2025年7月27日下午，世界人工智能大会（WAIC）主办了“青年菁英会之科学智能”论坛，中国科学院自动化研究所杨戈老师担任主理人。与会嘉宾包括大阪大学李晨教授、上海交通大学肖诚禹博士、香港科技大学程立雪博士，以及来自中科院青藏所、上海交通大学未来技术学院、同济大学土木工程学院等多位青年学者。论坛围绕“人工智能在科学研究中的应用”、“AI可解释性的现状与困境”、“模型训练方法”、“AI在科学研究的角色定位”及“科学教育的未来展望”等话题展开，专家报告与圆桌讨论交相辉映，交流热烈，圆满落幕。

“然而利用生成式AI，我们可以扩大范围，扩大到十亿甚至百亿级别的空间里面进行探索。”

大阪大学李晨教授以“生成式人工智能在药物研发中的应用”为题，深入阐述了其团队提出的GxVAE（Gene-to-molecule VAE）端到端生成式模型。李老师回顾了从传统高通量筛选到AI创药的技术演进，指出通过两个相互关联的变分自编码器，能够从高维基因表达谱直接生成具有靶向性的候选小分子，在提高分子多样性的同时，大幅缩减实验与计算成本。他详细展示了在LINCS/L1000数据集上的映射体系构建，以及有效性（Efficacy）、新颖性（Novelty）、QED评分和结构相似度等多维度评价结果，验证了GxVAE在多种蛋白靶点上的优势表现。李晨教授担任大阪大学第三中心副教授，电子生物信息系博士，曾先后在广岛大学、九州工业大学和名古屋大学任职，主要研究方向为AI创药与生成式深度学习模型构建。

“我们希望通过一种更加通用、灵活的方式进行多种目标光谱和材料的逆向生成与设计。”

上海交通大学肖诚禹博士带来“AGI辅助的超宽带与波段选择性热辐射超材料设计”报告。他首先介绍了热辐射在纳米光子工程中的应用背景，阐明了传统经验式设计在多目标光谱控制上的局限性。肖博士提出，借助机器学习驱动的三平面参数化与cGAN（条件生成对抗网络）逆向生成框架，能够在数十种材料体系中高效筛选上千种候选结构，并通过张江户外实验验证其辐射冷却与热管理性能。他重点解析了模型如何在小样本情况下保持通用性及稳定性，并分享了团队在实践中针对数据稀缺与局部最优陷阱所采取的预训练、数据混淆及多任务学习等策略，显著提升了逆向设计效果。肖诚禹博士认为，通用性与灵活性将成为超材料设计的未来趋势。肖诚禹目前是上海交通大学材料学院博士生，发表 Nature 论文多篇，研究聚焦光谱和材料结构逆向设计。

“我们需要明确AI  for  science其中一个很大的使命是我们要明白我们擅长解决什么问题”

香港科技大学程立雪博士的报告题为“Orbformer：通过深度量子蒙特卡罗方法建立的波函数原初分子基础模型”。她回顾了从多体全配置交互（Full CI）到密度泛函理论（DFT）的演变，聚焦于基于变分量子蒙特卡罗（VMC）的Deep QMC框架及其神经网络化改进。程博士详细剖析了Electronic Transformer、Nuclear MPNN与Opportunity三大模块如何协同工作，在88个小分子数据集及多条化学反应路径上实现预训练与微调，取得了媲美或超越高成本DFT方法的精度，且训练部署成本仅为传统方法的十分之一。她强调，完全自回归的预训练波函数模型，无需任何监督数据，就能在精度与效率之间实现突破，为量子化学计算带来全新范式。程立雪教授目前担任香港科技大学助理教授，曾任微软研究院研究员，获香港大学博士学位，后至苏黎世联邦理工与新加坡国立大学深造。

其他学者也分享了各自领域的最新研究进展：中科院青藏高原研究所夏老师结合气候变化与经济学视角探讨了AI可解释性在水文与气候模型中的关键挑战；上海交通大学未来技术学院万佳宇以锂电池寿命预测为例，阐述了数据稀缺对模型训练的困境及产业合作中对可解释性成果的迫切需求；同济大学土木工程学院代表介绍了大模型与科学大数据闭环融合在地震结构动力学的应用，成功实现秒级结构损伤预测；此外，多位行业企业与学术界青年学者围绕“AI在科学教育中的角色”展开讨论，建议通过产学研协同、场景驱动项目制与开源资源共享，培养具备跨学科背景与实践能力的新时代科研人才。

本次论坛的核心话题覆盖了人工智能在科学研究中的深度应用、当前可解释性的现实困境、模型训练方法的创新路径、AI从辅助工具向科研伙伴的角色转变，以及面向未来的科学教育展望。嘉宾提出，要在教育体系内植入计算思维与项目驱动，构建多元交叉的学习平台，为新时代科研人才提供创新土壤。

“青年菁英会之科学智能”论坛为AI + Science的跨界融合与技术创新提供了宝贵经验，也为下一步的协同攻关指明了方向。期待更多青年学者携手并进，共同书写人工智能驱动下科学探索的新篇章。

点击阅读原文查看WAIC 2025精彩！