当前，中国处于近代以来最关键的发展时期，而世界处于百年未有之大变局，两者同步交织、互相激荡。在此变局之下，科技制胜必将成为大国之间竞争的战略制高点。科技信息是科技活动中使用及产生的各类信息，蕴含着科技要素及其关系，能够全面、客观地反映科技活动中的研究进展、成果应用、科技决策等。随着大数据和人工智能时代的来临，传统的科技信息工作模式尤其是科技情报工作可能被颠覆，更有甚者传统的科研活动本身也可能在科技信息与人工智能的结合中产生变革性的“范式”突破，形成科技信息创新引领的下一代科研范式——智能科学家。

1科研范式的演变与趋势

科研范式是一个经典的科学哲学概念，狭义的科研范式概念规定了科学研究的基本理论和基本研究方法，广义的科研范式概念还包括研究目标、研究流程、研究设施和评价标准等要素。在一定的科研范式下，对于基于现有的理论和方法仍无法解决的问题，亟须人们突破已有的科研范式，进入科学革命阶段。

1.1科研范式的演变

人类历史上，科学研究范式经历了多次转变，每次转变都带来了科技的长足进步。根据J.Gray的观点，人类的科研范式存在着四个阶段[1]。在人类科研的早期，人们使用实验科学方法记录和描述自然现象，探索与发现自然规律，这种以实验为基础的科学研究模式即为科学研究的第一范式。随着时间的推进，仅靠观察自然现象已无法解释已有的自然科学现象，于是需通过演算与推理得出定律和定理来对以上自然现象进行归纳总结，这种应用了各种定律和定理的科学研究模式被称为第二范式。20世纪中叶，许多计算科学问题、理论分析方法变得非常复杂，人们开始寻求模拟的方法取代实验和理论研究，利用电子计算机对科学实验进行模拟仿真的模式得到迅速普及，逐渐成为科研的常规方法，即第三范式。近20年来，数据密集型科学研究逐渐成熟，构成了从计算科学中单独区分开来而形成的一种新型科研模式，即数据密集型计算为基础的科学研究第四范式。科研范式之间并不存在相互取代的问题，而是相互兼容并共同发挥作用。

1.2科研范式的新特点

近年来，随着科研活动的日益复杂和体系化，以及人工智能、大数据、科技信息挖掘服务技术的逐渐成熟，信息技术在科研攻关中发挥的作用逐渐增大，不仅仅能实现模拟仿真、科学计算等功能，还在逐步深入到科研活动的各环节中，已在辅助创新、实验方案设计、科研假设生成、假设自动验证等领域产生价值。在科技信息的引领下，人工智能将能进行认知、学习、分析并总结理论，集成机器智能和专家智慧，向着科研活动自动化、智能化的方向发展。

1.2.1 人工智能技术与领域知识的深度融合，有望促进复杂科学问题的解决 正如国家最高科学技术奖得主赵忠贤院士所说，人工智能可以推动材料科学发展[2]。目前，以计算机视觉、自然语言处理和机器学习等为代表的人工智能技术已在海量文献智能分析与推荐、实验操作流程辅助等科研活动中承担了部分重复性繁重工作，特别是在生物医学、化工等领域中，节约了研究人员大量时间，使其能够聚焦科学问题本身，激发其创造性。例如，在生物和化学领域，2004—2011年间英国曼彻斯特大学牵头开展的Adam项目旨在研究酵母功能基因组机制，着重于研究自动化生物实验，使用逻辑编程来表示背景知识，将新陈代谢建模为有向标记超图的形式，并使用生物信息学和生物化学证据进行了人工验证[3-4]；2019年，Tshitoyan等在已知材料中寻找有应用潜力的候选热电材料，其算法预测出的前10位候选热电材料，均具有较高的功率因数，其中前三位材料的功率因数高于95%的已知热电元件[5]。

目前，人工智能技术在科研工作中发挥的作用主要体现在对科学问题研究范围或研究宽度的快速扩展上，然而对于科学问题的深度探索，如复杂科学问题的研究线索发现，仍然主要依靠科学家的智慧投入。实际上顶尖科学家的研究灵感往往可以极大地扩展研究探索的深度。随着人工智能技术的不断发展，必将促使其与专家领域知识持续深入融合，使得计算机能够持续吸收科学家智慧的精华，进一步扩展辅助科学研究探索的广度和深度，形成融入科研活动全流程的智能辅助技术体系和工具体系，推进科学研究工作进入自动化和智能化的轨道，促进复杂科学问题的解决。

1.2.2 协同发展的人机共生科研环境逐步形成，释放科研主体创新潜能 爱因斯坦曾指出，如果人类要生存下去，将需要一种全新的思维方式[6]。协同发展的人机共生伙伴关系能促使人类大脑以前所未有的新方式进行思考，将比单独的人或单独的机器更具创新性。随着人本计算、人因工程学、人工智能的发展，人机共生是未来人类与机器和谐相处的最好方式之一。麦肯锡预测[7]，到2025年知识工作自动化的工具和系统能够完成相当于1.1亿～1.4亿全职员工的工作量。未来的科研环境中，人与机器紧密耦合，一方面让计算机促进公式化思维和公式化问题的解决；另一方面让人和机器合作应对复杂未知情况并做出判断决策。机器向人学习得越多，机器变得越智能，机器解决的科学问题越复杂，人就可以思考更前沿更具挑战性的问题，形成“人机共生、迭代优化”的共生伙伴关系。例如，在人机协同与智慧共生方面，美国2019年启动的“机器通用感知”(MCS)项目[8]旨在探索赋予机器常识性推理能力的方法，创建更多类似于人类的知识表示，使机器能够在物理世界和时空现象中实现常识推理，使人类在任务过程中通过互动和合作来教授或纠正机器，实现人类和机器之间的共生伙伴关系。