人工智能（AI）正逐步成为科学发现的强大驱动力，尽管全面自主的科学探索AI系统尚未问世，但其在多个科学任务中的进展已引发广泛关注。近年来，大型语言模型（LLMs）与其他AI技术的融合，为文献分析、实验设计、假设生成及方程发现等领域带来了革命性变化。
科学发现，即通过探索自然现象并提出、验证新概念、规律和理论，一直是人类最具挑战性的智力活动之一。早期的人工智能研究主要基于符号AI方法，模拟科学推理过程。然而，近年来，深度学习及大型语言模型的兴起，使AI在科学发现中的应用迈入新阶段。
在文献分析与头脑风暴方面，大型语言模型已成为处理海量科学文献的得力助手。通过预训练于大规模科学语料库，如PubMedBERT、BioBERT和SciBERT等模型，能够高效检索、摘要及回答复杂科学问题。这些模型不仅加速了研究人员的文献浏览过程，还帮助他们快速提炼关键信息，综合回答跨学科问题。
定理证明是AI在科学研究中的另一重要领域。近年来，通过将LLMs与形式化推理系统结合，自动定理证明取得了显著进展。例如，GPT-f框架通过训练基于Transformer的语言模型，学习证明策略，从而在复杂数学证明过程中导航。Draft-Sketch-Prove方法则进一步模拟人类从直观理解到严谨证明的过程，通过LLMs草拟非正式证明，并借助证明助手工具完成正式证明。
实验设计是科学探索中的关键环节，通常需要丰富的领域知识和创新思维。AI驱动的实验设计系统能够自动生成、规划、优化甚至执行实验，显著加速了科学发现过程。在物理学、化学、生物学及医学等领域，LLM代理系统已展现出巨大潜力。例如，在物理学领域，基于LLM的系统成功设计了复杂的量子实验，优化了高能物理模拟参数；在化学领域，AI驱动的自动化实验系统能够设计和优化化学反应；而在生物学和医学领域，AI则优化了基因编辑协议，设计了更有效的临床试验。
数据驱动的发现已成为现代科学研究的核心，利用不断增长的实验、观测和合成数据揭示新规律。方程发现，即数据驱动的符号回归任务，近年来取得了显著进展。基于Transformer的语言模型将方程发现视为数字到符号的生成任务，结合搜索技术提高了发现效率。SNIP模型等多模态表示学习方法，进一步将方程发现搜索移动到低维且平滑的表示空间，提高了搜索准确性。
然而，评估AI系统在开放式科学发现中的表现仍面临挑战。目前的基准测试主要集中在重新发现已知科学定律或解决教科书式问题，缺乏对新科学发现的评估。因此，开发专注于新颖科学发现的基准数据集，以及创建多方面的科学发现评估指标，成为当前研究的重要方向。领域专家的参与对于开发有意义的基准和评估AI驱动的科学发现至关重要。
面向科学的智能体是当前科学AI研究的另一重要趋势。这些智能体能够利用广泛科学知识，进行推理并自主验证其推理和假设。然而，开发有效的面向科学的智能体也面临领域特定工具集成、自适应实验设计与假设演化等挑战。潜在的研究方向包括开发模块化架构，整合领域特定知识库和工具接口，以及开发元学习框架和层次化规划算法。
科学数据的多样性为AI驱动的科学发现提供了挑战和机遇。大多数科学数据并非自然语言形式，而是包含图像、基因组序列、时间序列传感器数据等多模态信息。因此，推进多模态科学表示，成为AI在科学发现中的重要任务。通过结合不同模态的数据，AI能够更全面地理解和解释科学现象。
尽管完全自主的人工智能科学家仍遥不可及，但AI作为强大的科学助手，已展现出巨大潜力。通过导航科学文献、集思广益、生成新颖假设、设计实验及发现复杂数据中的模式，AI正逐步成为科学家不可或缺的合作伙伴。随着研究的深入，AI有望在未来科学发现中发挥更加重要的作用。
