在AI for Science引发科研范式变革、全球科技竞争加剧的背景下,系统性提升科研人员的AI4S胜任力,是加快形成新质生产力、实现高水平科技自立自强的重要基础。AI4S在实践路径上呈现出专用型与通用型2种形态,对科研人员提出了超越单一技...在AI for Science引发科研范式变革、全球科技竞争加剧的背景下,系统性提升科研人员的AI4S胜任力,是加快形成新质生产力、实现高水平科技自立自强的重要基础。AI4S在实践路径上呈现出专用型与通用型2种形态,对科研人员提出了超越单一技术维度的通用能力要求。AI4S胜任力包含4个核心维度:科学问题的计算思维、人机交互与验证能力、跨学科协作与沟通能力,以及科技伦理意识与责任。未来的科技人才建设应将零散的AI技能自学转变为有组织的AI4S胜任力培养,实现从技术工具教学向计算思维培养的理念转变,构建面向通用型与专用型需求的递进式支持体系,激励可复用的专家知识产出,强化科技伦理教育与治理。展开更多
在全面推进“人工智能+”行动和加快实现高水平科技自立自强的背景下,AI for Science正成为引领科研范式变革、培育新质生产力和重塑全球科技竞争格局的关键力量。2025年下半年,美国、英国、欧盟和日本等主要经济体密集出台了多项AI for...在全面推进“人工智能+”行动和加快实现高水平科技自立自强的背景下,AI for Science正成为引领科研范式变革、培育新质生产力和重塑全球科技竞争格局的关键力量。2025年下半年,美国、英国、欧盟和日本等主要经济体密集出台了多项AI for Science政策文件。虽然各国因资源禀赋与制度差异选择不同发展路径,但普遍将AI for Science上升为国家级战略工程,呈现出科研流程实体自动化、科学数据资产化以及主权型科研基础设施建设等共同趋势。美国强调以国家动员体系巩固科技霸权,英国聚焦优势领域的敏捷突围策略,欧盟通过泛欧整合维护技术主权,日本则以理论驱动和标准引领构建竞争优势。国际经验对我国“十五五”时期推进AI for Science具有重要启示意义。应将AI for Science作为系统性战略任务整体布局,统筹算力、能源与科研网络建设,推动自动化实验平台与接口标准自主可控,完善科学数据资产化制度,通过有组织科研与复合型人才培养,为新质生产力发展提供持续动力。展开更多
【目的】围绕AI场景下科学数据的共享与利用问题,针对现有FAIR原则不足以指导科学数据满足AI就绪的现状,构建面向AI就绪的科学数据共享与利用原则框架。【方法】通过系统梳理传统机器学习、大模型预训练、大模型微调、检索增强生成及智...【目的】围绕AI场景下科学数据的共享与利用问题,针对现有FAIR原则不足以指导科学数据满足AI就绪的现状,构建面向AI就绪的科学数据共享与利用原则框架。【方法】通过系统梳理传统机器学习、大模型预训练、大模型微调、检索增强生成及智能体等5类典型AI任务的数据需求,在传统FAIR“四可”维度的基础上,提出面向AI就绪(即For AI Ready)的科学数据共享与利用原则框架FAIR×FAIR,进而提出与框架相适应的层次化技术栈。【结果】FAIR×FAIR框架明确了13项科学数据满足AI就绪的技术要求,为弥合AI任务与科学数据之间的语义鸿沟提供了系统化方案。【局限】本研究提出的原则框架其实施效果仍需通过后续领域应用案例进一步验证。【结论】FAIR×FAIR框架为AI时代的科学数据共享与高效利用提供了理论依据和实践路径,对推动数据驱动型科研范式的演进具有重要意义。展开更多
The rapid evolution of large language models(LLMs)towards autonomous Agentic artificial intelligence(AI)necessitates a systemic overhaul across algorithms,infrastructure,and architectures.This paper presents a unified...The rapid evolution of large language models(LLMs)towards autonomous Agentic artificial intelligence(AI)necessitates a systemic overhaul across algorithms,infrastructure,and architectures.This paper presents a unified view of the“Agentic AI Infrastructure,”connecting research threads often studied in isolation.First,post-training algorithms are reviewed,contrasting traditional reinforcement learning(RL)with emerging reasoning-centric methods and test-time scaling strategies.Next,the transition of RL training frameworks is analyzed from monolithic,colocated designs to disaggregated,asynchronous architectures tailored for the extreme variance of agentic rollouts.Furthermore,progress in agent construction is synthesized,covering reflection,planning,tool use,and multi-agent collaboration.By integrating these layers,the paper elucidates how agentic AI systems impose unique demands on underlying training systems.Finally,open challenges are outlined by covering capability scaling,efficiency,safety,privacy,and governance for reliable realworld agentic AI deployment.展开更多
摘要在AI for Science引发科研范式变革、全球科技竞争加剧的背景下,系统性提升科研人员的AI4S胜任力,是加快形成新质生产力、实现高水平科技自立自强的重要基础。AI4S在实践路径上呈现出专用型与通用型2种形态,对科研人员提出了超越单一技术维度的通用能力要求。AI4S胜任力包含4个核心维度:科学问题的计算思维、人机交互与验证能力、跨学科协作与沟通能力,以及科技伦理意识与责任。未来的科技人才建设应将零散的AI技能自学转变为有组织的AI4S胜任力培养,实现从技术工具教学向计算思维培养的理念转变,构建面向通用型与专用型需求的递进式支持体系,激励可复用的专家知识产出,强化科技伦理教育与治理。
摘要在全面推进“人工智能+”行动和加快实现高水平科技自立自强的背景下,AI for Science正成为引领科研范式变革、培育新质生产力和重塑全球科技竞争格局的关键力量。2025年下半年,美国、英国、欧盟和日本等主要经济体密集出台了多项AI for Science政策文件。虽然各国因资源禀赋与制度差异选择不同发展路径,但普遍将AI for Science上升为国家级战略工程,呈现出科研流程实体自动化、科学数据资产化以及主权型科研基础设施建设等共同趋势。美国强调以国家动员体系巩固科技霸权,英国聚焦优势领域的敏捷突围策略,欧盟通过泛欧整合维护技术主权,日本则以理论驱动和标准引领构建竞争优势。国际经验对我国“十五五”时期推进AI for Science具有重要启示意义。应将AI for Science作为系统性战略任务整体布局,统筹算力、能源与科研网络建设,推动自动化实验平台与接口标准自主可控,完善科学数据资产化制度,通过有组织科研与复合型人才培养,为新质生产力发展提供持续动力。
摘要【目的】围绕AI场景下科学数据的共享与利用问题,针对现有FAIR原则不足以指导科学数据满足AI就绪的现状,构建面向AI就绪的科学数据共享与利用原则框架。【方法】通过系统梳理传统机器学习、大模型预训练、大模型微调、检索增强生成及智能体等5类典型AI任务的数据需求,在传统FAIR“四可”维度的基础上,提出面向AI就绪(即For AI Ready)的科学数据共享与利用原则框架FAIR×FAIR,进而提出与框架相适应的层次化技术栈。【结果】FAIR×FAIR框架明确了13项科学数据满足AI就绪的技术要求,为弥合AI任务与科学数据之间的语义鸿沟提供了系统化方案。【局限】本研究提出的原则框架其实施效果仍需通过后续领域应用案例进一步验证。【结论】FAIR×FAIR框架为AI时代的科学数据共享与高效利用提供了理论依据和实践路径,对推动数据驱动型科研范式的演进具有重要意义。
摘要The rapid evolution of large language models(LLMs)towards autonomous Agentic artificial intelligence(AI)necessitates a systemic overhaul across algorithms,infrastructure,and architectures.This paper presents a unified view of the“Agentic AI Infrastructure,”connecting research threads often studied in isolation.First,post-training algorithms are reviewed,contrasting traditional reinforcement learning(RL)with emerging reasoning-centric methods and test-time scaling strategies.Next,the transition of RL training frameworks is analyzed from monolithic,colocated designs to disaggregated,asynchronous architectures tailored for the extreme variance of agentic rollouts.Furthermore,progress in agent construction is synthesized,covering reflection,planning,tool use,and multi-agent collaboration.By integrating these layers,the paper elucidates how agentic AI systems impose unique demands on underlying training systems.Finally,open challenges are outlined by covering capability scaling,efficiency,safety,privacy,and governance for reliable realworld agentic AI deployment.