中国人工智能领域最权威的声音之一，在今年全国两会上发出了一个冷静的警告。
3月7日，南京大学副校长、中科院院士周志华在全国政协十四届四次会议第二次全体会议上发言。他的核心观点直接而犀利：中国当前的AI赋能科研，正在走弯路。
问题不是没有AI，而是用错了方向。
热钱涌入，方向跑偏
过去两年，"AI for Science"几乎成了中国科研圈最热门的关键词。从北京到上海，从高校到国家实验室，新的"科学大模型"层出不穷，中科院有"磐石"基础科学大模型，北京科学智能研究院有"玻尔科研空间站"，各省市也在密集布局自己的AI科研平台。
热闹背后，周志华直接指出了两个普遍问题：一是很多科研机构对AI赋能的理解，仍停留在"找个现成工具套一套"的层面；二是不少机构一哄而上，争相训练所谓"通用科学大模型"，想用一个模型解决所有科学问题。
这种做法的后果是显而易见的。科学数据获取成本高、标准五花八门、各自为政不愿共享，标注质量更是参差不齐，导致各地训练出来的模型可靠性存疑，大量算力和经费在重复建设中白白消耗。
周志华的判断是，资源正在过度集中于"算力消耗型的应用层"，而真正需要长期积累的AI算法基础研究，却严重缺乏投入。
这并非孤立的批评。科技日报此前也曾指出，部分科研机构在大模型建设上存在严重的"大模型幻觉"崇拜，不加甄别地认为参数越大、数据越多就越好，忽视了针对具体科学问题设计专门解决方案的价值。
怎么解？他给出了四条路
周志华提出的建议，围绕政策、人才、交流和数据四个维度展开，逻辑清晰，操作性强。
在政策层面，他建议重新优化AI科研领域的资源统筹布局，把更多支持导向具有前瞻性的基础算法研究，而非一味堆砌算力和参数规模。同时引导企业和社会资本也参与进来，形成多元投入机制，避免国家资金独撑而效率低下的局面。
在人才培养上，他提出了一个颇具想象力的方案：支持高水平研究型大学为博士生设立"双学位"路径，让AI专业博士生在攻读主专业的同时，跨学科攻读一个科学领域的硕士学位。这种"双语科学家"的培养思路，剑指当前AI人才和领域科学家之间长期存在的"鸡同鸭讲"困境。他还特别强调，要在职称晋升、绩效考核等环节建立"交叉学科特区"，解决跨学科人才在传统评价体系中"两头不靠"的尴尬处境。
在学科交流层面，他主张建立"双向翻译"机制：科学领域的学者把前沿问题翻译成AI研究者听得懂的语言，AI科学家则向传统领域学者讲清楚技术的边界和局限，消除对AI的盲目神化和无谓恐惧。
在数据治理上，他建议由国家相关部委主导，搭建统一的国家级科学数据共享平台，制定各学科的数据采集、标注和存储标准，并通过项目资助、成果评价等政策杠杆，真正推动科研机构开放数据。
上述建议的时代背景，是国务院2025年8月印发的《关于深入实施"人工智能+"行动的意见》，该文件将"人工智能+科学技术"列为重点行动首位，从国家政策层面明确了AI驱动科研创新的战略地位。
周志华的这番发言，并不是泼冷水，而是在一片热情之中，点出了最容易被忽略的那个问题：工具再强大，用错了方向，也只是浪费。在AI4S这条赛道上，中国的资源投入已经不少，接下来真正需要比拼的，是如何把钱和算力花在刀刃上。
