AI加速科研，如何让答案经得起检验？

让人工智能(AI)设计一颗芯片,如果不能一次做对,怎么办?中国科学院计算技术研究所副所长陈云霁给出的办法是:让它不断验证、调试、修复,在反复纠错中逼近目标。

在30日举行的2026世界顶尖科学家论坛多场平行论坛上,AI如何参与科学研究成为热议话题。从生成电路到寻找材料,多位科学家的发言涉及同一道关口:怎样检验AI给出的结果,并将其转化为可用的技术?

芯片设计对错误极为敏感。陈云霁在人工智能平行论坛上解释,一颗每秒执行大量指令的处理器,即使出错概率很低,也可能频繁出现故障。让AI一次性生成正确设计十分困难,人类工程师同样需要依靠验证来排查问题。

“其实靠的是验证。”他介绍,团队将自动验证、自动调试和自动修复引入设计流程,通过反复迭代改进结果,探索从功能需求到电路设计的自动化路径。

沿着这一研究路径,团队先后实现了“启蒙1号”和“启蒙2号”处理器核的自动设计。其中,“启蒙1号”已完成流片,性能达到Intel486水平;“启蒙2号”的性能达到ARM Cortex A53水平。

陈云霁表示,团队还将AI的应用拓展到操作系统配置、程序转译等环节,探索改变处理器芯片及其基础软件的设计方式。

当研究对象从电路转向材料,检验AI答案又多了一道关:计算中表现出色的材料,能否在实验室里真正制备出来?

2010年诺贝尔物理学奖得主康斯坦丁·诺沃肖洛夫(Konstantin Novoselov)在未来能源大会上谈到,真实材料的性质受到多种因素影响。以钢为例,化学成分之外,微观结构、晶粒边界等也会影响其表现,而这些复杂信息未必被现有数据库充分记录。

即便预测出具有特定性质的材料,也不意味着能够找到合适的合成路径。诺沃肖洛夫介绍,其团队尝试从研究开始就将合成过程纳入考虑,观察中间产物,分析反应如何发生。

他以氮化硼合成为例解释,看似简单的原料转化,实际可能包含多条相互竞争的反应路径。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,帮助寻找获得目标材料的方法。

在同日上午的报告中,美国西北大学材料科学与工程教授杰弗里·斯奈德(Jeffrey Snyder)区分了对现有材料的设计优化与全新材料的发现。在他的观察中,前者已经取得不少进展,后者仍面临诸多挑战。

随后在圆桌讨论中,他进一步谈到热电材料的应用:除材料性能指标外,使用寿命、热膨胀、振动、接触界面及制造条件等,也需要综合考虑。单项指标的提升,还需要与器件实际使用中的要求相衔接。

在斯奈德看来,未来的材料研究需要不同专业的研究者共同参与。团队不仅要有AI专家,还要有熟悉材料合成的化学家、掌握材料加工的工程师,并将对物理机制的理解融入研究。

AI参与的研究环节越来越多,科研人员应当具备怎样的能力?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,将其概括为三个方面:定义问题、验证AI产出,以及作出道德判断。

在他看来,基础知识成为校验、甄别AI输出的“内在标尺”。缺少对原理的理解,人们就容易被流畅却存在漏洞的答案误导。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方式。

在该论坛的圆桌讨论中,陈云霁也谈到,AI能够耐心回答学生的大量问题,但在选择研究方向、判断问题是否值得研究等方面,教师仍能提供独特价值。(完)(李姝徵 杨海燕 郑莹莹)

(编辑：朗杰拉增）