五个核心问题与回答
AI 已经改变科学了吗？
今天的 AI for Science 到底是在提高效率，还是在改变发现方式？
两者都在发生，但程度并不相同。文献梳理、数据分析、高通量计算和候选筛选已经显著提速；材料实验、虚拟细胞、海洋预报和育种也开始形成模型—实验循环。真正尚未解决的是：AI 能否提出值得验证的新假设，而不是只在既有问题中更快搜索。
为什么“提出假设”比“给出答案”难得多？
大模型可以生成新颖文本，为什么不能直接把它当科学假设生成器？
科学假设必须同时满足新颖、可证伪、可实验，而且值得投入有限资源。嘉宾对此并不一致：有人认为当前 AI 不具备科学品位和责任能力，也有人判断未来 AI 应当大规模提出假设。分歧恰好说明，评价科研 Agent 不能看语言是否像答案，而要看它能否进入真实验证闭环。
数据越多，科学 Agent 就越强吗？
科学领域是不是只要积累足够数据就能复制通用模型的增长路线？
很难。科学数据往往昂贵、稀缺、异构，甚至无法重复获得。海洋观测不能复制同一片海况，生命实验的批次差异也会改变结果。高价值系统不仅要“吃数据”，还要知道数据来自什么条件、误差如何产生，并把实验和观测结果持续回流。
科学家会从主角变成审核员吗？
如果一组 Agent 可以读文献、做计算、规划实验，人还剩什么角色？
圆桌更接近“助手—伙伴—Agent 团队”的渐进关系。机器扩展搜索空间、处理高通量任务，人负责科学品位、约束、异常解释和最终责任。尤其在高成本或不可重复实验里，人不可能只做最后盖章，而必须参与问题定义和证据判断。
下一代科研产品的最小闭环是什么？
从产品角度看，科研 Agent 不能只做什么，又必须做什么？
不能止于生成一份漂亮答案；必须连接领域数据、知识、假设、实验或观测、结果记录与复盘。每一步都要留下可审计 artifact，让科学家能够追溯“这个结论从哪里来、在哪个条件下成立、下一步如何证伪”。
沿着对话，回到问题如何展开
主持人林达华：当基础科学遇到人工智能，今天要问的不只是效率提升，而是科学发现的流程会不会被重新组织。
纪要：圆桌把讨论从单个模型拉回科学方法。AI 可以在某一步表现耀眼，但只有当它改变问题提出、证据获取和验证反馈之间的关系，才称得上新范式。
论坛嘉宾：生命科学关注虚拟细胞和疾病机制，材料领域关注高通量筛选与实验平台，海洋科学面对观测稀缺和不可重复，农业则要把育种周期、环境差异和真实产出连起来。
纪要：“AI for Science”不是一个统一工作流。一个领域缺计算，一个领域缺数据，一个领域缺可靠实验反馈。通用模型只是共同底座，真正价值来自对学科约束的深度编码。
论坛嘉宾：有观点认为，当前 AI 可以总结与发现相关性，却还不能承担提出科学假设的角色；也有观点认为，未来 AI 应该能够提出大量、明确、可供筛选的假设。
纪要：两边并非简单的乐观与悲观。争论的关键是“提出”的标准：能生成一句新话，还是能提出包含条件、机制、预测和验证路径的假设。只有后者才真正减少科学家的认知负担。
论坛嘉宾：未来科学家面对的可能不是一个 AI 助手，而是一组承担检索、建模、实验规划和分析任务的 Agent。
纪要：多 Agent 并不天然等于可信。角色越多，错误传播、证据丢失与责任模糊的风险越高。系统必须让不同 Agent 交付结构化中间结果，而不是在黑箱里互相说服后只给人一个结论。
论坛嘉宾：科学结论必须能够被证伪。对于海洋这类不能做完全受控重复实验的领域，验证设计尤其困难。
纪要：因此，科研 Agent 的竞争力不只来自预测精度，还来自它能否说明失败条件、建议替代观测，并诚实表达不确定性。不能被反驳的“正确答案”不构成科学发现。
主持人林达华：下一代科学范式并不意味着科学家退场，而是人的问题意识与机器的搜索能力形成新组合。
纪要：圆桌最终留下的不是“AI 何时成为科学家”的时间预测，而是一条产品路线：先把真实数据与验证闭环接通，再讨论系统能否获得更多研究自主权。
现场画面
