赵敏 | 科学范式跃迁：创新方法2.0

2025-02-19 11:07:35 991

2025年2月15日下午，创新方法研究会人工智能产业应用专业委员会（简称：AI专委会）在北京举行成立大会。会上，新就职的AI专委会主任委员赵敏院长，做了《科学范式跃迁：创新方法2.0》的报告。下面是报告截图和讲演实录。

讲演人: 我今天给大家报告的题目是“科学范式的跃迁：创新方法2.0”。

刚刚，从创新方法研究会领导和前两位讲演嘉宾发言中，我们听到了几个关键词，革命，颠覆，范式等。我借用钟义信院士的话，“范式是*学科发展的科学观和方法论”。

科学的发展是有着几个不同范式转换的。第一个科学范式，是经验科学范式，从几百年前甚至更早开始，科学家们就是依靠实验来取得科学成果和进步的。通过观察和实验，找到规律，提炼理论。然后进入第二范式。

第二范式是理论科学范式。当实验验证了理论之后，以理论作为指导，提炼机理模型和算法，然后通过模型和算法进行验证。TRIZ创新方法的创立者根里奇·阿奇舒勒，就是通过对专利的分析，提炼总结，找到了发明创新的规律性，提炼的创新的模型和算法，创立的“解决发明问题的理论”。然后进入第三范式。

第三范式是计算科学范式，更强调对数据的计算。早年是手算，然后是电脑计算。为电脑写出更多更优的算法来分析更复杂的工程应用场景。这样就积累了大量数据。进入第四范式。

讲演人: 第四范式是数据科学范式。人们发现客观世界运行规律，并不能完全用数学公式和机理模型来表达，在海量数学公式和机理模型的计算数据中，在多参数应用的较高不确定性的开放场景中，隐藏着一部分客观规律，无法用机理模型写出，甚至无法直接用语义来表述，但是当数据样本足够大时，用大数据智能的计算和洞察，给出相关性结果。进入第5范式;

第5范式是人工智能驱动的科学范式，近年来随着AI大模型迅猛发展而形成。明显区别于前四个科学范式。人工智能全面融入、人机智能融合、跨学科合作、以大模型为支撑，是第5科学范式基本特征。

讲演人: AI大模型是基于Transformer架构的深度学习语言模型。大模型已经成为第5科学范式的核心工具。

值得指出的是，五个科学范式并不是各自独立、互不相干的，而是同时存在、相合组合的。尤其是第5科学范式与前4个科学范式的多元化组合，让人类认识世界、改造世界的手段极大地丰富起来。

在基于AI大模型的第5科学范式推动下，人类社会将发生巨变创新方法必定会在与AI大模型的融合中，进入全新发展境界。

讲演人: 2007年10月，科技部、国家发改委、教育部和中国科协联合发布《关于大力推进创新方法的报告》，其中定义:创新方法包括科学思维、科学方法和科学工具。另一通俗定义:创新方法包括创新思维、创新方法和创新工具。

2008年成立创新方法研究会，推广以TRIZ为主体的创新方法如今，科学思维、科学方法、科学工具，特别是科学范式，都在与时俱进，提质焕新。

第5科学范式完美体现了科学思维、科学方法和科学工具的巨大领和推动作用。

讲演人: 科学思维是以科学方法和逻辑为基础，通过观察、实验、推理和验证来认识世界、解决问题的思维方式。

典型的科学思维有嵌入归纳与演绎的逻辑思维。AI大模型的训练过程本质上是科学思维的工程化实现。

归纳思维：通过海量数据学习客观世界潜在规律(如GPT-4从万亿token中提取语言模式)；

演绎思维：基于学习规律进行复杂系统行为的推理预测(如AlphaFold2通过蛋白质序列推导3D结构)。

案例：DeepMind的AlphaGo Zero通过自我对弈(归纳)和蒙特卡洛树搜索(演绎)突破人类围棋认知边界，击败了所有人类围棋手。

讲演人: 接下来，我们探讨可证伪的算法映射，这也是科学思维进步的重要体现。例如，当前的对抗性测试和模型不确定性量化等研究，都是基于大量书籍和网络资料的分析所得。

我们可以看到，即使NASA需要计算太阳耀斑，也必须保留验证和证伪的空间，因为科学需要被证据支持，不能简单地认为提出的假设就是正确的。

此外，我们还需注重科学思维。如今，科学思维已从十几年前的人类中心假设转向人机协同认知。

以TRIZ为例，过去的经典TRIZ与今天的TRIZ相比，大家可以看到，功能分析、因果分析、流分析等领域，我们在场有很多专家，专门探讨因果分析，即因果律。你无法进行大量的相关分析，因为缺乏足够的数据，所做的更多是猜测，猜对了是运气，猜不对也很正常。因此，我们在抽象域进行求解，TRIZ的最大策略是先将实际问题提炼到问题域，然后再进行求解。

大家都知道那几大模块，说起来很简单，就像围棋一样，易学难精，会摆子，真正掌握并不容易。因此，对于TRIZ的应用，我们仍在不断探索。国内已经涌现出一大批TRIZ专家，他们正在迅速成长。

讲演人: 在座的有二三十位TRIZ专家，都在现场。需要提醒的是，TRIZ本质上是抽象思维，以人为中心，这一点毋庸置疑。然而，未来的TRIZ若真能实现AI与TRIZ的双向融合，仅就这一点而言，未来的人机协同认知在分析和解决问题方面的效率必将倍增。

多位专家已进行尝试，他们发现将问题直接提交给AI大模型，无论是GPT、DS，还是其他大模型，包括豆包等，都能给出相当不错的结果。*解题的质量甚至不亚于人类分析的结果。因此，TRIZ专家们需注意，今天我们必须与机器协同工作。若不与之协同，未来在各自的专业领域内，我们很可能将落后于时代。

讲演人: 从方法论的角度来看，科学方法论是系统化的理论研究，旨在发现规律并不断应用。TRIZ同样是一种科学方法论。

然而，如今我们可以看到，传统方法，如人工假设生成，其效率相对较低。若采用AI增强方法，通过自动假设空间探索，效率可提升50至100倍。同样，试错法和实验验证，结合学习优化路径，效率可提升30至70倍，即数十倍。而手动数据分析结合高维模式的自动实践，效率至少提升1000倍。因此，AI大模型正在重塑科学方法论，从经验驱动转向数据驱动，正如安总在前面讲演所提到的观点。

从静态的小知识到动态的“大知识”，这一点至关重要。因此，我们反复强调，当今是一个“大知识”的时代。这种方法将带来诸多创新，推动我们不断前进，不进则退。

接下来，我们探讨将第四范式与第五范式相结合。第四范式强调数据驱动，而第五范式则注重人工智能。将两者结合后，我们可以依赖数据来发现规律。此外，通过第五范式，我们能够构建一个“猜想-验证”的闭环。这一方法已在多个成功案例中得到验证，包括融合应用等。

由此可见，它重塑了科学方法的第二点。就是刚才我提到的是从“以人类为中心”转变为“人机协同的认知”方式。另一个是“观察-实验-理论”的过程。这种线性开放的过程很难收敛，很快可能会演变为“数据+AI+洞见”的模式。最后，我们通过快速迭代，实现一个闭环过程。

经典TRIZ方法，阿奇舒勒创立TRIZ采用的是“观察-实验-理论”创立的模式，典型的从实验到理论，再将理论演绎推广出去。未来的推理方法，可能是通过AI提示的问题输入、AI辅助的功能分析、流程分析、因果分析、属性分析。AI生成的创意启发、AI优化的矛盾消解、AI选择的科学效应、AI驱动的知识推送、AI给出的*解决方案、AI给出的价值/理想度判断等。因此，我认为TRIZ创新方法也将焕发新的形态。

讲演人: 此外，我们还需要讨论科学工具。科学工具是用于科学研究和技术开发的各种仪器和设备的统称。在这一前提下，我们可以看到工具能力在多个方面都有显著拓展。

例如，通过感知增强技术，我们只需在实验中引入AI，便能显著提高分辨率。科学仪器是科技部重点关注的领域之一。知识图谱工具能够揭示新化学学科之间的关联，并推动技术突破，使我们能够实现72小时的连续实验。人类会疲劳，需要休息，但AI无需休息。

以TRIZ为例，我创立了U-TRIZ，它在维度上提出了新的概念，这是此前所有TRIZ流派所不具备的，尤其是关于属性的探讨。属性不被当今的TRIZ国际协会所接受，但这并不影响我们。属性是物质固有的特性，例如酸性物质具有酸性，碱性物质具有碱性，半导体材料具有半导性，

而酸和碱必然发生中和反应，生产盐和水，高速运动的物体必然会撞碎或击穿某些物质。这些都是物理、化学的第一性原理，因为它们在宇宙的任何地方都经得住实践检验。例如，重力原理表明，一个物体如果没有支撑，一旦松手，它就会向地面坠落。在月球上，它会向月面坠落；在火星上，则会向火面坠落。这是宇宙的第一性原理。

我可以明确地指出，属性之间的相互作用会生成科学效应，而科学效应必然构成功能。所有功能都可以通过调节属性来进行优化和实现。这一点在任何TRIZ工具中都没有明确提及。

然而，我要告诉你们，TRIZ工具中的所有原理和方法，本质上就是围绕这些核心概念展开的。其他所有的原理和方法，不过是在反复阐述和验证这些核心内容。全部TRIZ理论，其实就这些精华内容。我认为，这是在工具维度的认知提升。

此外，还有一个是科学工具链的构建。

讲演人: 过去，我们通常采用人工假设生成、手动实验设计、物理设备执行、人工数据分析，最后撰写论文的流程。这一过程效率较低。如今，我们引入AI技术，通过AI假设生成和强化学习进行自动实验优化，进入B阶段。在B阶段，我们进一步与物联网连接，由机器人执行实验。物联网，尤其是工业物联网，在工业领域广泛应用。结合边缘计算和主动学习，我们实现了动态闭环的A、B循环。

在《三体智能革命》书中，我们作者提出了“状态感知、实时分析、自主决策、*执行和学习提升”的理念，这些理念在智能革命中得到了充分体现。

假设、实验、分析、新假设的循环在工业互联网领域以及许多机器运行领域中同样适用。

讲演人: 我们再来观察工具的重塑过程。如今，有一个现象值得我们关注：从过去“延伸人类感官”、替代人脑和手的功能，到如今科学工具的智能化跃迁，这一过程正在深刻改变我们的工作方式。

讲演人:通过替代手部的触觉、鼻子的嗅觉、人眼的视觉、耳朵的听觉等感官功能，机器延伸了人类的感知能力。在此基础上，我们进行计算与分析。然而，值得注意的是，它已经提升到了新的层次，开始“创造认知的新器官”。

这一下就变得与众不同了。为什么呢？当今的TRIZ是基于行业的小知识，即静态知识，但这些都是已知的宝贵知识。在五六十年前，我们没有其他能力时，依赖这种小知识和领域知识来解决问题。但在今天，基于全网既有的大知识，以及AI可能带来的有限新知识，我们几乎可以解决所有问题，而不仅仅是颜色相关的问题。

大模型作为“超级数字脑”，融合了人类有史以来的知识，替代了无数最聪明的头脑。因此，大模型是一种“新的认知器官”。而过去的TRIZ，以小知识引导方式激发人的有限思考。

然而，发展是创新的基础。未来，以大模型作为外界的超级数字工具，能够获得更*的解决方案。当前，TRIZ面临的最大问题是，在座的众多TRIZ高手需要引导大家进行功能分析、因果分析以及系统模型分析等。

大家普遍感到困难的地方在于如何定义功能，如何确定动词和宾语。在进行属性分析时，需要研究其物理属性、几何属性和化学属性。在这个问题上，选择合适的术语、词汇进行表达，尤为困难。

为什么经常存在这种“不可言尽”、“词不达意”的情况呢？其实这并不奇怪。大家可以仔细看看维特根斯坦的观点：“语言的边界就是思想的边界”，人类语言的边界就是我的世界的边界。因此，凡是语言无法表达的东西，都不能作为思想产物存在，也不能作为意识活动存在。

因为你无法表达，所以无法思考、定义和传达。当你词不达意时，必然会错过许多东西。过去，人用小模型可以解释问题，但如今谴词用句“人机协作、日益*”。多个大模型的分析集成已经能够高效解题。

在这个时代，我们可以轻松地使用不同的工具来解答问题，比如Kimi、DeepSeek和豆包。此外，智通云联公司首席科学家谭总还专门下载了大约二十多个大模型，包括谭总等研发专家，他们都是智能制造领域的专家。他们提出了一个具有陷阱的问题，直接回答并不容易，必须通过深入分析才能找到答案。

搭建信息桥梁才能解决问题，他让它们（各大模型）去搭建，但许多都出现了错误。通常情况下，我们认为水在60度时，再加热几十分钟后，可以达到100度。有些大模型计算了线性关系，认为加热几十分钟后，可以达到120度。然而，在非高温高压条件下，这是不可能实现的。因为，大模型缺少了一个关键知识点：水在沸腾后，温度不会继续上升。

如果没有高压和高温的维持，水温不可能再增压。因此，我们还需要不断训练，并持续提供正确的知识。然而，大家已经看到，它们比我们任何个体都能更准确地表达观点，更精确地计算那些我们此前可能分析不好的问题。我愿意引用钟院士的观点，人类的科学工具正在经历智能化的范式跃迁。

钟院士提出的“感知、认知、谋行、执行”策略，与我们的“状态感知、实时分析、自主决策、*执行”是一致的。我们强调知行合一的策略，并注重语法、语义、语用的三位一体，其中语言包含语义、语用三个层面。

必须实现三位一体，但传统的三位一体在解决问题时存在局限性。根据钟教主义的观点，必须采用新的三位一体，即基于人脑与数字脑的结合，实现人机共生的状态。通过“感知、认知、谋行、执行”，达到知行合一，最终运用新的三位一体来解决问题。此外，思维、方法、工具的动态平衡尤为重要。

讲演人:我们认为，科学方法、科学思维和科学工具构成了一个稳固的铁三角。它们之间能够相互平衡。我们始于科学思维，可以质疑、批评和批判，甚至不相信某些事物。科学是建立在实证基础上的，因此它指导我们的科学方法，避免迷信。

不盲目地开始计算、理论和模型方法，只要运用人类世界目前积累的任何第一性原理，如牛顿的第一、第二、第三原理，以及爱因斯坦提出的质能方程原理等，都不会出错。因为这些第一性原理经过人类数百年的奋斗和反复验证，最终催生了AI工具。AI工具包括硬件工具和大模型软件，通过不断研究，最终推动科学思维的升级。这种相互验证的过程就是创新方法的巨大提升。

DeepSeek通过动态参数剪枝技术，显著提升了算力效率。他们仅使用2048块显卡，便达到了相当于万卡的计算能力，实现了千倍的性能提升。这一创新方法以极低的成本，完成了通常需要巨额投资才能实现的目标。

讲演人: 国外几十亿美元与DS几百万美元的投入相比，效率相差千倍。DeepSeek从哲学角度提出了算法简化思维，并通过最小必要数据理论，结合蒸馏和对抗训练，仅用五分之一的标注量就达到了与其他人标注量同等的效果。

此外，量子物理中的叠加态思想也是一个重要的思维突破。过去，人们普遍认为薛定谔的猫既死又活的状态难以理解，直到我40多岁时才真正明白其中的原理。在未打开盒子之前，量子处于叠加态，没有量子坍缩；打开盒子后，量子才会坍缩，我们才能观察到确定结果。

两个量子之间存在着纠缠效应，无论相隔多远，一个量子的状态变化会立即影响另一个量子。这种效应在过去看来是匪夷所思的，但它的确存在。

风险控制三角不仅体现在我们能够进行循环思辨，还体现在风险的可控性上。今天，我们尤其需要防范科学研究的风险。我一直认为，任何技术的进步和科学的进步都是中性的。每一个科技工具既可以用于国计民生，促进社会发展，提高人民的幸福感、满意感和获得感，同时也可能被用于犯罪活动。

AI技术目前最先被应用于实施各种犯罪行为，尤其是电信诈骗。通过换脸、换声音等技术手段进行诈骗。例如，诈骗者会冒充亲属，声称急需借款，以此骗取钱财。

*技术的应用中确实存在欺骗行为。因此，我们可以从思维层面、方法层面和工具层面探讨如何防范。

此外，我还想分享一个观点，即从语言到语言智能的转变，这是我个人的体会。

讲演人:智人的称呼似乎是拉丁语中的“sapiens”。在历史发展的长河中，从六百万年前我们从树上下来，到几十万年前走出非洲——尽管是否走出非洲仍有争议——我们逐渐遍布世界各地。当时存在许多不同的人类群体，至少有十类以上，如大家熟知的丹尼索瓦人、尼安德特人、霍比特人等。

他们今天都不在了，原因何在？被智人这一支彻底击败。那个时代的竞争极其残酷，资源有限，食物、水源、栖息地都极为稀缺。在有限的生存空间里，有水、草、狼、兔子等资源，但每个人都想占据这些资源。你来，我就不能来；你占据，我就无法生存。于是人们互相争斗，智人战胜了尼安德特人——身材更高大，会使用火，会制作工具，会用兽皮制作衣物，最终占据了优势。

讲演人: 尼安德特人力量更大，至少需要两个智人才能与一个尼安德特人抗衡。根据考证，尼安德特人非常强壮，因此需要三个智人才能确保击败一个尼安德特人。然而，在长期的进化过程中，经过数万年的竞争，智人最终战胜了尼安德特人。

讲演人: 凭什么？智人掌握了一个极其有利的工具——语言。通过语言，我们能够协同合作，发展工业，实现分工，可见语言对人类智能的重要性。如果连最基本的“what”、“where”、“how”都无法表达清楚，那么协同、分工和创新都无从谈起。尼安德特人只有喊叫式的语言，表达不清，因此他们无法实现有效的分工。

于是，其他人种相继出局，智人发展到今天的七十多亿人口。因此，我们有了多种语言表达，如英语、汉语、西语等，这里不再赘述。

语言出现后，我们继续通过图形表达，最终在没有文字的情况下，从图形中产生了文字。于是，我们所有的图形表达逐渐演变为文字。

随着时间的推移，特别是在几百年前，人类开始使用绘图来表达信息。这些图形逐渐发展成为一门通用的工程语言，因为三视图在全球范围内都被广泛理解，且表达方式没有歧义。

随着进一步发展，我们可以看到人类语言，转化为编程*语言，尤其是以英语为蓝本，逐渐成为主流。如今，中文也加入了这一行列。这些语言被转化为各种编程语言，如Fortran、C、COBOL、Pascal、JAVA等，直至今天的Python。

大数据语言和人工智能语言的发展使得我们能够利用机器进行学习和计算。诸如“If”、“Then”、“Else”等逻辑结构完全是从语言中提炼出来的，从而形成了各种机理模型。

工艺模型等各类模型所表达的主题，以及我们在TRIZ中所涵盖的语义内容，问题模型的分析涉及多种表达方式。

包括我们工业软件中的CAD、CAM、CAE以及ERP、MES、EDA等。

通过这种方式，我们向大家传达了一个观点：即使绘制出一个CAD模型，如果不使用平移、旋转、缩放、剖切、漫游等工具，仍然难以理解。如今，我们通过知识引擎来表达人工智能和大模型的概念。

人工智能从专家系统、知识工程的发展历程一直延续至今，形成了今天的GPT、Sora、LLM等。特别值得一提的是，中国在人工智能领域取得了显著进展，无论是通义千问、Deep Seek还是昆仑大模型，都代表了我国在大模型领域的成就。

这些多样化的语言和语义通过数字化和彼此融合，逐渐形成了大知识体系。这一体系不断凝聚和提炼，最终构建了一个稳固的框架，并持续发展完善。

我们可以发现，语言正趋于多模态化，而系统则趋于赛博物理化，这是当今时代的发展趋势。由此可见，语言是表达语义的工具。

讲演人:语言的含义即语义，但在不同语境中，大家对“喝茶”这一概念有着不同的表达和理解。我“请你喝茶”是一个语义，如果纪委“请你喝茶”，大家都知道这是另一个意思。

例如，今天天气炎热，“能穿多少穿多少”，今天天气非常寒冷，“能穿多少穿多少”。这些例子展示了在不同语境下，语言表达的高度相关性。

因此，语言必须在特定的语境中去理解才有意义。符号仅仅是语言的载体，符号本身并无意义，只有承载了语义的符号才能被使用。于是，人类发现我们可以用语言进行交流。

例如比特，这两个比特状态，一个0和一个1，未来可能更加*，因为0是一个量子，1也是一个量子，还有一个是0和1交叠的量子。因此，量子计算机现在计算速度特别快，性能提升至少上1亿倍。于是，我们开始有了由二进制组成的电脑语言，包括硬件表达的0和1，以及软件表达的模型语言。

通用语言、绘图语言、多模态语言等。在工业产品中，基础语言包括二进制语言、图形语言和工程图语言。

文生图等元素构成了我们工业的语义表达。为何需要强调这一点？因为工业语言和工业语义与日常用语不同，需要引起大家的重视。

所以语言智能的基础是工业部原副部长杨薛山先生在《智能原理》一书中特别强调的内容：“一切智能都是语义的”。

讲演人:在研究的基础上，我提出了个人的思考。自然语言的演变过程，首先我们可以看到，自然语言（Nature Language）的处理形成了NLP（自然语言处理），这是人工智能的一个基本学科。

图文生成各种概念模态表达的语言，工程图的语言，模型的语言算法语言，以及各种中间状态，一直延伸到电脑硬件的语言。我们解析到二进制表达的0和1，这两个最小信息单元。0和1本身并无意义，但当你定义0为“关”，1为“开”时，它们便从数字数据转化为信息。

进一步解析到单机软硬件，从电子管和逻辑语言到单机电脑，这是我们在五十年代末六十年代初的应用成果。更重要的这是一个开端。就像刚才安总提到，芯片的出现催生了电脑，而电脑的普及则推动了各行各业的变革，成为第三次工业革命的重要起点。由此可见，电脑的广泛应用对现代社会产生了深远影响。

从最早的电子管通过晶体表示0和1，发展到如今高度*的计算机技术。

在初级阶段，实际状态不断发展，逐步演变。这一过程中，首先实现了量变引起质变。

大家都知道这是一个最基本的哲学观点，即“对立统一”，矛盾。此外，“量变引起质变”，以及“否定之否定”，构成了哲学中的三大定律。

另一个观点是“万物源自比特”，这是由美国专家惠勒提出的。他写了一本书《Its from Bit》，翻译过来就是“万物源自比特”。由此我们了解到，用0和1可以以数字化的形式表达万事万物。同时，“万物皆数”这一概念早在两千五百年前就已存在。

从毕达哥拉斯时代起，先贤们便已提出“万物皆数”的理念，这一思想一直传承至今。

经过今天的汇总，它已演变为全网硬件、软件、网件的综合体系，即网络逻辑语言。我们可以看到它仍在不断变化。在那个节点上，大家能够清晰地看到，我们已实现了数据的分类。

讲演人:我们已掌握了基础语言的分类信息，图谱语言；我们有了分类的知识，抽象语言。这就是从数据（D）到信息（I），再到知识（K），最终在全网的知识体系中形成了我们的原料语言（W）。这些原料语言不断融合，进而产生了引擎语言，从而诞生了大语言模型。

生成式大模型涵盖多种模型，大语言模型仅为其中之一。

关于未来的发展方向，我还有一个构想。向上发展，从“自然语言”，演变为“智然语言”。大家注意，从自然语言到“智然语言”的演变，这是我经过深思熟虑后，认为是能够准确表达我意思的一个表述。因为在创新的方法论中，一个非常重要的概念IFR已被广泛认知。

最终理想化结果的表达，即Ideal Final Result（IFR），不应被误解为“最终理想解”，因为理想系统和理想解根本不存在，应该被称为“理想化最终结果”。这是TRIZ创新方法的基本概念之一。

IFR的意思是，我们并不清楚最终结果的理想化具体状态，因此我们首先设定一个理想化最终结果（Ideal Final Result）。

必须强调一个“结果”，它并非“解决方案”或“解”。只是设定一个比较理想的结果，意在追求*，我们在不断逼近那个方向，可以不断进化达到这一状态。

讲演人: 因此工业语言由基础语言、图谱语言、抽象语言等这些要素构成，大家便能够清晰地看到工业语言由多种语言构成。

讲演人: 我们可以在工业现场观察到其生产、供应、销售和服务等环节。各环节都涉及海量的动态和静态数据。这些工业语言一直都在向人们描述工业现场发生的事情，但人们往往难以理解。这是因为数据背后的含义并不直观。这正是大数据的概念所在。例如，我问大家，2+3等于几？

大家说，2+3不是应该等于5吗？那是数据意义上的理解，你把自己限定在算术领域。如果把它变成生活场景，为什么不是“两个人+三个菜”，然后就是“一顿合适的餐”？“两个大人+三个孩子”等于“一个家庭”？确理解工业语言场景下的语义至关重要。

要理解我们工业现场的真实情况，关键在于准确把握其运行规律和参数含义。

人类处理参数超过7个时，机器处理参数超过16个便无法胜任。因此，一直以来，我们便致力于解决这一问题。

通过将机理模型算法与专业化数据语料标注方法相结合，最终实现技术的通用性和复用性，并将其应用于实际的工业领域硬件装置和工业运营场景中。大家可以看到智通云联公司已经在石油领域取得了不少应用成果。例如应用油气大模型智能调控开关增加气井的产量。

讲演人: 在“AI for Science”的大背景下，科学范式已经跃迁到第五范式，已经吹响了各行各业应用AI大模型的集结号。

讲演人: 最后，我将对今天的内容进行小结。大模型正在重塑我们创新方法的DNA，不断改变科学思维，丰富科学方法，强化科学工具。大模型本身已成为创新方法的核心工具，其重要性在未来将愈发显著。

未来，一切软件都将被AI重构，一切数据都将由AI进行计算，一切硬件都将被AI驱动，一切网络都将被AI调控。虽然我的说法可能有些*，但趋势正在朝这个方向发展。我们已经迈入了“碳基智慧与硅基智能”深度融合的人机共生新时代，即“创新方法2.0”。

谢谢大家的聆听！

通义千问大模型对本次讲演的总结

一句话总结

?本文探讨了科学思维的进步、AI与TRIZ的融合、科学方法论的重塑以及科学工具的智能化跃迁，强调了人机协同认知的重要性。

要点

?科学思维从人类中心假设转向人机协同认知，AI与TRIZ的融合将显著提升问题解决的效率。

?AI大模型正在重塑科学方法论，从经验驱动转向数据驱动，提升了假设生成、实验验证和数据分析的效率。

?科学工具的智能化跃迁，如感知增强技术和知识图谱工具，正在深刻改变科学研究和技术开发的方式。

?TRIZ作为一种抽象思维工具，未来将与AI深度融合，推动创新方法的升级。

?语言智能的发展，尤其是大模型的应用，正在改变人类认知和问题解决的方式。

深度问答

?AI如何重塑科学方法论？

–AI通过自动假设生成、强化学习和数据分析，显著提升了科学研究的效率和准确性。

?科学工具的智能化跃迁体现在哪些方面？

–科学工具的智能化体现在感知增强技术、知识图谱工具和物联网的应用，提升了实验和数据分析的能力。

?为什么人机协同认知如此重要？

–人机协同认知能够结合人类的创造力和AI的计算能力，显著提升问题解决的效率和质量。

?语言智能如何影响科学思维？

–语言智能通过大模型的应用，改变了人类表达和思考的方式，推动了科学思维的进步。

关键词标签

?AI

?TRIZ

?科学思维

?科学方法

?科学工具

目标受众

?科学研究人员

?技术创新者

?AI开发者

?TRIZ专家

?对科学方法论感兴趣的学生和学者

术语解释

?TRIZ: 一种创新方法，通过抽象思维和问题域提炼来解决复杂问题。

?AI大模型: 基于大量数据和深度学习算法构建的智能模型，能够处理复杂任务。

?科学方法论: 系统化的理论研究，旨在发现规律并不断应用。

?感知增强技术: 通过AI技术提升人类感知能力，如视觉、听觉等。

?知识图谱工具: 用于揭示学科之间关联的工具，推动技术突破。

免责声明：本文采摘自英诺维盛公司，本文仅代表作者个人观点，不代表金航标及行业观点，只为转载与分享，支持保护知识产权，转载请注明原出处及作者，如有侵权请联系我们删除。

上一篇：: 林雪萍：读《从这里爱上实业》，领略中国工业的逆袭征途

下一篇：: 老大和老二，连锁酸菜鱼市场格局的最大变量是什么？

赵敏

赵敏 | 科学范式跃迁：创新方法2.0

客服QQ1707931422

客服QQ
1707931422