为帮助师生系统了解人工智能发展脉络，深化对AI原生理念与科研范式变革的认识，提升人工智能工具应用与人机协作能力，9月7日、8日晚，数学科学学院应用数学教师党支部、研究生计算应用第一党支部和图形与几何计算班于第二教学楼2210教室联合举办主题报告会，邀请傅孝明老师先后作“人工智能历史、变革与工具”“AI对科研范式改变简介”两场主题报告。两场报告由历史回顾、趋势分析、工具介绍逐步深入至智能体协作、科研流程重构与AI原生能力培养，为师生认识人工智能、探索科研新方法搭建了交流学习平台。

回望发展历程，认识技术变革与工具应用

9月7日晚，首场报告围绕人工智能七十年发展历程、2026年AI关键变革及主流工具应用展开。报告以1956年达特茅斯会议为起点，梳理了从符号主义、专家系统到统计学习、深度学习，再到大模型与智能体的演进脉络。通过介绍不同阶段的代表性突破与发展瓶颈，主讲人阐释了算力、数据与算法协同驱动技术进步的内在逻辑，引导师生从历史纵深理解人工智能技术路线的更替与能力边界的拓展。

在前沿变革部分，报告以从“会生成”到“会行动”为主线，聚焦智能体、具身智能和AI for Science等方向，介绍人工智能从内容生成走向任务执行、从单点工具应用走向流程重构的变化。结合科研场景，报告展示了AI在候选规律发现、分子结构预测、药物与材料搜索以及实验方案设计等方面的应用思路，并强调人工智能有助于缩短搜索路径，但实验验证、机制解释与科研责任仍不可替代。

在工具应用部分，报告介绍了ChatGPT、Claude等对话助手，以及编程智能体、文档与知识库、搜索与科研等类别的工具，帮助师生建立从任务需求出发认识、选择工具的思路。围绕代码编写、实验结果整理、论文写作辅助和数据清洗等场景，主讲人强调，应优先将AI用于可检查、可复现的环节，同时做好人工审查、事实核验与敏感数据保护，将研究判断、学术责任与最终结论留给人。

首场报告结束后，同学们走上讲台与主讲人面对面交流，围绕人工智能相关问题继续探讨，让课堂学习与思考在交流中延伸。

深入科研实践，探索AI原生能力与协作新范式

9月8日晚，第二场报告在第一场基础上进一步聚焦科研实践，围绕大模型、智能体与多智能体的基本概念、自动化科研平台以及AI原生能力展开，探讨人工智能如何从“给出答案”走向“组织并完成科研任务”。报告以“大脑”“执行者”“研究团队”作类比，说明大模型侧重理解与生成，智能体通过工具、状态与行动循环推进任务，多智能体则通过分工、协调与交叉验证组织更复杂的研究工作，帮助师生理解三者逐层叠加的关系。

围绕科研工作方式的变化，报告介绍了从线性流程转向有分工、有依赖、有验证关口的任务图的思路：文献、理论与计算等研究任务可分头推进，并在共享证据的基础上对关键结论进行独立复核。报告同时强调，科研交付不应只有结论，还应包含原始来源、代码参数、运行环境与复核记录等证据链。研究者的角色并非退出科研过程，而是更加注重定义问题、设计任务、判断证据和承担科学责任。

在自动化科研平台部分，报告介绍了自动化设备、数据系统与AI算法协同工作的基本框架，阐释“设计实验—执行实验—分析数据—提出新假设”的科研闭环。主讲人指出，自动化科研不只是“机器做实验”，更在于将设备执行、数据积累与智能分析连接起来，让每轮实验为下一轮探索提供依据，使科研人员能够将更多精力投入问题定义与关键判断。

围绕“如何成为AI-native”，报告提出，AI原生并不只是熟练操作几款工具，而是建立人机共生思维，让AI自然融入学习、思考、创造与决策的全过程。报告从“提问力、判断力、迭代力、责任力”四个方面阐释能力培养重点，并沿着“认知奠基—能力建构—价值跃迁”的路径，介绍高质量提问、人机协作工作流、批判性校验与真实项目实践等内容，引导师生从偶尔调用工具走向有稳定分工、持续反馈和明确责任的人机协作。

报告还特别强调，能力提升必须与可靠性建设同步。无论是使用大模型辅助分析，还是委托智能体执行任务，都应明确权限边界与验收标准，保留过程记录，并对关键结论进行独立复核。对于高风险或不可逆的操作，应保留人工批准环节，使技术应用建立在可观察、可验证、可追溯的基础之上。

两场报告既相互衔接，又各有侧重：首场帮助师生建立对人工智能发展与应用的整体认识，第二场进一步将关注点引向科研任务、协作机制与能力培养。从认识工具到组织流程，从获取答案到检验证据，系列报告为师生探索AI赋能学习与科研提供了具体思路，也引导师生在积极拥抱技术变革的同时保持独立思考，重视学术规范，在真实问题中探索可验证、可负责的人机协作方式。