一、时代背景：AI与科学的“双向道路”
一个世纪前，对原子的好奇心催生了量子力学，进而孕育出晶体管这一现代计算的核心。反之，蒸汽机作为实用发明，其潜力的真正释放得益于热力学领域的基础研究。今天，AI与科学正站在类似的转折点上。

当前的AI革命，根植于数学与物理科学数十年的积累——正是这些领域提供的问题、数据集与洞见，使现代AI成为可能。2024年诺贝尔物理学奖授予根植于物理学的基础AI方法，化学奖则颁给用于蛋白质设计的AI应用，这一历史性突破让AI与科学的深层关联变得不可忽视。

正如MIT物理学教授杰西·塞勒所言：“这件事的意义不止于用AI做更好的科学，科学同样可以让AI变得更好。”这种双向奔赴，正是未来科研范式变革的核心逻辑。

二、核心理念：从“AI驱动科学”到“AI的科学”
2025年MIT“AI+MPS的未来”研讨会汇聚天文学、化学、材料科学、数学、物理学五大领域的顶尖研究者，形成三大核心共识：

1. 双向赋能：科学驱动AI，AI反哺科学
研讨会在热烈讨论中提炼出一个关键概念——“AI的科学”。它包含三个相互关联的层面：

科学驱动AI：科学推理为基础性AI方法提供信息支撑；

科学启发AI：前沿科学难题推动新算法的开发与突破；

科学解释AI：科学工具帮助揭示机器智能的实际运作机制。

以粒子物理领域为例，研究人员开发的实时AI算法不仅用于处理对撞机海量数据、助力新物理发现，其算法本身在领域之外同样展现出巨大应用价值。

2. 人才核心：培养“半人马科学家”
在科学与AI之间架设桥梁，关键在于跨越两个世界的复合型人才。与会者一致强调了对“半人马科学家”的需求——即具备真正跨学科专长的研究者。支持这些通才型人才，需要从一体化本科课程到跨学科博士项目，再到联合教职聘任的全链条培养体系。

三、实践探索：MIT的先行经验
作为美国国家科学基金会“AI与基本相互作用研究所”（IAIFI）的所长，杰西·塞勒结合MIT实践，展示了研讨会建议的可落地路径：

1. 研究支柱：双向推动AI与科学融合
学科驱动：MIT理学院各领域研究者持续推进AI赋能科研项目，形成知识储备的持续积累；

协同创新：IAIFI与“数据驱动发现的加速AI算法”（A3D3）研究所等跨学科平台，汇聚多领域力量，产生叠加效应；

应用导向：MIT生成式AI影响力联盟从大学层面支持以应用为牵引的AI研究。

2. 人才支柱：系统化培养“双语”科学家
基础教育：苏世民计算学院“计算教育共同基础”项目，帮助学生实现计算科学与自身学科的“双语”能力；

博士路径：IAIFI与数据、系统与社会研究所合作创建涵盖物理学、统计学、数据科学的跨学科博士项目，目前约10%的物理学博士生选择该路径，比例持续上升；

博士后支持：IAIFI Fellowship、Tayebati Fellowship等专项岗位，为早期职业研究者提供跨学科探索的自由空间。

3. 社群支柱：以学术活动凝聚共识
从小型专题研讨会到大型学术论坛，跨学科活动传递出一个清晰信号：AI与科学的交叉研究不是各自为战，而是一个正在兴起的学术领域。MIT依托人才与资源优势，通过多层次学术活动，持续巩固在这一新兴领域的领导地位。

四、未来展望：从零敲碎打到系统战略
研讨会得出一个重要结论：在AI与科学领域引领潮流的机构，必将是进行系统性思考而非零敲碎打者。资源有限，优先级至关重要。当一所机构围绕连贯战略协调人才招聘、研究布局与培训体系时，将释放出巨大的创新潜力。

MIT已在关键方向迈出实质性步伐：

联合教职：苏世民计算学院与物理系正在进行首次联合教职招聘；

学位路径：跨学科学位项目获得更多认可与推广；

资金支持：为“AI的科学”提供有意识的专项资助。

五、结语：良性循环驱动范式变革
AI与科学的良性循环，有望带来三重变革：深化对AI本质的理解、加速前沿科学发现、为两者提供更强大的工具支撑。通过制定有意识的战略，MIT正站在AI发展下一波浪潮的潮头。而对于更广泛的科研机构而言，这场研讨会的启示同样清晰：唯有拥抱双向融合，才能在新一轮科研范式变革中占据主动。