高校智能化科研战略布局的国际图景与中国路径

◎摘  要  智能化科研（AI for Science）作为第五科研范式正成为全球科技竞争的战略高地。其中，高校作为基础研究主体被赋予核心使命。通过梳理相关政策发现，美国、英国、日本、新加坡、欧盟等世界主要发达国家及国际组织基于提升国际科技竞争力、推动经济产业转型、增强原始创新能力等战略动因，密集出台相关智能化科研战略，在算力资源、科研资助、人才培养、产学合作等方面展开高校布局。结合我国“人工智能+”相关行动部署，提出统筹高校纳入国家算力枢纽节点体系、创新高校智能化科研组织模式、推进复合交叉的高校智能化科研人才发展体系、将智能化科研融入高校产学合作与成果转化机制等四条路径建议，以期为我国高校把握智能化科研战略布局窗口期提供参考。

◎关键词  智能化科研；AI for Science；科研战略；科研范式转型

智能化科研（AI for Science）作为新型科研范式迅速兴起，在优化科研流程、推动科学发现、服务产业创新方面潜能巨大。高校作为基础研究核心主体，在这一范式变革中居于关键地位，但算力基础设施、数据资源、跨学科机制与复合型人才培养等需求与传统科研布局之间存在显著张力。从全球来看，主要发达国家和国际组织已密集出台AI综合战略或智能化科研专门战略，呈现政策密集化、投入规模化、竞争白热化态势，均将高校及科研机构作为战略实施核心，使得智能化科研的国际竞争已从技术层面延伸至高校科研场域。我国“十五五”规划亦明确部署“人工智能+”科学技术行动。在此系统梳理国际高校智能化科研战略布局，对我国高校探索本土化实施路径具有重要参考价值。

智能化科研的内涵及战略动因

智能化科研是基于机器学习、深度学习、生成式AI等人工智能技术在科学研究全过程中展开模拟、推演、计算、生成的新兴科研范式。学界亦有将其命名为“人工智能驱动的科学研究”“科学智能”等。智能化科研改变的并非科研某一个局部环节，而是科研活动赖以运行的组织方式及其背后的科研范式。继经验科学、理论科学、计算科学、数据科学四种范式之后，智能化科研被视为人工智能时代的第五科研范式，主要呈现数据化驱动、自动化生成、跨学科融合、人机协同化、平台化支撑五个特征。AI也被广泛用于解决各种难题。[1]具体表现为以大规模高质量科学数据训练模型、发现规律，使假设提出、实验设计、数据分析等科研环节实现自动化，在自然科学、工程科学乃至社会科学领域广泛交叉，形成人与机器高度协同的科研活动，并高度依赖算力、数据和模型平台等基础设施。也因此，连接着超算设施、数据平台、科研平台与人才培养体系的高校，成为各国智能化科研战略布局的关键节点。

从国际来看，高校智能化科研战略布局主要有以下几点考量。

1.提升国际科技竞争力

智能化科研已成为大国科技博弈的关键领域，科技主权焦虑是推动战略布局的首要动力。人工智能的竞争重心正在从单一模型性能迈向数据、算力、算法、人才、制度与应用场景的综合能力比拼，高校智能化科研作为链接各领域与场景的重要结合点愈加受到重视。美国将维护科技霸权地位作为核心目标，2025年7月白宫发布《赢得AI竞赛：美国AI行动计划》，直指确保在AI领域保持全球技术领先；随后特朗普签署行政令，仿照“曼哈顿计划”启动以人工智能变革科研方式、加速科学发现的“创世纪计划”。英国《人工智能机会行动计划》与欧盟《科学AI战略》等则均以落后于中美作为竞争叙事起点，明确追求全球领导地位，并将顶尖大学的基础研究与科研人才优势视为弥合差距的核心力量。

2.推动国家经济产业转型升级

当前人工智能技术的渗透性、扩散性、颠覆性使得高校智能化科研成为打通基础研究、技术突破、产业应用创新链条的关键一环。英国针对“去工业化”后金融业占比过高、高端制造萎缩的结构性失衡，于2025年11月发布《人工智能赋能科学战略》，对接工程生物、聚变能源、先进材料、医学研究和量子技术五大产业领域，提出15项行动推动科学引领与产业转型。日本在人口老龄化、劳动力短缺、经济增长低迷的背景下，于2026年2月发布《推进AI for Science的基本战略方针》，将智能化科研视为推动未来产业培育、促进高校产学合作、解决劳动力短缺问题的关键路径。

3.提升国家重大原始创新能力

随着全球科技竞争更加聚焦基础前沿领域，原创性颠覆性创新的重要性日益凸显。同时，当代科学研究正面临日益突出的复杂性瓶颈。无论是海洋开发、气候治理、能源危机还是人口科学，都越来越面临高维化、复杂化、跨尺度和超大规模数据处理等组合爆炸或“维度灾难”挑战[2]，依靠单一学科知识积累和实验推进的方式已难以支撑重大突破。正是基于AI在突破科学复杂性瓶颈的巨大潜力，各国纷纷将智能化科研上升为国家战略并系统嵌入高校布局。2023年12月，新加坡启动《国家人工智能战略2.0》，指出投资人工智能方案的跨领域开发与部署，布局智能化科研加速各科学领域的研究效率，引导人工智能解决人口健康、气候变化等重大需求和挑战。

对中国而言，智能化科研既是强化基础研究能力、促进未来产业布局的重要途径，也是抢占国际科技主导权的重要抓手。2026年4月，习近平总书记在加强基础研究座谈会上强调，“基础研究是整个科学体系的源头”“要以更大力度、更实举措加强基础研究，提升我国原始创新能力”。与此同时，斯坦福大学《2026年人工智能指数报告》显示，中美顶尖模型性能差距已收窄至单数字区间，而中国在论文发表量、引用次数以及专利产出方面均处于领先地位。这种格局意味着，谁能够率先把人工智能深度嵌入科学发现过程，谁就更可能在下一轮科技竞争中掌握主动权，因此亟须有效把握高校智能化科研战略布局的窗口期。

高校智能化科研战略布局的国际图景

基于上述多重战略动因，世界主要发达国家和国际组织在高校智能化科研领域展开了密集而系统的战略部署。具体而言，主要有以下几个方面。

1.强化国家政策一体统筹，打造高校算力及数据资源保障

算力不足和数据资源不均衡是制约高校开展智能化科研的首要瓶颈。经合组织2023年发布的报告指出，高校使用科技企业高性能计算服务的成本“高得不切实际”，而科研数据往往附着于论文和课题，缺乏稳定的共享机制。对此，各国普遍构建“国家统筹—区域协同—高校节点”的资源一体统筹布局，典型如英国人工智能研究资源（AIRR）、美国国家人工智能研究资源（NAIRR）、日本“富岳NEXT”平台和欧盟欧洲AI科学资源中心（RAISE）等。这些平台是在制定统一标准和准入规则的基础上，将分布于高校、国家实验室和企业的算力与数据资源纳入可发现、可访问、可互操作、可重用的智能化科研资源保障体系。以美国NAIRR为例，截至2025年8月，美国国家科学基金会已分两批将伊利诺伊大学厄巴纳—香槟分校、卡内基梅隆大学等高校的超算设施，以及约翰斯霍普金斯大学、普渡大学等10家高校、研究机构的科学数据集纳入资源体系，涵盖流体力学、细胞生物学、材料科学等前沿领域；相关高校也主动牵头建设国家级计算基础设施。[3]英国则强化布里斯托大学“Isambard-AI”和剑桥大学“DAWN”两大超算设施，为全英高校与企业提供计算访问。这种国家统筹、高校节点的做法，既避免重复建设，又通过国家层面的身份认证和资源调度机制降低了高校获取算力及数据资源的门槛。

2.识别国家战略领域，布局任务驱动与开放探索的高校智能化科研专项资助

在经费投入时，各国普遍构建任务导向与自由探索并行的双轨资助体系，既保障国家战略需求的集中攻关，又为智能化科研创意涌现保留探索空间。

一是识别国家关键技术领域，设立任务驱动的高校智能化科研资助项目。先进材料、生物医药、能源科学等领域战略属性强、数据密集、产业需求大，是各国共同的优先方向。欧盟《欧洲人工智能科学战略》、新加坡“智慧国2.0计划”将先进材料与生物技术列为优先领域；美国“创世纪计划”聚焦先进制造、生物技术、关键材料等未来产业领域，并由能源部推出26项动态任务清单。基于优先领域，各国设立竞争选拔性强、周期较长（通常2—3年以上）、额度较大、领域聚焦、采取AI与科学领域双首席科学家制度的专项资助项目。典型的包括新加坡国立研究基金会“智能化科研（AI4S）催化性资助项目”、日本文部省“智能化科研革新的研究推进事业”（ARiSE）、欧盟“地平线欧洲”的“科学中的人工智能”专项。例如，日本ARiSE围绕AI材料开发、AI生物生成基础模型等设置10余项“战略目标型”项目，周期约2.5年，每项资助10亿—30亿日元并滚动追加，要求双负责人协同申报。

二是保留好奇心驱动的自由探索项目，鼓励高校科研人员测试智能化科研的能力边界、探索创意与创新设计。此类项目竞争选拔属性较弱、周期短（通常1年以内）、额度小、不设任务领域，采取单人负责制。典型的包括英国高级研究与发明局（ARIA）“AI科学家”探索项目、英国研究与创新署“图灵人工智能先驱跨学科研究资助项目”、日本文部省“智能化科研萌芽挑战性研究创新事业”（SPReAD）等等。其中，SPReAD旨在面向日本高校人文社科、自然科学等领域师生招募1000项课题，周期约为半年、每项最高资助500万日元，以期在原创且富有挑战性的智能化科研中涌现出未来可能产生重大效益的新方法、新问题和新领域。

3.创新课程项目与人才引进方案，促进高校智能化科研交叉人才培养改革

智能化科研人才需要兼具人工智能技能、科学领域知识，高校传统的学科专业体系难以满足这一复合型需求。对此，各国在战略中普遍设定量化培养目标，例如英国、日本分别提出在未来5年内培养1000名、3000名智能化科研人员。一是在研究生阶段提供转换通道与专门学位课程。转换通道通常是为兼容高校不同学科背景学生提供分类AI技能培训。以英国为例，其一方面实施“人工智能转化课程”，面向艺术、人文、商科等非AI、非STEM学科学生提供机器学习等应用培训，截至2026年初已覆盖38所高校；另一方面设立“Sparck AI奖学金”，在牛津大学、剑桥大学等9所顶尖高校面向AI及STEM学科实施技能强化项目，培养具有顶尖潜力的智能化科研人才。与此同时，伦敦国王学院、巴黎文理研究大学、新加坡国立大学等高校已陆续设立以智能化科研（AI for Science）命名的硕士和博士学位项目，开展体系化人才培养。二是将顶尖人工智能领域博士后及青年人才嵌入高校领先实验室。2025年2月，Pillar风险投资和英国高级研究与发明局联合启动“编码：智能化科研资助项目”，直接将顶尖AI人才嵌入英国高校在癌症预防、生物材料设计等领域的领先科学实验室。类似的还有美国施密特智能化科研博士后资助项目涵盖康奈尔大学、牛津大学等9所高校，每年培养约160名博士后。这种“AI人才+科学实验室”模式有益于打破学科壁垒，促进人工智能技术与具体科学问题的深度结合。

4.创新产学合作形式，推动高校智能化科研成果转化

诸多国家正在智能化科研领域推动产学合作形式创新，通过共建实验室、产学合作投资等方式，解决高校知识生产与产业创新需求的脱节问题。一是设立智能化科研联合实验室。日本文部省在战略方针中明确要求破除传统产学分工的线性模式，推动大学与企业共建智能化科研实验室。此类实验室不仅为高校提供了产业级的算力、数据和场景支持，更关键的是建立了一种持续的产业需求反馈机制，提升智能化科研的选题质量与转化效率。例如，东京科学大学与AI开发企业FRONTEO在横滨校区新设AI驱动医药研发分部；新加坡国立大学与美国国际商业机器公司（IBM）联合建立亚太区首个人工智能研究与创新中心联合实验室；英国利物浦大学与联合利华共建的材料创新工厂（MIF）利用机器人和AI进行高通量闭环实验，已申请200多项专利，创造超4亿英镑的年销售增长。二是大规模产学合作投资加速智能化科研成果落地。智能化科研成果的产业化往往需要经历从算法验证到工程化部署的“死亡之谷”，所需高额投入和工程化能力远超高校自身承载范围，大规模产学投资则能以资本集聚效应压缩转化周期。例如，普渡大学2025年5月宣布与顶尖医药公司“礼来”（LLY）达成2.5亿美元合作，通过AI增强传统药物发现方法，结合机器人技术加速制药流程创新。

高校智能化科研战略布局的中国路径

近年来，我国已展开相关部署。2025年8月，《国务院关于深入实施“人工智能+”行动的意见》发布，将“人工智能+”科学技术列入重点行动。2026年4月，教育部等五部门联合印发《“人工智能+教育”行动计划》，明确部署利用人工智能赋能科学研究。相较于美国、英国、日本、欧盟等国家及国际组织，我国并未出台提出专门的智能化科研战略、高校层面仍然缺乏具体布局。对此，参考国际经验、结合我国相关政策部署，提出以下路径建议。

1.以顶层设计为引领，将高校纳入国家算力枢纽节点体系

高校智能化科研面临的最直接约束，是算力和高质量数据获取困难。破解这一瓶颈，应借鉴美国NAIRR、英国AIRR等经验，从国家层面进行资源统筹。建议由教育部联合科技部、工信部、国家发展改革委等部门，研究制定“智能化科研发展规划（2027—2035）”，明确各类高水平研究型大学、国家重点实验室和龙头科技企业的主体角色，参考国际经验打造中国国家人工智能研究资源（CNAIRR），实现算力、数据、模型和工具的标准化接入与一体化调度。在算力层面，建设国家教育智能算力服务平台，将其融入国家超算互联网平台、区域算力枢纽、高校算力中心三级算力保障体系。结合国际科技创新中心、综合性国家科学中心、全国高校区域技术转移转化中心等重大区域创新布局，整合各方智算、通算和超算资源，在京津冀、长三角、粤港澳大湾区等地建设区域性高校智算中心。同时，结合“双一流”学科布局，在生物医药、材料科学、能源环境等数据密集型拔尖学科实施高校智能化科研卓越算力分配计划。在数据层面，推动高校国家重点实验室等大型科研平台周边布局科学数据存储中心，鼓励地方和高校开发领域特色科学数据集。推动高校建立数据贡献与科研评价挂钩的激励机制，结合学科特色建设一批面向智能化科研的高质量标注数据集，重点支撑生命科学、材料科学、地球科学等数据密集型领域。

2.以平台化、跨学科为导向，创新高校智能化科研组织模式

参考各国设立专项科研项目、计划、平台等做法，我国可以突破传统的学科壁垒和院系藩篱，构建更加开放灵活的智能化科研组织模式。一是依托高水平研究型大学建设智能化科研创新平台。高校跨学科研究机构可以探索AI的泛在应用，影响校内所有学科的知识生产方式和组织形态。[4]对此，可以引导高校聚焦“十五五”规划量子科技、生物制造、氢能和核聚变能等未来产业方向以及地缘政治、史料挖掘、人口模拟等前沿社会科学领域，设立新的智能化科研交叉平台、智能实验室自主实验集群，同时引入AI大模型盘活高校当前基础科研平台和科技基础设施。例如，设立智能化科研领域的教育部哲学社会科学实验室、工程技术中心等研究基地，明确聚焦1—2个科学领域（如AI+人口科学、AI+药物发现、AI+能源勘探等），实行AI领域与科学领域双负责人协同机制，推动人工智能技术与具体科学问题的深度结合。

二是推动高校智能化科研的学术共同体建设。借鉴欧盟“RAISE”计划整合全欧力量、形成“AI4Science欧洲联盟”的经验，推动智能化科研相关的高校联盟、期刊、报告、指数等智能化科研生态，围绕全球性议题组建以中国高校牵头的国际AI大科学计划。

三是构建战略聚焦与自由探索并行的高校智能化科研体系。一方面，结合国家自然科学基金、国家社会科学基金等项目设立高校智能化科研专项计划，围绕人口健康、能源可持续发展、全球气候变化治理等国家重大需求组织定向攻关，实施“双PI制”、3年资助周期和滚动追加资助机制。同时，参考国外将科学数据集的影响力纳入科研项目评价的重要指标做法，在国家级科研项目中增设数据建设评审指标，将科学数据治理、标注和共享机制作为项目产出的有机组成部分，激励高质量数据集公开。另一方面，尽管AI科研可以生成化学新分子、开发蛋白质等，提高科学实验效率[5]；但是，当前智能化科研的实验验证能力可能滞后于预测能力，一天生成的结果可能需要十几年来验证，因此有用的创意很关键。对此，可以参照日本SPReAD项目模式，依托相关赛事、项目面向高校师生设立探索性小额资助项目，鼓励自由探索、高风险高回报的智能化科研创意及创新设计。同时，数据安全与信息保护可能成为重要的伦理问题，应以《人工智能科技伦理审查与服务办法（试行）》为基础，在高校建立以备案管理、同行评议、前置审查与过程监督为程序的分级分类智能化科研治理体系。

3.以复合交叉为要求，分类推进高校智能化科研人才发展体系

参考国外在课程改革、技能培训、学位设置、人才引进等方面的经验，可以进一步破解智能化科研人才培养的交叉难题，重塑劳动力的结构与素养[6]。一是分类开设人工智能技能提升课程。参考英国“人工智能转换课程”经验，分学科、分层次[7]地推动人工智能成为高校公共基础课、技能提升课。其中，高校AI学科、STEM学科主要开展融合式教学，旨在强化智能化科研的卓越素养；高校非AI、非STEM学科主要开展工具式教学，旨在强化智能化科研的应用能力。二是设置智能化科研的交叉型学位组合。具体而言，做好“人工智能+科学研究”的招生指标、课程方案、院系建制等保障，结合现有“博士+硕士”双学位项目、“本硕博”贯通培养项目以及“主修+辅修”“微证书”“训练营”“工作坊”等跨学科培养模式、机制，建立跨学段、跨学科、跨院系乃至跨校际、跨企业的“AI+科学”培养体系。三是打通顶尖人工智能人才到重点科学实验室的旋转门。增设高校智能化科研相关岗位、设立智能化科研海外人才引进专项，支持海内外优秀人工智能专项人才交叉引进高校自然科学及社会科学类的重点实验室工作。

4.以智能化科研为契机，创新高校产学合作与成果转化机制

参考智能化科研产学合作创新的国际经验，我国可以依托智能化科研破解高校专利产业转化率低的现实问题。一是建设智能化科研产业创新联合体，提升高校源头场景创新力。支持高校与行业龙头企业联合建设智能化科研联合实验室，使企业提供真实的科研问题和数据资源，高校则提供研究团队和技术能力；建立企业“出题”、高校“答题”[8]的协同研发机制，推动智能化科研与产业需求精准对接；同时完善知识产权共享和利益分配机制，激发企业参与高校智能化科研的积极性。二是完善成果转化服务体系，建立高校智能化科研概念验证中心。为高校智能化科研衍生企业提供概念验证、专业孵化、产品生成、资本引入等全链条孵化服务；将智能化科研方向纳入现行技术经理人培养体系中，打造专业技术经理人队伍；设立高校智能化科研成果转化引导基金，与社会资本共同投资高校智能化科研创业项目。三是充分发挥“科交汇”等智能化成果转化平台的精准匹配功能，实现高校科研成果与企业技术需求的智能感知与自动匹配，在评估重大转化潜力后由政府牵头开展大规模产业化。

可以预见，随着人工智能不断嵌入科学研究全过程，高校科研将加速迈向更加开放、协同与智能的新阶段。并且，智能化科研已不只是科研效率问题，而是关系国家创新能力重构的重要议题。对此，高校需要面向世界科技前沿、面向经济主战场、面向国家重大需求、面向人民生命健康，深化对接智能化科研中的科技创新全链条、全领域，借此契机增强我国科技实力和创新能力。

参考文献：

[1]刘宝存，易学瑾.英国人工智能人才培养政策变迁研究[J].比较教育学报，2023（6）.

[2]李国杰.智能化科研（AI4R）：第五科研范式[J].中国科学院院刊，2024（1）.

[3]卓泽林，王旭燕.战略竞争视域下美国高等教育服务科技创新的使命与实践[J].现代教育论丛，2026（2）.

[4]李函颖，洪敏.学科交叉背景下世界一流大学院系组织变革的图景与动力[J].比较教育研究，2025（9）.

[5]屈廖健，温晓芳.生成式人工智能在高等教育中应用的国际知识图景——基于581篇WOS核心文献考察[J].比较教育研究，2025（1）.

[6]詹泽慧，钟超诚，柯清超.K-12人工智能课程设计的国际镜鉴——基于11个国家的政策文本分析[J].现代教育论丛，2026（2）.

[7]王硕，阎妍，李正风.AI for Science范式变革下科研人员胜任力提升及对策[J].中国科学院院刊，2026（4）.

[8]卢建军.坚持产学研深度融合教育科技人才一体化推动新质生产力发展[J].中国高等教育，2024（6）.

[本文为2023年度北京市社会科学基金重点项目“国际大都市教育发展战略与发展水平比较研究”（项目编号：23JYA001）的研究成果]

【作者单位：周文伟，北京师范大学】

（原载2026年第12期《中国高等教育》）