说：“AI时代，比算力更稀缺的是想象力，比技术更关键的是生态。”

AI改变了科学家做研究的方式，青年科研人员怎么把创新能力变成解决实际问题的成果？从研究走到产业化落地，又需要哪些支持？论坛上，多位中外嘉宾结合各自的实践与观察，聊了聊这些正在发生的变化。

当AI加入科研，青年科学家的功夫该下在哪里

答案来得更快，不代表研究者能跳过理解答案这一步。柴博嵘拿AI在国际象棋上的应用举例：算法给出的一些开局走法，起初让顶尖棋手觉得不合常理，后来才被逐渐理解、吸收并传播。“这意味着机器给出的新结果，仍需要专业人士读懂它，并推广给更多人使用。”

西湖大学

现场多位代表表示，AI确实省下了设计实验、调试代码的时间，但结果合不合理，还得靠科研人员自己的专业知识来判断。对青年科研人员来说，既要会调用AI工具，也要能进一步挖出“结果在什么条件下成立”。

绍兴大学智能工程学院院长吴宗大讲了相似的困惑：学生交上来的代码越来越漂亮、答案越来越准确，教师反倒更难判断他们到底学得怎么样。

吴宗大认为：“不能因为AI会了、做得比我们好，就放弃专业能力的学习。”在他看来，高校对专业能力的教学要求也得调整：不能只看能不能给出正确答案，还要看学生能不能提出问题、设计方案、指导AI完成任务，并判断答案能不能真正解决实际问题。

柴博嵘说，AI进来以后，科研人员得把任务分配和协调做得更有效率，给出完整的解决方案。“这些本事，跟创业者找准需求、带团队、推落地是相通的。研究、应用、商业化三者的能力差距一缩小，实验室和企业的界限也就跟着变了。”

中国工程院外籍院士张建伟多年钻研智能系统感知、多模态人机交互这些方向，也在推智能机器人进工业、医疗和生活服务场景。他的看法是，AI工具的能力得跟真实世界的问题对上，往后培养人，重点该放在能不能提出好问题、做出更准的判断、把结果执行到位。

张建伟认为：“AI是让我们拓展可能性的工具，而这需要我们在真实实践中判断答案是否有价值。”AI时代最不能忽视的，是人的创造力，以及自身的内驱力和执行力。

从给出答案到解决问题，AI还需跨过哪几关

论坛现场，中国科协原党组副书记张勤讲了一套靠因果图做的辅助诊疗系统。团队把医学专家对疾病、症状、检查结果之间关系的认识拿来训练成模型，帮医生判断病情、推荐接下来该做什么检查。

张勤说：“发病率受哪些因素影响，有哪些风险因素？做影像检查、拍片会看到什么异常指标？有哪些症状体征，该做哪些检查？我们把这些因果关系画出来，再给出不确定性参数。这些参数不用训练，专家主观给定就行。”

张勤举了个例子：曾有一位患者大脚趾疼了一个月，按以往经验可能先考虑痛风或者风湿性关节炎，但系统诊断时没有只围着脚趾问，还额外追问有没有脱发、口腔溃疡、淋巴结肿大等情况，最终算出40%的概率为系统性红斑狼疮，并进一步推荐后续检查。检查证据补充进来后，系统给出的疾病概率也会随之变化。

张勤的看法是：“看病人命关天，必须可靠。”AI模型谈不上真正理解现实世界，只是拟合数据，“所以我们只跟人合作，人能理解知识、认识真实世界。至少现阶段，人工智能的任务就是把人类对客观事物的认识，用计算机语言表达出来”。

中文在线阅读公司执行董事、CEO兼总经理杜嘉认为，人工智能行业早期，模型能力定的是人工智能的上限，可眼下，“模型的真正上限要看高质量数据”。

杜嘉观察到，早期大模型的数据都从网上获取，互联网数据量很大，可文本重复率高，有效信息率低；不少内容带噪声，知识密度不足，同时缺少专业垂类数据，教育、医疗、法律、工业等各学科、各门类的高质量数据尤其不够——这也让一些创业团队算法做得不错，却因为缺可信的专业数据，难以在具体行业里用起来。

俄罗斯远东联邦大学软件工程与人工智能系教授罗季昂·罗古林（Rodion Rogulin）同样把数据维护视为模型成果落地的难点。他建议，先保证数据整体可靠，外部环境明显变化时要及时更新和调整。据他观察，用上更新后的优质数据带来的改善，大于进一步增加模型复杂度带来的收益。罗古林用一句话概括团队从企业实践合作中得到的体会：“人们付费购买的不是预测，而是他们信得过的决策。”

“让科研与产业更早相遇”

2025年8月，国务院发布《关于深入实施“人工智能+”行动的意见》，把“人工智能+”科学技术列入重点行动，提出：“加快探索人工智能驱动的新型科研范式，加速‘从0到1’重大科学发现进程”。“十五五”规划纲要则提出：全面实施“人工智能+”行动，推动人工智能同科技创新、产业发展、文化建设、民生保障、社会治理相结合，抢占人工智能产业应用制高点，全方位赋能千行百业。

“要让科研与产业更早相遇，共同找准创新的方向。”

论坛现场推出了“全球多智能体可信互联成果转化平台”，想帮青年科学家和产业界“碰上面”。浙江清华长三角研究院科技传播与创新转化中心主任李晟说，平台会给科学家和企业各建一个专属智能体，把科研成果和产业需求对上号，再借助智能预审与专家复核帮双方牵线。至于还没公开的科研成果、牵涉核心利益的企业数据，平台打算用本地节点匹配、云边协同等办法，试着让数据不出校、不出企也能协作。

找到合作对象，对青年团队来说只是第一步。组建团队、保护知识产权、完成产品验证、找到首批客户，后面每一环都得有人接着帮。冯叶成给出的思路是：服务要跟着团队所处的阶段走，企业家、投资人和专业机构也该参与进来一起判断，对早期项目多给一些耐心。

柴博嵘更关注科研与创业之间的双向流动。他主张，科研人员阶段性离开高校去做商业实践、之后再回到研究岗位，应该有清楚的路径可走；商业应用做出的成果，在评价机制里也该得到合理认可。

中国科技体制改革研究会理事长、中国国际科学技术合作协会荣誉会长张景安认为，AI时代支持青年创新，得把创新生态守护好，用长期支持护住早期萌芽，让青年不被短期指标捆住手脚；同时要让青年在真实场景里反复迭代，让AI技术在生产中扎下根。

张景安说：“自由探索是伟大发现的基石，伟大创新往往在预想之外。青年人的科学精神与科学素质，是战胜一切困难的基石。”