AI for Science 的第五范式：从数据分析走向科研智能
AI for Science 如何从数据分析走向生成、验证与迭代闭环，以及为什么第五范式仍是一项设计命题。
人们经常用“第五范式”讨论 AI for Science：这是一种分析科学实践可能如何变化的框架，其中 AI 从分析工具进一步进入“生成—验证—迭代”闭环。它并不是已经确立的科学史定律，这场转变也尚未完成。这个命题值得研究，是因为越来越多的系统已经可以提出候选、设计工作流，并把计算生成与物理验证连接起来。
从观察走向科研闭环
一种常见的科学发展叙事从经验观察开始，随后进入理论、计算和数据密集型发现。Jim Gray 在 The Fourth Paradigm 中推广了“第四范式”这一说法，用来描述围绕大规模数据和计算组织起来的科学研究。
被提出的第五阶段再次改变了机器的角色。AI for Science 系统不再只从已有数据中寻找规律，而是参与决定下一步应该生成、模拟或检验什么。这并不是一条整齐的历史分界线——现代研究会同时组合五种模式——但它可以帮助我们明确新基础设施需要承担什么职责。
图 1. 被提出的第五范式增加了一条有记录的“生成—验证—迭代”闭环，但不会取代观察、理论、计算或数据密集型科学。
AI for Science 的论文规模正在快速增长。Stanford HAI《2026 AI Index》科学章节估计，2025 年与 AI 相关的自然科学论文约有 80,150 篇，比 2024 年增长 26%。AI 约占各领域研究产出的 5.8%–8.8%，而 2010 年还不到 1%。论文数量本身不能证明一种新范式已经形成，但它提供了足以孕育新工作流的规模。
怎样才能让这一框架真正成立？
第五范式工作流不能只加快分析，还需要连接四项功能：
- 生成候选或假设；
- 通过模拟或实验进行评估；
- 保存证据、参数和结果；
- 利用结果决定下一轮迭代。
因此，最重要的产物不是一次预测，而是一条科研闭环：其中的提案要接受约束，失败也能改善下一次决策。本文所说的“科研智能”指的正是这种可追责闭环，不能把它与未经验证的生成结果混为一谈。
AI for Science 转变的三个信号
生成式材料设计
MatterGen 原始论文介绍了一种扩散模型，它通过联合建模原子类型、坐标和晶格结构来生成无机材料。这是一种逆向设计：从目标性质出发提出候选结构，而不是只对固定目录进行评分。
GNoME 展示了规模，但它并不是同一种生成路径。GNoME 的 Nature 论文报告了超过 220 万个计算发现的结构，其中 381,000 个条目被加入更新后的凸包。作者还找到了 736 个预测结构，它们已经在同期的外部工作中被独立实验实现。这些匹配验证了部分预测空间，但它们并不是 GNoME 促使实验室合成出来的材料。
自动化物理实验室
A-Lab 提供了另一个信号：一个结合文献合成方案、机器学习、机器人和表征设备的物理实验室。在 A-Lab 的 Nature 论文中，系统在 17 天内尝试了 57 个目标并合成了 36 个。目标集合由人类研究者选择并初始化，因此这项结果展示的是高度实验室自动化，而不是不需要人类的发现过程。
图 2. 干湿实验闭环将计算生成与物理验证相连，再把实验证据带回下一轮迭代。
具有科研形态的软件系统
Sakana AI 的 AI Scientist-v2 在没有人类编写实验模板的情况下生成想法、编写代码、运行计算实验、分析结果并起草论文，其中一篇论文被 ICLR Workshop 接收。Google 的 AI Co-Scientist生成并排序生物医学假设，科学家随后在三个领域进行评估。
这些案例共同说明，科研闭环的若干组成部分已经存在，但不能证明一个自主系统已经能够可靠地整合所有环节。
验证仍然是闭环最容易断裂的地方
端到端评测揭示了当前限制。在 Stanford HAI 的 2026 年证据中，前沿模型在 ReplicationBench 上完成的论文级天体物理复现任务不足 20%。PaperArena 中表现最好的智能体得分为 38.8%，博士专家为 83.5%。
对 AI for Science 而言，生成可以扩大搜索空间，因此很有价值；但科学进展仍然取决于模拟、实验和专家审查能否淘汰错误候选，以及系统能否保留足够的上下文，从失败中学习。Workshop 接收的论文与物理实验室提供的是不同类型的证据，不能被压缩成同一个自主性结论。
如何看待“第五范式”命题
更合适的做法是把第五范式视为一项设计命题。它的组成部分确实存在：生成模型、自动化实验室、假设系统和科研写作工作流；但要把它们可靠地整合成可复现系统，仍然是工程与科学挑战。
延伸阅读：可复现研究：弥合科学 AI 的执行鸿沟讨论执行门槛，材料科学 AI则分析这条闭环最具体的应用领域。
Mira Science： 官网将 Mira 称为 AI Scientist Mira，并将其描述为 AI Research Partner；官网还把论文复现列为核心工作流，并表示项目经验可以沉淀到平台中。这种以项目为中心的方法，为检验第五范式框架提供了一种路径，同时避免把生成答案误认为已经验证的研究。开始使用 Mira 开展研究 →
真正的问题不是“第五范式”这个标签是否已经胜出，而是团队能否构建这样的闭环：生成始终对证据、验证和人类判断负责。