Rain科技3月8日消息，据媒体报道，中国科学院院士周志华近日提出，应进一步优化人工智能领域的科研统筹布局。
周志华院士指出，在人工智能研究领域，当前存在对算力消耗型应用层研究资源过度集中的现象，同时也需要纠正“大模型解决一切”的误区。他强调，AI的长远发展，关键在于基础理论和算法的创新，而非仅仅追求算力的堆叠和应用层的快速迭代。盲目依赖和推崇“大模型”可能导致对真正具有颠覆性的基础研究的忽视，从而削弱我国在AI核心技术上的竞争力。
他呼吁加大对AI算法基础研究的支持力度，提升针对具体问题设计算法解决方案的创新能力。这其中蕴含着对AI发展路径的深刻反思，即AI的生命力在于其解决实际问题的能力，而这种能力根本上源自对其核心算法和理论的深入理解与创新，特别是针对特定领域的复杂问题的定制化算法设计，能更有效地推动AI在各行各业的落地与突破。
周志华认为，当前部分科研工作对“人工智能赋能科学研究”的理解仍停留在表面，存在对工具的简单套用现象，甚至盲目尝试训练通用“科学大模型”，试图以单一模型应对所有科学问题。这种做法可能忽视了不同科学领域的独特性和复杂性，难以真正实现AI对科学研究的深层赋能。例如，在生命科学、材料科学等领域，往往需要高度专业化的知识和精细的算法模型，简单套用通用模型效果往往不尽如人意。
同时，科学数据获取成本高、标准不统一、共享意愿低，数据标注质量参差不齐，缺乏权威、标准化、大规模的科学数据集，导致AI模型训练效率不高、可靠性难以保障，重复建设与资源浪费现象突出。这不仅增加了AI研究的门槛，也制约了模型的泛化能力和实际应用效果。建立统一的数据标准、促进数据共享、构建高质量的数据集，是AI赋能科学研究的关键前提。
此外，周志华还建议，要变革人才培养模式，打造复合型人才队伍。他特别提到，在学位获取、职称晋升、绩效考核等环节中建立“交叉学科特区”，以解决跨学科人才在传统评价体系中“两头不靠”的困境。在AI快速发展的今天，许多前沿问题横跨计算机科学、数学、物理学、生物学等多个学科，只有具备跨学科视野和能力的人才，才能在这些领域取得突破。然而，传统的学科壁垒和评价机制却往往不利于这类人才的成长和发展，因此，建立相应的“特区”政策，是对人才培养模式的创新性探索，有助于激发跨学科人才的创造力，推动AI与各学科的深度融合。
