[智能应用]中国超过50所人工智能学院，北大为何押注“科学智能”？ [复制链接]

撰文 | 张天祁
过去几年，“人工智能学院”在中国高校中迅速铺开，据不完全统计，已经有超50所高校开设了“人工智能学院”。在这一波浪潮中，北京大学深圳研究生院选择了建立一所面向“科学智能”（AI for Science）的学院，把人工智能的重心放在基础科学问题上。
传统的AI教育更多是培养算法和工程人才，而 AI for Science 的目标，则是用AI去重塑和加速基础科学的发现过程。正如AlphaFold对生物学产生的影响，这种模式试图将AI从一个应用工具，转变为驱动物理、化学、材料等基础科学产生源头创新的关键。
“我们认为，未来从事数学、物理、化学、生物、材料等基础研究的科学家，应当积极拥抱AI，适应这种科研范式变革，否则他们的研究很可能就会落后”。北京大学深圳研究生院副院长、科学智能学院执行院长田永鸿在与《知识分子》的对谈中，这样表达学院选择AI for Science的考量。
知识分子：我们注意到现在很多高校都在成立人工智能学院，为什么北京大学深圳研究生院会选择“科学智能”（AI for Science）这个方向？
田永鸿：之所以选择AI for Science这个方向，主要有两个层面的考量。
首先，我们看到一个清晰的趋势：人工智能正在深刻地改变科学研究的范式。一个非常典型的例子就是蛋白质折叠预测。AlphaFold一出来，在一两年之内，几乎把全球所有的蛋白质结构都预测完了。这就是AI的魅力。它作为一个强大的工具，正在重塑科学研究的模式。
我们认为，未来从事数学、物理、化学、生物、材料等基础研究的科学家，应当积极拥抱AI，适应这种科研范式变革，否则他们的研究很可能就会落后。
其次，这个选择也与北京大学整体的发展布局相契合。北京大学深圳研究生院建院二十多年来，形成了学科交叉氛围浓厚的学术环境。这为我们探索AI for Science的新模式提供了一块创新的试验田。北大本部在数、理、化等基础学科上力量非常雄厚，我们希望在深圳先探索经验，如果成功，未来可以将这些好的经验和模式推广到北大本部乃至全国，起到一个探索的作用。
知识分子：在您看来，当前制约“AI+Science”快速发展的最大瓶颈是什么？科学智能学院的成立，能在多大程度上改变这种局面？
田永鸿：核心要解决的，就是人才短板问题。
现在在很多传统行业，比如医药领域，大家都知道AI重要，但具体怎么做很少有人知道。举个例子，我们对一些公司的调研时发现，从他们的院长到研究员，都意识到要用AI工具。但他们实际在用的，很多还是十年前的传统统计学习方法。对于大模型等新技术，他们一方面觉得很重要，另一方面又不知道该怎么用。
连领军企业都面临这种困惑，可想而知广大企业有多么缺少既懂AI又懂基础科学的复合型人才。我们希望通过建立这个学院，能够大量培养这样的人才，以解决现存的短板问题。
知识分子：过去很多“AI for Science”项目，往往是由具体的实验室或科研团队以跨学科合作的方式完成的。为什么现在需要将AI for Science系统化，专门建立一个学院来培养交叉人才呢？这种培养模式和传统的跨学科合作有何不同？
田永鸿：坦白说，传统的跨学科合作模式我们已经走了很多年，但始终存在一些难以解决的痛点。
首先是合作问题。比如一个做生物的老师和一个做 AI 的老师要合作，对方可能自己的项目都忙不过来，未必有精力参与，这种情况大量存在。即便合作了，第二个难题是成果的知识产权归属。项目做完后，论文谁做第一作者，谁做通讯作者？直到今天，这依然是高校里难以解决的难题。
搞科学的人往往认为，自己定义了科学问题、提供了数据，理应是主导。而做AI的人则认为自己提供了关键的工具和方法，也应获得相应的认可，这个矛盾很难调和。
最关键的，对于参与合作的学生来说，完成的交叉学科学位论文，由哪个学科的学位委员会来评审和把关？传统的学科体系是分离的，搞数学的、化学的、计算机的各有各的委员会和评价标准。一篇交叉学科的论文，两边的评委可能都看不懂，也找不到合适的评审人，导致学生的毕业和评价都面临困难。
知识分子：科学智能学院的模式，与传统跨学科合作相比，有什么不同？
田永鸿：我们推行双导师制，两位来自不同学科的老师从一开始就有共同的责任，他们的成果就是培养AI for Science的人才。这样一来，合作的意愿问题自然就解决了。两位导师共同指导一个学生，知识产权的问题也更容易通过协商解决，学生的归属是明确的，不必再去争“一作”或“通讯作者”。
学院会设立专门的交叉学科学位评定分会，来负责评审这类跨学科的论文。这样从制度上改变了过去那种依赖个人自学或零散合作的模式，使得交叉人才的培养能够系统化、制度化，从而真正推动AI for Science的发展。
知识分子：您刚才提到了双导师制，这个制度在实际运作中是如何分工的？
田永鸿：双导师制是我们针对当前现实的一个核心设计。坦白说，现在全球范围内既懂AI又懂Science的科学家凤毛麟角，我们很难找到足够多的单一导师来培养这样的学生。所以，我们采用两位导师共同指导一个学生的模式。这两位导师最好过去有合作基础，至少也要有强烈的合作意愿。
在指导过程中，他们的分工是明确的。科学导师负责定方向，也就是判断哪些科学问题是值得做的、是这个领域几十年来没解决的难题。AI导师则负责定技术路线，他要分析这个科学问题是否能用AI技术来加速或解决。
两者结合，共同指导学生。也意味着学生汇报工作时，两位导师需要同时参加。这个制度增加了导师的时间成本，学生的学习时间和内容也更多，但独特的培养和研究经历也会带来更优秀的竞争力。
知识分子：谈到评价，过去有一种说法，交叉学科在现有的科研评价体系里其实是比较吃亏的。作为一个新学院，科学智能学院会如何改革科研评价体系，避免被现有体系同化？
田永鸿：科研评价是指挥棒，如果指挥棒没弄好，交叉学科一定做不好。我们当然不可能凭学院之力彻底解决这个历史问题，但我们正面临一个很好的改革机遇。现在全社会已经认识到，发展交叉学科是必须要做的事情，整个学术界对交叉学科的包容度也在提高。
在学院内部，我们已经有了一些初步的探索。首先，对于学生的评价，北京大学专门设有一个交叉学位评定分会，我们AI for Science的学生论文就归这个分会来评审。这个分会是从交叉学科的视角来评价学生的学位论文。
其次，在教师的科研成果认定上。学院会在自己的学科领域内，率先认可共同第一作者、共同通讯作者具有同等贡献，在计算工作量、认定成果时予以同等考量。我们认为，在一项AI for Science的研究中，科学和AI两个方面的贡献是同等重要的。这个成果是双方紧密合作才能做得又快又好，必须抛弃传统的主次之分观念。
当然，我们一所学院的探索只是局部的。更大范围的评价体系改革，还得靠国家来调整这个指挥棒。这会是一个长期的过程，不可能一蹴而就，但我们希望通过这样的探索，慢慢引导形成一种新的、认可交叉融合的科研文化。
知识分子：在课程设置上，AI会与哪些学科交叉？
田永鸿：在课程设置方面，我们首批设立的交叉方向主要集中在AI与物理、化学、生命科学和材料科学的融合。当然，这只是我们的起点。未来，AI的应用会渗透到更多理工学科，如能源、环境等，甚至会扩展到人文社科领域。
在我们当前的培养体系中，课程设计概括为“一体六向”。“一体”指的是所有学生都要修的公共基础课程平台。这个平台包括三类课程：一是导论课，如《人工智能导论》和《科学智能导论》；二是计算与智能课，涵盖机器学习、科学计算和编程；三是交叉基础课，如《科学第一性原理》和科学实验方法。
在完成这个“一体”的学习后，学生再根据自己的兴趣和方向，进入不同的专业选修课模块，也就是所谓的“六向”。例如，选择AI for Life Science方向的学生，会选修计算生物学、蛋白质组学、AI药物设计等课程；而AI for Materials方向的学生，则会学习计算材料学、材料模拟等专业课程。
知识分子：在具体的平台建设上，学院如何规划“AI for Science”的落地？
田永鸿：AI for Science 的研究与教学，与传统 AI 有很大不同。传统 AI 培养中，一个学生可能有算力平台支撑就够了。但我们不仅需要算力和数据，更关键的是要有一个“干湿闭环”的实验平台。这里的“干实验”指 AI 模型的设计与计算，“湿实验”则是真实的物理、化学、生物实验。我们希望将两者紧密结合，让学生在校期间就能在这样的平台上训练，掌握新的科研模式。
举例来说，假设要设计一种新药分子，首先会在计算机上用 AI 大模型生成候选分子序列，筛选出最有希望的几个，并自动生成实验方案，由自动化实验机器人执行合成与验证。自动化设备不仅提高效率，也降低了 AI 背景学生操作复杂实验的门槛。实验完成后，数据会自动回传、可视化分析，并反馈给模型，形成高效的自动化迭代闭环。这样的设施与环境，是传统 AI 或传统实验室所不具备的。
知识分子：在数据资源和算力共享方面，学院会如何推动“AI for Science”的基础设施建设？
田永鸿：在建设这样的平台过程中，我们的目标不仅是提供 AI for Science 的科研基础架构，更重要的是推动科学数据的共享。长期以来，许多科学家习惯将自己的数据牢牢掌握在手中，结果就形成了成千上万个零散孤立的“数据孤岛”。
但在未来的大科学研究中，只有把分散的数据汇聚起来，才能取得真正突破。那些率先收集、整理并共享大科学数据的团队，将更有机会产出重大成果；而坚持“数据私有化”的模式，则会大大放慢研究进展，甚至难以取得实质性成果。这一趋势也会推动科学界的数据共享模式发生根本变化。
我认为这是一个重大的机遇。铺设这样的新型设施，就像建设高铁或发展电动汽车一样，是具有长远价值的基础性工作，对国家科技发展意义重大。
知识分子：学院地处粤港澳大湾区，这里有非常活跃的创新文化和企业集群。学院会如何与产业界合作？
田永鸿：我们正在和多家企业探讨合作，合作形式可以很多样，比如共建实验平台，或者采用企业出题的方式，由企业提供真实的产业疑难，作为我们学生的实训课题。而我们的角色，就是把企业带来的这些实际问题进行提炼和升华，剥离掉具体的工程细节，找出其中最本质的科学或技术挑战，让我们的师生来攻克。
知识分子：现在很多人在讨论，AI有没有可能自主发现一些新的科学定律，而不只是在现有框架内做一些高效的预测和计算？您对此有什么看法？
田永鸿：这可以说是AI for Science研究的终极目标之一。随着技术的发展，这种可能性是一定会有的。在当前阶段，AI的主要作用还是加速科学发现。
它体现在“干实验”环节，我们用大模型高效探索合成路径；也体现在“湿实验”环节，我们用自动化机器人并行做实验，效率远超人工。过去做碳纳米管材料，一天可能才能做一组数据，现在，机器人一晚上就能得到十组，而且数据重复性非常高。这种速度本身就对科研推动巨大。
实际上，AI自主发现的苗头已经出现。我们下一步就是要让AI模型通过学习海量的科学数据，进一步具备提出科学假设，甚至对某些科学问题进行自主探索的能力。我相信这一天的到来不会太久。当然，要解决像哥德巴赫猜想那样更深层次、更难的问题，还需要很长的时间。

北京大学押注科学智能的战略背景与核心考量
近年来，中国高校人工智能学院建设快速推进，据不完全统计，全国已有超50所高校开设人工智能学院12。在此背景下，北京大学深圳研究生院选择聚焦科学智能（AI for Science） 方向，其核心考量源于对人工智能与基础科学交叉创新趋势的前瞻性判断。传统AI教育侧重算法与工程人才培养，而科学智能旨在通过AI重塑基础科学研究范式，例如AlphaFold对生物学的颠覆性影响，推动物理、化学、材料等领域的源头创新1。北大深圳研究生院依托二十余年的学科交叉优势，试图将深圳作为试验田，探索AI与基础科学深度融合的新模式，并计划未来向本部及全国推广经验1。

科学智能学院成立的核心动因与目标
破解AI+Science发展的关键瓶颈
当前制约AI与基础科学融合的最大障碍是复合型人才短缺。以医药领域为例，企业虽意识到AI的重要性，但缺乏既懂AI技术又掌握基础科学逻辑的专业人才，导致技术应用难以落地1。科学智能学院的成立旨在系统性解决这一问题，培养能够驱动基础科学创新的交叉人才。

重构跨学科合作与人才培养机制
传统跨学科合作存在三大痛点：合作意愿不足、知识产权归属矛盾、学生评价体系割裂。为此，学院创新性地推行双导师制：

科学导师：负责提出基础科学问题，明确研究目标；
AI导师：设计技术路线，判断问题的AI可行性

协同机制：双导师共同指导学生，共享成果归属，从制度上保障交叉研究的可持续性1。
科学智能与传统AI教育的差异化定位
维度    传统AI教育    科学智能（AI for Science）
核心目标    培养算法与工程应用人才    驱动基础科学发现与范式变革
学科基础    以计算机科学、工程学为主    融合数学、物理、化学等基础学科
应用场景    聚焦产业落地与技术优化    解决科学前沿问题（如蛋白质折叠、新材料研发）
培养模式    单一学科导师制    双学科导师协同培养
与现有智能类专业的互补性
中国高校已存在“人工智能”与“智能科学与技术”两个并行专业：前者侧重产业需求，后者偏向学术研究3。科学智能学院进一步拓展了智能教育的深度，通过AI工具赋能基础科学研究，形成“技术-应用-科学发现”的完整链条，填补了AI在源头创新领域的人才培养空白
对基础科学研究范式的潜在影响
科学智能的崛起可能重塑科研模式：未来数学、物理、化学等领域的科学家需主动拥抱AI工具，否则可能面临研究效率落后的风险1。例如，AlphaFold通过AI预测蛋白质结构的案例已证明，AI不仅是辅助工具，更能成为科学发现的核心驱动力。北大深圳研究生院的这一布局，或将加速中国在基础科学领域的突破，为全球AI for Science发展提供“中国方案”。

北京大学深圳研究生院科学智能学院：AI for Science的先锋探索

引言
近年来，“人工智能学院”如雨后春笋般在中国高校中涌现，据不完全统计，已有超50所高校开设了此类学院。然而，北京大学深圳研究生院却独辟蹊径，选择建立一所面向“科学智能”（AI for Science）的学院，将人工智能的重心聚焦于基础科学问题。这一创新举措背后，蕴含着深刻的战略考量与前瞻视野。

学院选择AI for Science方向的考量
科研范式变革的必然趋势
人工智能正以前所未有的态势深刻改变着科学研究的范式。以蛋白质折叠预测为例，AlphaFold的出现堪称一场革命，在一两年内几乎预测完了全球所有的蛋白质结构。这一成果充分彰显了AI作为强大工具的魅力，它正在重塑科学研究的模式。传统的基础科学研究往往依赖科学家个人的经验与直觉，研究过程漫长且效率有限。而AI的介入，能够快速处理海量数据，发现隐藏在数据背后的规律，从而加速科学发现的进程。

未来，从事数学、物理、化学、生物、材料等基础研究的科学家，若不积极拥抱AI，适应这种科研范式变革，其研究很可能就会落后。例如，在药物研发领域，传统的研发方式需要耗费大量的时间和资金进行药物筛选和临床试验。而借助AI技术，可以通过对大量生物数据的分析，快速预测药物的疗效和安全性，大大缩短研发周期，降低研发成本。

与北京大学整体发展布局相契合
北京大学深圳研究生院建院二十多年来，形成了学科交叉氛围浓厚的学术环境。这为探索AI for Science的新模式提供了得天独厚的条件。北大本部在数、理、化等基础学科上力量雄厚，拥有一批顶尖的科研团队和丰富的学术资源。深圳研究生院希望在深圳这片创新的热土上先探索经验，如果成功，未来可以将这些好的经验和模式推广到北大本部乃至全国，起到一个探索和示范的作用。

制约“AI + Science”快速发展的瓶颈及学院举措
人才短板问题
当前，制约“AI + Science”快速发展的最大瓶颈是人才短缺。在许多传统行业，如医药领域，虽然大家都认识到AI的重要性，但具体如何应用却知之甚少。以一些医药企业为例，从院长到研究员，虽然意识到要用AI工具，但实际在用的很多还是十年前的传统统计学习方法。对于大模型等新技术，他们一方面觉得很重要，另一方面又不知道该怎么用。

连领军企业都面临这种困惑，广大企业更是缺少既懂AI又懂基础科学的复合型人才。这种人才短缺的现象，严重阻碍了“AI + Science”的发展。为了解决这一问题，科学智能学院应运而生，希望通过建立这个学院，大量培养这样的人才，填补现存的短板。

传统跨学科合作模式的痛点
过去，很多“AI for Science”项目往往是由具体的实验室或科研团队以跨学科合作的方式完成的。然而，传统的跨学科合作模式存在诸多难以解决的痛点。

合作意愿问题
一个做生物的老师和一个做AI的老师要合作，对方可能自己的项目都忙不过来，未必有精力参与。这种情况在高校中大量存在，导致许多有潜力的跨学科研究项目无法顺利开展。

知识产权归属问题
项目做完后，论文谁做第一作者，谁做通讯作者，这依然是高校里难以解决的难题。搞科学的人往往认为自己定义了科学问题、提供了数据，理应是主导；而做AI的人则认为自己提供了关键的工具和方法，也应获得相应的认可。这种矛盾很难调和，影响了科研人员的合作积极性。

学生毕业和评价困难
对于参与合作的学生来说，完成的交叉学科学位论文，由哪个学科的学位委员会来评审和把关也是一个问题。传统的学科体系是分离的，搞数学的、化学的、计算机的各有各的委员会和评价标准。一篇交叉学科的论文，两边的评委可能都看不懂，也找不到合适的评审人，导致学生的毕业和评价都面临困难。

科学智能学院的创新培养模式
双导师制
为了解决传统跨学科合作模式的痛点，科学智能学院推行双导师制。两位来自不同学科的老师从一开始就有共同的责任，他们的成果就是培养AI for Science的人才。这样一来，合作的意愿问题自然就解决了。两位导师共同指导一个学生，在知识产权的问题上也更容易通过协商解决，因为学生的归属是明确的，不必再去争“一作”或“通讯作者”。

在指导过程中，科学导师负责定方向，判断哪些科学问题是值得做的、是这个领域几十年来没解决的难题；AI导师则负责定技术路线，分析这个科学问题是否能用AI技术来加速或解决。两者结合，共同指导学生。学生汇报工作时，两位导师需要同时参加。这个制度虽然增加了导师的时间成本，学生的学习时间和内容也更多，但独特的培养和研究经历会带来更优秀的竞争力。

设立交叉学科学位评定分会
学院设立专门的交叉学科学位评定分会，来负责评审这类跨学科的论文。这样从制度上改变了过去那种依赖个人自学或零散合作的模式，使得交叉人才的培养能够系统化、制度化，从而真正推动AI for Science的发展。

科研评价体系改革
现有科研评价体系的困境
过去，交叉学科在现有的科研评价体系里其实是比较吃亏的。科研评价就像一个指挥棒，如果指挥棒没弄好，交叉学科一定做不好。传统的科研评价体系往往侧重于单一学科的成果，对于跨学科的研究成果认可度不高，这在一定程度上影响了科研人员从事交叉学科研究的积极性。

科学智能学院的改革举措
学生评价改革
北京大学专门设有一个交叉学位评定分会，AI for Science的学生论文就归这个分会来评审。这个分会是从交叉学科的视角来评价学生的学位论文，能够更全面、客观地评价学生的研究成果。

教师科研成果认定改革
在教师的科研成果认定上，学院会在自己的学科领域内，率先认可共同第一作者、共同通讯作者具有同等贡献，在计算工作量、认定成果时予以同等考量。学院认为，在一项AI for Science的研究中，科学和AI两个方面的贡献是同等重要的。这个成果是双方紧密合作才能做得又快又好，必须抛弃传统的主次之分观念。

当然，一所学院的探索只是局部的。更大范围的评价体系改革，还得靠国家来调整这个指挥棒。这会是一个长期的过程，不可能一蹴而就，但科学智能学院希望通过这样的探索，慢慢引导形成一种新的、认可交叉融合的科研文化。

课程设置与平台建设
课程设置
在课程设置方面，科学智能学院首批设立的交叉方向主要集中在AI与物理、化学、生命科学和材料科学的融合。未来，AI的应用会渗透到更多理工学科，如能源、环境等，甚至会扩展到人文社科领域。

学院当前的培养体系课程设计概括为“一体六向”。“一体”指的是所有学生都要修的公共基础课程平台，包括导论课（如《人工智能导论》和《科学智能导论》）、计算与智能课（涵盖机器学习、科学计算和编程）、交叉基础课（如《科学第一性原理》和科学实验方法）。在完成“一体”的学习后，学生再根据自己的兴趣和方向，进入不同的专业选修课模块，即“六向”。例如，选择AI for Life Science方向的学生，会选修计算生物学、蛋白质组学、AI药物设计等课程；而AI for Materials方向的学生，则会学习计算材料学、材料模拟等专业课程。

平台建设
“干湿闭环”实验平台
AI for Science的研究与教学，与传统AI有很大不同。传统AI培养中，一个学生可能有算力平台支撑就够了。但科学智能学院不仅需要算力和数据，更关键的是要有一个“干湿闭环”的实验平台。这里的“干实验”指AI模型的设计与计算，“湿实验”则是真实的物理、化学、生物实验。学院希望将两者紧密结合，让学生在校期间就能在这样的平台上训练，掌握新的科研模式。

举例来说，假设要设计一种新药分子，首先会在计算机上用AI大模型生成候选分子序列，筛选出最有希望的几个，并自动生成实验方案，由自动化实验机器人执行合成与验证。自动化设备不仅提高效率，也降低了AI背景学生操作复杂实验的门槛。实验完成后，数据会自动回传、可视化分析，并反馈给模型，形成高效的自动化迭代闭环。这样的设施与环境，是传统AI或传统实验室所不具备的。

数据资源和算力共享
在建设“干湿闭环”实验平台的过程中，学院的目标不仅是提供AI for Science的科研基础架构，更重要的是推动科学数据的共享。长期以来，许多科学家习惯将自己的数据牢牢掌握在手中，结果就形成了成千上万个零散孤立的“数据孤岛”。

但在未来的大科学研究中，只有把分散的数据汇聚起来，才能取得真正突破。那些率先收集、整理并共享大科学数据的团队，将更有机会产出重大成果；而坚持“数据私有化”的模式，则会大大放慢研究进展，甚至难以取得实质性成果。这一趋势也会推动科学界的数据共享模式发生根本变化。铺设这样的新型设施，就像建设高铁或发展电动汽车一样，是具有长远价值的基础性工作，对国家科技发展意义重大。

与产业界的合作
合作形式
科学智能学院地处粤港澳大湾区，这里有非常活跃的创新文化和企业集群。学院正在和多家企业探讨合作，合作形式可以很多样，比如共建实验平台，或者采用企业出题的方式，由企业提供真实的产业疑难，作为学生的实训课题。

合作角色与目标
学院的角色的就是把企业带来的这些实际问题进行提炼和升华，剥离掉具体的工程细节，找出其中最本质的科学或技术挑战，让师生来攻克。通过与产业界的合作，学院不仅能够为学生提供实践机会，增强学生的实际操作能力，还能够将科研成果转化为实际应用，推动产业的发展。

AI自主发现科学定律的前景
当前AI的作用
在当前阶段，AI的主要作用还是加速科学发现。它体现在“干实验”环节，用大模型高效探索合成路径；也体现在“湿实验”环节，用自动化机器人并行做实验，效率远超人工。例如，过去做碳纳米管材料，一天可能才能做一组数据，现在，机器人一晚上就能得到十组，而且数据重复性非常高。这种速度本身就对科研推动巨大。

AI自主发现的苗头与展望
实际上，AI自主发现的苗头已经出现。科学智能学院的下一步目标就是要让AI模型通过学习海量的科学数据，进一步具备提出科学假设，甚至对某些科学问题进行自主探索的能力。相信这一天的到来不会太久。当然，要解决像哥德巴赫猜想那样更深层次、更难的问题，还需要很长的时间。但可以预见的是，随着技术的不断发展，AI有望在科学发现领域发挥越来越重要的作用，甚至可能自主发现一些新的科学定律，为人类认识世界和推动科技进步带来新的突破。

结论
北京大学深圳研究生院科学智能学院在AI for Science领域的探索具有重大的战略意义和前瞻性。通过选择这一独特的发展方向，学院不仅顺应了科研范式变革的趋势，也为解决“AI + Science”发展中的瓶颈问题提供了创新的解决方案。在人才培养、科研评价体系改革、课程设置与平台建设以及与产业界合作等方面，学院都进行了积极的尝试和探索，为推动AI for Science的发展奠定了坚实的基础。尽管面临诸多挑战，但相信在学院师生的共同努力下，AI for Science必将迎来更加辉煌的明天，为人类科学事业的发展做出重要贡献。