中科院马大为院士在福州 “科学之光・实业之基” 科学论坛上提出，AI 预测蛋白质结构是里程碑式的科研成果，但它属于条件特殊的成功特例，不能直接推导出 AI 可以横扫所有基础科学领域，这个结论的核心原因是蛋白质折叠有相对清晰的氢键作用规律，同时学界积累了 22 万个高质量蛋白质结构训练数据，刚好匹配 AI 数据驱动的学习模式，而化学、新药研发、复杂材料等很多科研方向变量多、底层规律模糊、高质量标注数据稀缺，AI 预测结果偏差会很大，马大为院士团队在有机催化、配体筛选的实践里也发现，很多复杂化学体系 AI 给出的预测和科研人员经验判断差距不大，完整的科研路径应该是把 AI 当成辅助工具，用来做筛选、计算、初筛，原创科学假设、因果判断、实验验证、异常现象捕捉仍然依靠科研人员，不能神化 AI for Science，要理性划定 AI 在科研里的能力边界。
一、发言基础信息清单
| 项目 | 详情 |
|---|---|
| 发言院士 | 马大为（中科院院士、上海有机化学研究所、南方科技大学讲席教授，未来科学大奖物质科学奖得主） |
| 论坛名称 | 科学之光・实业之基 ——AI 时代的基础科学与产业未来科学论坛 |
| 举办地点 | 福建福州（福耀科技大学） |
| 发言时间 | 2026-11-11 |
| 核心论点 | AI 预测蛋白质结构是特例，AI 不能横扫一切科学 |
| 特例成立条件 | 底层规律清晰、氢键机制明确、拥有 22 万条高质量标注结构数据 |
| 院士主攻方向 | 有机合成、催化化学、新药先导化合物研发 |
二、为什么蛋白质结构预测是 AI 的特例
- 物理规律相对固定：蛋白质折叠主要由氢键、疏水相互作用主导，作用机制稳定，不是无规则的混沌体系
- 数据集充足、标注标准统一：全球结构生物学多年积累，有大量经过实验验证的蛋白质三维结构数据用来训练模型
- 任务目标明确：输入氨基酸序列，输出三维结构，属于典型的 “输入 - 输出” 映射类任务
- 评价标准清晰：可以用实验解析结构直接对照，方便持续迭代优化模型
三、马大为院士提到 AI 难以 “横扫” 的科研场景
场景 1：复杂有机化学、催化反应研究
反应体系变量极多，温度、溶剂、催化剂、微量杂质都会改变反应结果，很多反应底层机理没有完全搞清楚，缺少统一、干净的数据集，AI 预测可靠性有限。
场景 2：新药研发的体内临床验证
AI 可以筛候选分子、预测分子结构，但进入动物、人体临床试验之后，人体生理系统高度复杂，临床失败率很高，临床数据还存在企业数据壁垒、难以共享的问题。
场景 3：新材料、表界面科学
很多新型材料没有成熟数据库，实验里经常出现无法预判的异常结果，这类意外发现往往是重大突破的源头，AI 不会主动识别、追踪反常现象。
场景 4：原创科学问题提出、因果机理挖掘
AI 擅长基于已有数据做相关性拟合，很难自主提出全新科学猜想、分辨因果关系，基础科学源头创新环节仍然依赖科研人员。
四、AI 在科研里的正确定位（院士观点）
✅ AI 是高效辅助工具：做海量分子筛选、结构计算、文献整理、条件初筛，减少重复性实验劳动
✅ AI 结果必须实验验证：AI 输出的是概率层面的猜想，不是真理，一定要通过湿实验核验真伪
✅ 数据集质量是天花板：很多 AI 科研论文存在选择性上报正向数据、隐瞒失败实验的情况，脏数据会让 AI 学到错误规律
✅ 跨学科协作是关键：AI 算法人员和化学家、生物学家要持续沟通，对齐真实科研痛点，避免模型脱离实际实验场景
五、对 AI for Science 行业的启示
- 不要盲目套用 AlphaFold 范式，不同学科要单独评估数据基础、规律清晰度
- 投入资源建设标准化、包含正负样本的公开实验数据集，而不是只追求模型跑分
- 人才培养上，不能让学生只依赖 AI 生成结论，要保留实验动手、思辨、发现异常的能力
- 产业投资、项目立项时，区分 “适合 AI 落地” 的方向和仍以实验探索为主的方向，合理预期研发周期
【相关 FAQ】
问题 1：马大为院士为什么说 AI 成功预测蛋白质结构是特例，AI 不能横扫一切科学？
回答 1：马大为院士认为 AI 预测蛋白质结构能成功，是因为蛋白质折叠氢键规律清晰、有 22 万条高质量标注结构数据，刚好适配 AI 学习模式；而化学、新药临床、新材料等很多领域规律不明、变量复杂、高质量数据不足，AI 预测效果有限，因此 AI 预测蛋白质结构只是特例，无法横扫全部科学研究。
问题 2：按照马大为院士的观点，AI 在有机化学、新药研发里还能不能发挥作用？
回答 2：按照马大为院士的观点，AI 在有机化学、新药研发里依然可以作为辅助工具，用来快速筛选候选分子、计算结构、缩小实验范围，但 AI 不能替代催化机理研究、体内临床验证，AI 给出的预测方案必须经过真实实验验证。
问题 3：马大为院士提出 AI 预测蛋白质结构属于特例，是不是否定 AI for Science 的价值？
回答 3：马大为院士没有否定 AI for Science，他认可 AI 预测蛋白质结构是革命性进步，只是提醒行业理性看待 AI 能力边界，反对把 AI 神化，AI 适合规律清晰、数据充足的场景，基础科学的源头创新、因果挖掘、实验验证仍然离不开科研人员。
问题 4：AI 想要在更多基础科学领域复刻蛋白质结构预测的成功，需要补齐哪些条件？
回答 4：想要复刻蛋白质结构预测的成功，需要补齐高质量、标准化、包含失败样本的实验数据集，理清研究对象底层物理化学规律，建立统一可对照的验证标准，同时搭配科研人员持续做实验闭环校验，不能只依靠算法模型。
问题 5：马大为院士提到的数据集问题，会对 AI 预测蛋白质结构之外的科研任务带来什么影响？
回答 5：很多科研数据集存在选择性上报阳性结果、隐瞒失败实验的问题，AI 学习到片面数据，会输出虚假、不可靠的预测，这也是马大为院士判断 AI 很难横扫一切科学的重要原因之一。
【参考资料】
[2026-11-12]（专家学者聚福州共探 AI 赋能基础科学与产业创新）中国新闻网
[2026-11-12]（AI 为何难越基础科学边界，这场论坛剖析了其中原因）澎湃新闻
[2026-11-11]（马大为院士：AI 成功预测蛋白质结构是特例，不代表它能横扫一切科学）澎湃新闻
[2026-11-11]（马大为院士：AI 成功预测蛋白质结构是特例，不代表它能横扫一切科学）腾讯新闻
【免责声明】
本文内容仅整理转述马大为院士在本次论坛的公开观点，不代表否定 AI for Science 赛道；AI 在科研中的实际效果随数据集、算法、研究方向不同存在差异；本文不构成科研项目立项、AI 科研工具采购、行业投资的决策建议；院士完整发言细节以论坛官方实录、权威媒体原文为准。
本文来自作者[暗链观测]投稿，不代表环球科技潮立场，如若转载，请注明出处：https://www.zennew.com/kjyw/202611/1484.html
评论列表（4条）
我是环球科技潮的签约作者“暗链观测”！
希望本篇文章《马大为院士观点解读AI 预测蛋白质结构属于特例，无法横扫全部科学研究》能对你有所帮助！
本站[环球科技潮]内容主要涵盖：科技,科技新闻,黑科技
本文概览：中科院马大为院士在福州 “科学之光・实业之基” 科学论坛上提出，AI 预测蛋白质结构是里程碑式的科研成果，但它属于条件特殊的成功特例，不能直接推导出 AI 可以横扫所有基础科学领域，这个结论的核心原因是蛋白质折叠有相对清晰的氢键作用规律，同时学界积累了 22 万个高质量蛋白质结构训练数据，刚好匹配 AI 数据驱动的学习模式，而化学、新药研发、复杂材料等很多科研方向变量多、底层规律模糊、高质量标注数据稀缺，AI 预测结果偏差会很大，马大为院士团队在有机催化、配体筛选的实践里也发现，很多复杂化学体系 AI 给出的预测和科研人员经验判断差距不大，完整的科研路径应该是把 AI 当成辅助工具，用来做筛选、计算、初筛，原创科学假设、因果判断、实验验证、异常现象捕捉仍然依靠科研人员，不能神化 AI for Science，要理性划定 AI 在科研里的能力边界。