人工智能时代的科学、技术与创新
益语智库 · 2026-06-16
AI正在重塑从数据整理、假设生成到实验和传播的整个研发周期；若发展中经济体无法获得数据、算力、模型、技能和议程设置权，AI也会扩大科研能力差距。
---
title: "人工智能时代的科学、技术与创新"
publisher: "联合国贸易和发展会议（UNCTAD）"
date: 2026-06-16
summary: "AI正在重塑从数据整理、假设生成到实验和传播的整个研发周期；若发展中经济体无法获得数据、算力、模型、技能和议程设置权，AI也会扩大科研能力差距。"
topics: [战略, 组织, AI 技术]
---
# 人工智能时代的科学、技术与创新
## 报告速览
报告不仅把AI视为科研工具，也把它视为改变科研组织、资助和共享方式的系统性力量。它沿研发周期分析数据收集、知识综合、假设生成、实验、分析与传播，并讨论创新政策、开放科学、能力建设和伦理治理如何调整，尤其关注发展中经济体。
==**AI可以压缩整个研发周期，但科研收益能否普惠，取决于数据、算力、模型、技能和研究议程是否被更广泛地共享。**==
| 维度 | 内容 |
| --- | --- |
| 报告类型 | UNCTAD技术与统计报告 |
| 主要关注 | AI驱动的研发转型与创新政策 |
| 应用领域 | 生物科学、材料、气候、医疗等 |
| 发展视角 | 发展中经济体的机会与能力缺口 |
| 政策支柱 | 包容性基础设施、开放科学、技能、伦理与协作 |
## 核心问题
| 关键问题 | 分析视角 |
| --- | --- |
| AI如何改变研发周期？ | 数据、假设、实验、分析和传播 |
| 最大的科研机会在哪里？ | 可通过预测和搜索压缩发现周期的领域 |
| 哪些新风险随之出现？ | 偏差、不透明、可复现性、隐私、知识产权与集中化 |
| 创新政策应如何改变？ | 从一般性支持走向使命、能力和获取机制设计 |
| 全球如何共享收益？ | 开放科学、能力建设与可问责合作 |
## 核心结论
| 核心发现 | 管理含义 |
| --- | --- |
| AI可以加速整个研发周期 | 价值不局限于单一预测任务 |
| 科研基础设施已扩展到数据、算力和模型 | 获取差距可能扩大科研不平等 |
| 人类监督仍不可缺少 | 验证、解释和可复现性不能被盲目委托 |
| 创新政策必须具备AI视角 | 资助、知识产权、标准、采购与技能要协同改革 |
| 全球合作是发展条件 | 开放与共享能力可避免收益过度集中 |
==**技术问题一旦影响科研资助、医疗或环境决策，就会同时成为治理问题。**==
## 方法 / 证据边界
报告由UNCTAD技术与创新政策研究部门编写，吸收了2025—2026年会期工作组以及联合国科学和技术促进发展委员会第29届会议的讨论，综合技术文献、各国和国际组织材料、政策案例与科研应用。
| 维度 | 内容 |
| --- | --- |
| 制度过程 | 各国政府、联合国机构与相关会议提供材料 |
| 证据类型 | 科学文献、政策文件、项目和应用案例 |
| 分析视角 | 研发工作流、创新系统与可持续发展 |
| 地域范围 | 发达经济体、发展中经济体和转型经济体 |
| 适用边界 | 应用案例用于说明潜力，不构成跨领域统一投资回报基准 |
## 01 AI重塑研发周期
AI可以整理数据、从非结构化资料中提取关系、生成假设、指导实验并辅助传播结果。最强的收益来自这些环节彼此连接，让新证据和失败实验能够更新下一轮研究。
| 研发阶段 | AI贡献 | 控制要求 |
| --- | --- | --- |
| 数据收集与整理 | 清洗、连接并结构化大型数据集 | 来源、同意与代表性 |
| 知识综合 | 文献分析与模式发现 | 来源核验与不确定性 |
| 假设生成 | 搜索候选解释 | 科学合理性与新颖性检查 |
| 实验 | 设计、模拟和自适应测试 | 物理验证与可复现性 |
| 传播 | 摘要与无障碍表达 | 作者责任、披露与准确性 |
## 02 科研机会已经显现
报告列举的AI系统能够以前所未有的规模探索生物和材料可能性空间。例如，蛋白质结构资源已覆盖研究人员识别的约**2亿种蛋白质**，材料系统GNoME提出了**220多万种新晶体**。但其科研价值仍取决于实验验证和开放、可用的获取方式。
| 领域 | 机会 | 主要限制 |
| --- | --- | --- |
| 生物科学 | 蛋白质结构、药物与疾病研究 | 生物验证与数据偏差 |
| 材料 | 搜索大型候选空间 | 合成可行性与物理测试 |
| 气候 | 预测、遥感与适应 | 本地数据与不确定性 |
| 医疗 | 诊断与服务扩展 | 安全、隐私与获取不平等 |
| 农业 | 地理空间决策支持 | 本地条件与农民参与 |
## 03 技术风险与伦理风险相互交织
数据质量差、模型不透明和结果不可复现等技术问题，在影响资助、健康或环境决策时会变成政策问题。算力和专有模型的集中还可能改变谁有能力设置科研议程。
| 风险 | 科研后果 | 政策回应 |
| --- | --- | --- |
| 偏差与覆盖不足 | 对代表性不足群体产生误导 | 多样化数据与影响评估 |
| 不透明 | 难以验证和解释 | 文档、审计与可解释方法 |
| 不可复现 | 结果无法独立检验 | 版本、来源与开放协议 |
| 知识产权不确定 | 阻碍数据与模型复用 | 明确权利与科研例外 |
| 算力集中 | 科研能力不平等 | 共享基础设施与国际获取 |
## 04 创新政策必须扩展其操作系统
传统补助和税收激励仍然重要，但已不充分。AI时代的政策必须协调科研基础设施、采购、标准、竞争、技能和使命导向项目；政府不仅要资助采用，还要具备评估系统的能力。
| 政策职能 | AI时代的调整方向 |
| --- | --- |
| 基础设施 | 共享算力、可信数据与模型获取 |
| 资助 | 支持跨学科团队和验证成本 |
| 技能 | 融合领域科学、数据、AI与伦理 |
| 扩散 | 帮助小型机构和企业负责任地采用 |
| 治理 | 标准、评估、问责与竞争 |
## 05 包容性AI科研需要全球合作
开放科学可以扩大论文、数据集、代码和工具的获取，但开放必须尊重隐私、安全、本地知识和公平利益分享。能力建设应是持续的制度工程，而不是一次性短训。
| 合作领域 | 实践机制 |
| --- | --- |
| 开放科学 | 共享资源库、标准与可复现工作流 |
| 算力获取 | 区域设施及配套支持的云资源 |
| 技能 | 科研网络、奖学金与培训师培养项目 |
| 伦理 | 共同原则、本地参与和执行机制 |
| 研究议程 | 与发展中经济体机构共同设计 |
## 结语 / 行动议程
报告的发展结论是：**只有共享基础设施、知识和议程设置权，AI赋能科研才可能真正包容。**
| 行动 | 主要负责人 | 进展证据 |
| --- | --- | --- |
| 绘制国家AI科研能力图谱 | 科技与创新部门 | 数据、算力、技能和治理缺口可见 |
| 建设共享科研基础设施 | 政府与科研资助方 | 小型机构获得可用资源 |
| 要求可复现性与来源记录 | 资助方与期刊 | 模型、数据和版本可审计 |
| 支持跨学科人才 | 高校与资助方 | 同一项目兼具领域、AI与伦理能力 |
| 建立公平国际伙伴关系 | 联合国机构与科研机构 | 本地领导和利益分享得到落实 |
> 来源说明：报告提供定性政策分析和领域案例，没有单一量化基准。日期采用PDF中联合国出版信息所标注的2026年6月16日。