问题：科研范式面临新拐点，原始创新效率仍需提升。
当前，科学研究进入多学科交叉与数据密集并行的新阶段，一方面，重大科学问题复杂度显著上升，单一学科、单一工具难以支撑长周期、系统性突破；另一方面，科研活动在数据获取、知识整合、实验设计与结果验证等环节仍存在重复投入、协同不足等现象。
如何在保持科学严谨性的同时提升探索效率，成为推动原始创新能力跃升的现实课题。
原因：技术演进与科研组织方式变革叠加，催生“智能化科研”需求。
周志华在发言中指出，人工智能赋能科学研究不仅能够加速求解长期悬而未决的科学难题，还可能重构科学发现的基本路径。
其背后，一是算法、算力与工程化能力快速进步，使模型在复杂模式识别、海量文献与数据挖掘、实验参数优化等方面展现出新的工具价值；二是各学科数据规模持续增长，但数据标准不一、共享不足，制约了跨机构、跨团队的协同研究；三是人才供给与培养模式仍偏“单学科纵深”，既懂领域知识又掌握智能技术的方法型人才相对不足；四是现有评价导向在一定程度上更强调短期产出，影响前瞻性、战略性基础研究的持续投入与耐心积累。
影响：从“工具升级”走向“路径再造”，对科技创新体系提出系统要求。
与传统科研工具不同，人工智能的引入不仅可能提升计算与分析效率，更可能改变提出问题、构建假设、设计实验和验证结论的流程，推动科研组织从个体经验走向群体协同、从局部优化走向系统集成。
这一变化将带来三方面影响：其一，重大任务攻关有望缩短探索周期、提高试错效率，促进基础研究与应用研究的双向迭代；其二，跨学科边界有望进一步被打通，形成“模型—数据—实验—理论”相互促进的新型研究范式；其三，对科研伦理、数据安全、开放共享与知识产权等治理能力提出更高要求，必须同步完善制度框架，确保科学研究可持续、可复现、可追溯。
对策：加强顶层设计与要素供给，形成可落地的制度组合拳。
围绕“以人工智能引领科研范式变革”，周志华提出四方面建议。
一是加强政策引导，提升基础创新能力。
要优化人工智能领域科学研究的统筹布局，围绕国家战略需求和科学前沿，集中力量支持一批具有前瞻性、战略性的基础研究项目，鼓励科研人员开展原创性探索。
同时，完善科学合理的科研评价体系，强化质量、贡献与长期价值导向，为“坐得住冷板凳”的研究营造稳定预期。
二是变革培养模式，打造复合型人才队伍。
要从源头构建“人工智能赋能科学研究”复合型创新人才培养体系，探索跨学科融合的研究生培养新模式，推动课程体系、科研训练与实践平台协同升级，系统化培养既深谙领域知识又掌握前沿智能技术的科学家与工程师，为范式变革提供人才支撑。
三是注重双向科普，推动消除学科壁垒。
要鼓励定期举办跨界沙龙、联合研讨与联合课题，促进不同背景学者在共同问题上形成共识与协作机制，推动从概念普及走向实质性协作。
既要让领域科学家理解智能技术的边界与风险，也要让技术人员理解科学问题的本质与验证标准，避免“只见工具、不见科学”的偏差。
四是强化数据治理，构建科学数据生态。
要建立标准化的科学数据仓储，制定各学科数据采集、标注、存储、共享的统一规范，提升数据质量与可复用性。
鼓励科研机构与研究人员在安全合规前提下开放共享科学数据，形成良性循环的资源供给体系，为跨团队、跨地域协同研究打下基础。
前景：以制度创新护航技术创新，推动科研体系整体跃迁。
业内人士认为，人工智能与科学研究的深度融合将是一项长期系统工程，既需要关键核心技术突破，也需要科研组织方式、评价机制与数据治理同步完善。
随着相关政策进一步聚焦基础研究、人才培养与数据生态建设，人工智能有望在更多学科领域加速形成可复制、可推广的科研新流程，促进原创性成果持续涌现，并为我国加快实现高水平科技自立自强提供更坚实的创新动能。
科学研究的进步离不开制度创新和人才培养的同步推进。
周志华委员的建议，既着眼于当前科研工作的实际困难，又指向了未来科研体系的优化方向。
通过政策引导、人才培养、学科融合和数据治理的有机结合，我国科研工作有望实现从量的积累向质的飞跃，为国家的科技自立自强提供更加坚实的支撑。