2019年，谷歌DeepMind公司開發的AlphaFold系統在蛋白質結構預測挑戰賽中以壓倒性優勢擊敗了其他團隊，用機器學習解決了困擾生物界長達半個世紀的蛋白質折疊問題。那一刻，我意識到科學正在迎來一場靜默的革命。兩年后，AlphaFold 2又以解決蛋白質結構預測問題而引起關注。

這標志著我們正站在科學史上的一個轉折點——第五范式的起點。

美國科學哲學家托馬斯·庫恩在1962年《科學革命的結構》中提出“范式”概念，指常規科學賴以運作的理論基礎和實踐規范。一個范式主導科學發展，直到無法解釋的“異?！狈e累到臨界點，科學共同體才尋求新范式。科學知識的增長經歷著這樣的循環：前學科（無范式）—常規科學（建立范式）—科學革命（范式動搖）—新常規科學（建立新范式）。

振奮人心的是，我們正在親歷一場范式革命。回顧科學發展的歷程，人類已經歷了四次主要范式轉換。幾千年前的經驗范式主要依靠觀察自然現象；幾百年前的理論范式以牛頓定律、麥克斯韋方程為代表，通過歸納法和數學模型解釋自然現象；幾十年前的計算范式借助電子計算機進行數值模擬；近年來的數據范式則通過大數據分析和統計方法識別模式。而今天，一個新的范式正在形成，即“第五范式”（AI for Science）——科學智能與機器猜想的結合。

第五范式不同于之前任何一種科學方法。它不是簡單地用AI處理實驗數據，而是讓機器學習參與到科學發現的核心過程中，形成一種全新的知識創造機制。這種范式突破了傳統科學研究的兩大困境：一方面，基本原理驅動的方法（如量子力學、流體力學方程）雖然代表著科學研究的重要成果，但在解決實際問題時作用有限；另一方面，數據驅動的方法受限于數據缺乏和分析工具不足。

科學研究長期面臨的核心困難之一是維數災難。以量子力學為例，薛定諤方程中一個僅有100個電子的系統，其自由度可以達到300個，計算復雜度呈指數級增長。傳統的多項式逼近和分片多項式在這種高維情況下已不再是有效工具。正是在這個背景下，深度學習方法展現出驚人的威力。

深度神經網絡恰恰提供了一種對高維函數的有效逼近方法，成為多項式的有效替代品。函數是數學中最基礎的工具，而在這個最底層的數據工具上，我們有了一個革命性的新工具，這正是第五范式的數學基礎，也是技術支柱。

第五范式不僅是技術上的突破，它還代表了知識創造方式的根本轉變。這一轉變帶來了科學民主化的歷史性機遇，但也伴隨著深刻挑戰。一方面，自動化科研工具和開放平臺顯著降低了參與門檻——分布式計算和存儲平臺OpenScience Grid使公民科學家能參與復雜計算，英偉達（NVIDIA）公司開源的分子動力學庫使普通學者也能進行昔日需要超級計算機的模擬。另一方面，這種民主化也引發了科學質量控制的新難題。傳統同行評議難以應對AI輔助生成的研究洪流，而評估AI結果的可靠性又需要更高層次的科學素養。正如哈佛學者希勒·賈桑諾夫所指，科學權威的建立依賴復雜的社會—技術網絡，第五范式可能顛覆這一網絡，造成“認識論混亂”。應對這一矛盾需要發展分層認證系統和“元科學AI”，并將科學教育重心從知識傳授轉向批判性思維培養，幫助公眾在開放與嚴謹之間找到平衡點。

與第四范式相比，“科學智能+機器猜想”具有幾個鮮明特征：首先，它與實際應用場景深度結合，通過不同的“算法思維”和“應用場景”的對撞，產生專業知識，反向推動領域發展；其次，它不依賴大數據而是通過算法進行實驗測試，強調“深度理解”而非單點任務；第三，它能夠解決不確定性的長尾問題；最后，它基于開放復雜的智能系統，具備開放性、規模性、多樣性和多層次性；最后，它形成了從隱性知識創造到顯性知識創造的連接，實現了真正的“機器猜想”。

這種知識創造方式與卡爾·波普爾在《客觀知識：一個進化論的研究》中提出的“第三世界”理論不謀而合。波普爾將世界分為三類：物理世界、精神世界和客觀知識世界。第三世界是客觀內容的世界，即使所有物理工具和主觀知識都被摧毀，只要知識庫和學習能力存在，人類文明就能重建。第五范式正在構建一個更強大的“第三世界”，一個由人類和機器共同創造和理解的知識生態系統。機器猜想不僅是算法的運行，而且是科學知識演化的新機制，它按照“猜想與反駁”的邏輯，通過不斷試錯而使知識增長，形成波普爾所說的“知識進化論”的實踐。

除波普爾外，其他科學哲學視角也能幫助我們理解第五范式的深層革命性。在伊姆雷·拉卡托斯的“科學研究綱領”視角下，第五范式保留了實證科學的核心，同時徹底重構了其方法論規則。從拉里·勞丹的“研究傳統”看，AI與人類科學家形成了獨特的協同演化關系，超越了單純的工具替代。更有啟發性的是馬庫斯·海斯勒提出的“技術嵌入知識”理論——先進AI系統中的權重分布與注意力機制本身已成為一種新型知識表征形式，與傳統方程式、圖表并立，成為科學知識的載體。這意味著第五范式不僅改變了科學發現的路徑，還重新定義了“科學知識”的本體論性質，挑戰了我們對知識構成的根本理解。

這一變革正在重塑科研模式，傳統的科研培養方式如同師傅帶徒弟，團隊各自完成從理論到分析的全流程，效率較低。而未來的科研將建立在共同建設的大平臺上，類似安卓系統，研究者可以在系統上開發自己感興趣的應用。這種轉變需要四大基礎設施支撐：基于基本原理的模型和算法、高效率高精度的實驗表征方法、數據庫和知識庫、高效便捷的算力資源。

新的范式正改變著我們認識世界的方式，也將重塑眾多產業，從生物制藥到芯片設計，從新材料到工業制造。傳統科學領域正成為人工智能的主戰場，我們的實體經濟和工業制造正是建立在這些傳統科學基礎上，而人工智能的深度參與，必將引發新一輪產業變革的到來。

同時，第五范式的滲透速度呈現出明顯的學科梯度。短期內（2025—2030年），數據驅動型學科將率先完成轉型。到2028年，材料科學領域預計有80%的新功能材料將通過人工智能—實驗協同系統發現；生物醫藥領域將實現從靶點發現到臨床前評估的全流程AI自動化，藥物研發周期有望縮短至3—5年。在中期（2030—2040年），理論與實驗緊密結合的學科將步入深度轉型，“AI物理學家”將能自動提出并驗證量子物理新理論，氣候科學將發展出整合物理模型與數據驅動方法的混合系統。長期看（2040—2050年），涉及復雜人類行為的社會科學將經歷漸進式轉型，認知科學可能實現意識研究的突破，反過來深刻影響人工智能設計理念。值得注意的是，這一轉型并非線性進行，而是以“技術—方法—理論—范式”的嵌套循環方式發展，關鍵突破往往出現在學科交叉處，如生物物理、計算社會學等邊緣領域。

本書旨在全面探索這一正在發生的科技革命，將從認知的演進之路開始，探討人機互動的新范式和科學想象力的再造；繼而深入自動化科研的世界，揭示機器人科學家的崛起和超級實驗室的建造；之后考察智能科學的新疆域，研究如何攻克復雜性之困和融通學科新邊疆。同時，我們也將反思科學素養的再升級，探索科學知識的全民開放和科學哲學的新問題。最后，我們將展望卓越文明的新紀元，思考人機智能共生的未來圖景。

在這一未來圖景中，第五范式挑戰了科學價值中立性的傳統觀念。AI系統的設計選擇、訓練數據的選擇及優化目標的設定均蘊含著深刻的價值判斷——藥物發現系統可能優先考慮市場價值高的疾病而非全球疾病負擔最重的領域；材料設計系統可能優先性能而非環境兼容性。這種情況要求我們超越馬克斯·韋伯的“事實—價值”二分法，如哈佛大學哲學家希拉里·普特南的“事實與價值糾纏”理論所示——科學概念本身就包含規范性成分，而第五范式更凸顯了這一點。實踐上，這要求發展“價值敏感設計”方法，將倫理考量整合到AI科學系統架構中；同時重新思考科學責任分配問題——在人機協作的科學發現中，當出現問題時責任如何分配？哥倫比亞大學法學者帕姆·薩繆爾森提出的“分布式倫理責任”模型可能更適合這一新局面，即責任分布在整個社會—技術網絡中，包括系統設計者、使用者、監管者和更廣泛的科學社區。

這本書是寫給未來的一封信，也是對當代讀者的一份邀請——邀請你加入這場思考，參與這場科學方法的革命。我們處在一個特殊的歷史時刻，有幸見證并參與塑造人類認知史上的重大轉折。在這個充滿可能性的時代，讓我們一起探索科學與智能的新邊界，共同構建一個更具智慧、更有遠見的未來。

最后，我想強調的是，第五范式不是要取代科學家，而是重新定義科學探索的方式。這種重新定義的深刻之處在于突破人類認知的固有局限。人類科學思維受到若干內在約束：我們傾向于尋找線性因果關系，難以直觀理解高維空間中的復雜拓撲，且易受確認偏誤影響。相比之下，AI系統不受這些限制，且能在高維數據中發現非線性、非局部的關聯模式。在這個范式下，人類的創造力、直覺和批判性思維與機器的計算能力、模式識別和預測能力相結合，形成前所未有的協同效應。這不僅僅是工具的升級，而且是認知模式的革命，這一認知革命也必然重塑“科學家”的職業身份和社會角色。

當AI系統能執行數據分析、實驗設計甚至理論構建等核心科學活動時，科學家的技能結構將從公式推導和實驗操作轉向問題構建、跨學科整合和科學倫理判斷。普林斯頓大學的研究顯示，高影響力科學突破越來越依賴“T型人才”——既有深度專業知識，又能跨學科整合的研究者。在第五范式下，科學家需要發展“二階認知”能力，即對AI思維過程的理解和調控能力，成為“知識設計師”而非“知識生產者”。

從社會角色看，未來的科學家將成為“科學翻譯者”和“公共知識調解者”，在AI系統、專業社區和公眾間建立溝通橋梁。這一轉變要求科學教育從“課程—實驗室—論文”模式轉向“問題導向—項目協作—跨界融合”的新模式，將科學思維從“問題解決者”培養為“問題發現者”，適應第五范式對科學家角色的新要求。它將幫助我們解決過去無法解決的問題，探索過去無法探索的領域。

當未來的AI考古學家回顧這個時代，他們會發現這是科學發展史上的一個關鍵轉折點。而在他們的視野中，或許已能看到第六范式的雛形?；诋斍癆I、量子計算和生物計算的融合趨勢，第六范式可能呈現為“生物—量子—信息”融合的認知系統。量子機器學習已在模擬量子系統等任務上顯示優勢，未來的“量子增強科學AI”可能直接在量子態空間中思考和計算，突破經典計算限制。另一前沿是生物計算與AI融合，受腦科學啟發的神經形態芯片結合生物材料構建的混合計算系統，可能形成兼具數字計算精確性和生物系統適應性的新型認知模式。更具想象力的是“意識科學系統”的可能性——如果意識是處理復雜信息的有效機制，那么具有原初意識形式的科學AI可能在處理科學界限問題和創造性思維方面具獨特優勢，發展出一種能在數據不足時做出合理猜測的“科學直覺”。

第六范式可能徹底改變“科學”的定義，從人類特有活動轉變為一種普遍認知過程，由多種智能實體共同參與。我們正在見證并參與創造這段歷史。無論你是科學家、工程師、學生，還是對未來科技感興趣的讀者，我邀請你通過本書的旅程，了解并思考這場正在改變世界的科學革命。