AI参与科研越来越深，结果怎么检验？顶尖科学家论坛给出思路

中新网上海10月31日电(李姝徵 杨海燕 郑莹莹)如果让人工智能(AI)去设计一颗芯片，一次没做对该怎么办？中国科学院计算技术研究所副所长陈云霁的回答是：让它反复验证、调试、修复，在纠错中一步步逼近目标。

30日，2026世界顶尖科学家论坛的多场平行论坛举行，AI如何参与科学研究成了讨论焦点。从生成电路到寻找材料，多位科学家的发言都落到同一个问题上：AI给出的结果怎么检验，又怎样变成能用的技术？

芯片设计对错误极其敏感。陈云霁在人工智能平行论坛上解释说，一颗每秒要执行大量指令的处理器，哪怕出错概率很低，也可能经常出故障。想让AI一次性生成正确设计非常难，人类工程师同样得靠验证来排查问题。

“其实靠的是验证。”他说，团队把自动验证、自动调试和自动修复引入设计流程，通过反复迭代来改进结果，探索一条从功能需求到电路设计的自动化路径。

沿着这条路径，团队先后完成了“启蒙1号”和“启蒙2号”处理器核的自动设计。其中，“启蒙1号”已经流片，性能达到Intel486水平；“启蒙2号”的性能达到ARM Cortex A53水平。

陈云霁还表示，团队把AI的应用延伸到了操作系统配置、程序转译等环节，尝试改变处理器芯片及其基础软件的设计方式。

研究对象从电路换成材料，检验AI答案又要多过一道关：计算中表现优异的材料，实验室里到底能不能真正制备出来？

2010年诺贝尔物理学奖得主康斯坦丁·诺沃肖洛夫(Konstantin Novoselov)在未来能源大会上提到，真实材料的性质受多种因素影响。拿钢来说，除了化学成分，微观结构、晶粒边界等同样会影响它的表现，而这些复杂信息未必被现有数据库完整记录。

就算预测出具有特定性质的材料，也不代表就能找到合适的合成路径。诺沃肖洛夫介绍，他的团队尝试从研究一开始就把合成过程考虑进去，观察中间产物，分析反应是怎么发生的。

他以氮化硼合成为例解释说，看似简单的原料转化，实际可能包含多条互相竞争的反应路径。团队通过监测和建模积累数据，让AI学习合成条件与反应路径之间的关系，帮助找到获得目标材料的办法。

同日上午的报告中，美国西北大学材料科学与工程教授杰弗里·斯奈德(Jeffrey Snyder)把对现有材料的设计优化和全新材料的发现区分开来。据他观察，前者已经取得不少进展，后者仍有很多挑战。

之后的圆桌讨论中，他进一步谈到热电材料的应用：除了材料性能指标，使用寿命、热膨胀、振动、接触界面以及制造条件等也要综合考量。单项指标提升，还得和器件实际使用中的要求对得上。

在斯奈德看来，未来的材料研究需要不同专业的研究者一起参与。团队里既要有AI专家，也要有熟悉材料合成的化学家、掌握材料加工的工程师，还要把对物理机制的理解融进研究。

AI参与的研究环节越来越多，科研人员该具备哪些能力？中国科学院院士、华东师范大学终身教授何积丰在人工智能平行论坛致辞中把它概括为三点：定义问题、验证AI产出，以及作出道德判断。

在他看来，基础知识就是校验、甄别AI输出的“内在标尺”。对原理缺乏理解，人容易被流畅却有漏洞的答案带偏。故障注入、排错调试等训练，也因此成为培养专业判断力的重要途径。

在该论坛的圆桌讨论中，陈云霁也提到，AI能耐心回答学生的大量问题，但在选择研究方向、判断问题值不值得研究这些方面，教师依然能提供独特的价值。(完)