目前，部分科研工作对“人工智能赋能科学研究”停留在对工具的简单套用，或盲目尝试训练通用“科学大模型”以应对所有问题。
为此，建议：
一、 加强政策引导，提升基础创新能力。优化人工智能领域科学研究的统筹布局，避免资源过度集中于算力消耗型的应用层，纠正盲目跟风“大模型解决一切”的误区，加大对AI算法基础研究的支持力度，提高针对具体问题设计算法解决方案的创新能力。重点支持一批具有前瞻性、战略性的基础研究项目，鼓励科研人员开展原创性研究。
二、 变革培养模式，打造复合型人才队伍。从源头构建“人工智能赋能科学研究”复合型创新人才培养体系，支持高水平研究型大学试点设立“博士﹢硕士”双学位项目，支持博士研究生在攻读AI专业博士学位期间，跨学科攻读一个科学专业硕士学位，探索构建跨学科融合的研究生培养新模式，系统化培养既深谙领域知识又掌握前沿AI技术的“双语”科学家。
三、 注重双向科普，推动消除学科壁垒。构建跨学科的“双向翻译”与协作机制。一方面，由科学领域学者向AI研究者进行科学问题的抽象翻译，将领域前沿关键问题表述为AI学者可理解的语言，便于其进行针对性的求解。另一方面，由AI科学家面向传统领域学者开展科普，通过具体案例厘清技术边界，消除对AI的恐惧或盲目神化，阐明AI作为辅助科学发现的工具本质。
四、 强化数据治理，构建科学数据生态。由国家相关部委牵头，构建国家级科学数据共享与服务平台。依托重点实验室等重大科技平台，建立标准化的科学数据仓储，制定各学科数据的采集、标注、存储和共享标准，引入数据质量反馈机制，持续优化数据资产。通过项目资助、成果评价等政策杠杆，鼓励科研机构与研究人员开放共享科学数据，形成良好生态，最大化利用效率。
