Agent4S｜人工智能过去的发展阶段及各阶段在科研中的应用形式
梳理符号主义、统计学习、深度学习到Agent4S的发展，结合科研案例讨论AI从数据处理走向规划、工具调用与流程协作的变化。
> 作者：王令欧 · [阅读微信原文 ↗](https://mp.weixin.qq.com/s?__biz=MzkyNjY0NjI3NA==&mid=2247486037&idx=1&sn=3ec054ab2ab2e76ce4bddfbaff239bd0&chksm=c2356338f542ea2ec6cdd0dfb7a1f26de7317770fe3fff36760741fdb4bd5fc65907d0ae2176#rd)
# Agent4S｜人工智能过去的发展阶段及各阶段在科研中的应用形式
内容摘要
1、人工智能在科研中的作用，正在从数据处理工具转向能够参与规划、推理和工作流组织的底层生产力。
2、从符号主义、统计学习、浅层机器学习到深度学习，人工智能能力的演进不断改变科研中的知识表示、数据分析和特征提取方式。
3、Agent4S 阶段的关键变化在于，大语言模型与工具调用、多智能体协作和协议化工作流结合，使 AI 有机会参与科研流程中的多个环节。
全文约 2693 字，阅读时间约 5 分钟。
在科学研究的演进历程中，新技术的诞生往往是新范式涌现的核心驱动力。继前四个范式：实验科学、理论科学、计算科学以及数据密集型科学后，人工智能正展现出驱动第五范式出现的潜力。值得注意的是，第四范式中已有人工智能的参与，当时机器学习（尤其是深度学习），已被广泛用于大数据处理。而如今人工智能之所以可以成为另一个范式的核心驱动，关键在于其在科研中承担的角色发生了根本性的转变。为了清晰理解这一转变，系统的梳理人工智能的能力发展历程及其在科研应用中形式的演变是必要的。
### 人工智能的概念雏形（1940-1950）
Warren McCulloch和Walter Pitts于1943年发表的论文被普遍认为是人工智能的第一项研究工作。[1]他们提出了人工神经元模型，并证明任意可计算函数能通过神经元相互连接构成的网络来计算，并可以实现所有逻辑连接词。他们指出适当定义的网络还可以进行学习。这篇论文构成了实现人工智能的理论基础，让模拟人类智能从畅想变成了可实现的技术方向。
### 符号主义与早期专家系统（1950-1990）
最早的一批人工智能致力于模拟人类的逻辑推理，它们被称为符号型人工智能。符号主义的研究者认为，实现人工智能就像编写一本庞大的规则手册，将人类知识转化为“IF-THEN”式的逻辑规则[2]。人们将每一个具体概念作为一个单元（桌子、门、门把手等等），提前将逻辑推理的规则编码进程序，从而让计算机通过推理实现智能。这种技术在科学中已经有所运用，例如Buchanan 等人在1969年开发的DENDRAL程序[3]，依托化学分子推理的规则预测子结构，简化了人类推理流程；用于诊断血液感染的MYCIN系统[4]，凭借约450条规则，在用药建议胜过了部分初级医生；PROSPECTOR系统把成矿学规则编码进系统，成功预测了一条钼矿新矿脉[5]。
符号型人工智能虽然取得了一些成就，但存在显著缺陷：这种系统不能进行学习，所有的概念和规则必须人工整理并形式化；分析过程中只能严格匹配预设规则，没有任何容错、模糊推理或处理未知情况的能力。因此这种类型的人工智能只能应用在处理单一、狭窄领域中，基于这类技术构建的应用系统也被称为专家系统。此外，随着系统规模的扩大，知识之间的关系变得异常复杂，问题排查和系统维护成本指数级上升，催生了庞大但低效的知识工程。更为关键的是，日常生活中大量的推理并不严格，这类问题几乎无法构建专家系统解决。
正文图1
（反向推理的示意图，IF-THEN规则示意）
(By David C. England - This image has been extracted from another file, Public Domain, https://commons.wikimedia.org/w/index.php?curid=93714216)
### 统计学习与浅层机器学习（1990-2010）
1990年代，统计学习成为了科研领域重要的数据分析技术。符号型人工智能一定程度上模拟了人类行为，却走入了瓶颈，应用捉襟见肘。但是当人们不再将目光局限于让计算机去完全模拟人类思考，而是聚焦于数据层面的学习时，却让人工智能在科研领域大放异彩。
统计学习以严谨的统计学理论为基础，模型简洁、可解释性强。支持向量机（Support Vector Machine, SVM）是最具代表性的方法，其对可以有效地泛化，对小样本、高维数据的处理极为稳健，而且过拟合风险低，至今仍被广泛使用[6]。其他算法还包括朴素贝叶斯、决策树、隐马尔可夫模型等。在生物信息学领域，人们用SVM和相关核方法预测蛋白质功能、对基因分类[7]；医学领域，可通过决策树建立疾病和其风险因素的统计关系，快速筛选有潜在活性的小分子[8]。
正文图2
(SVM原理示意，通过寻找平面将不同类数据点尽可能显著地分开，本图中H3是最优的划分结果)
(By User:ZackWeinberg, based on PNG version by User:Cyc - This file was derived from: Svm separating hyperplanes.png, CC BY-SA 3.0, https://commons.wikimedia.org/w/index.php?curid=22877598)
到了21世纪，统计学习得到了扩展与集成，产生了更强大的机器学习算法。如随机森林算法，其本质是大量决策树并行运算。同时神经网络作为重要的机器学习算法也得到了关键突破。神经网络的结构很像人类大脑，其相对于符号型人工智能，有两大核心差别。一是分布式表征取代了集中式表征，符号型人工智能中一个概念对应一个独立的符号节点，而神经网络中一个概念会激活一片分散的神经元；二是概率关联取代绝对逻辑，神经元之间的激活关系不再是决定性的，而是存在一定概率，而这些概率通过对数据的学习得到。这一历史阶段被称为浅层机器学习（区别于此后的深度学习）。算法对高维和充满噪声的数据处理能力更强，还能发现数据的隐藏关联，性能大幅提升。材料科学领域，用各种机器学习算法可以用于分析材料性质、发现新材料[9]。在地球科学，作用于遥感数据，则有辅助地质测绘、检测地震信号等用途[10]。
正文图3
(决策树示例，泰坦尼克号幸存者情况)
(By Gilgoldm - Own work, CC BY-SA 4.0, https://commons.wikimedia.org/w/index.php?curid=90405437)
在科研中应用统计学习及相关算法时，十分重要的一步是特征工程。例如为了进行分子预测，研究者需要给机器提供一系列数值，如分子量、氢键供体/受体数量、芳环数量等，整理成特征向量再交给算法去拟合。大科学装置产生的数据规模极其庞大，如斯隆巡天望远镜计划产生几十TB的图像数据[11]，粒子对撞机每秒能产生上亿条粒子信号[12]；同时，科学数据的维度高达上万甚至上亿维，例如蛋白质序列有上千个氨基酸位点，光谱数据有上万个波长通道。如此海量且高维的数据，单凭人力已无法直接理解。而且数据呈现的多是图像、波形、点阵等高度非结构化的形式，人类难以用概念或数值手工描述特征。再加之这些系统具有多变量强耦合、内在规律高度隐蔽[13]的特点，人工特征工程已无法开展。
### 深度学习（2010-2020）
深度学习算法恰能解决这一痛点，它最大的优势就是能让神经网络自己提取数据特征，实现端到端的数据处理，即输入最原始的数据，模型可以直接返回最终的结果。较为经典的深度学习模型包括卷积神经网络（Convolution Neural Network, CNN）和循环神经网络（Recurrent Neural Network, RNN）。CNN是一个非常仿生的模型，卷积的过程和人类视成像机制类似，而神经网络与大脑结构类似。因此CNN对图像和空间结构的处理非常好。NASA开普勒望远镜就利用CNN找到系外行星[14]。RNN则相应地更擅长处理序列问题。后续Transformer框架的提出，通过注意力机制全局建模数据中任意位置的关联[15]，能处理分子、图像、语言、代码等多个模态的数据。当我们将这个框架应用到科学对象，便诞生了各类科学大模型，最具代表性的就是获得了2024年诺贝尔化学奖的AlphaFold2蛋白质模型[16]。而当我们将这个框架应用到语言处理，便得到了大语言模型（Large Language Model, LLM）
正文图4
（卷积神经网络典型的原理示意图）
(By Aphex34 - Own work, CC BY-SA 4.0, https://commons.wikimedia.org/w/index.php?curid=45679374)
正文图5
（Transformer结构示意）
(By dvgodoy - https://github.com/dvgodoy/dl-visuals/?tab=readme-ov-file, CC BY 4.0, https://commons.wikimedia.org/w/index.php?curid=151216016)
### Agent4S（现在-）
大语言模型的出现标志了人工智能能力的进一步跃升，凭借强大的自然语言处理能力，它能够直接在概念层上进行推理。近年，基于大语言模型，人们发展了智能体（LLM Agent）技术。一个智能体相对于大语言模型，具有工具调用、规划、自省、长期记忆等能力。使用智能体的技术是手段包括提示词工程。其通过系统指令、少样本示例等手段优化提示词设计，将科研语义清晰地注入LLM，并引导符合目标的输出。另外，多个Agent可以共同搭建起工作流，用开发人员硬编码的多智能体协作规范提高输出质量、降低AI幻觉。为了协调异构智能体之间复杂、有状态的工作流程，谷歌等机构提出了A2A（Agent2Agent）协议，定义了跨智能体的通信与任务委托标准[17]。给智能体搭建Reasoning框架也是一个重要的技术。其动态地利用搜索、结构化记忆等功能处理需要深度研究的复杂问题[18]。例如基于LLM设计的ChatChemTS可以像一个科学家个体自主化进行分子设计[19]。
未来，这些转变让人工智能不再局限于数据处理，而是可以像人一样参与科学研究的全流程，自动化乃至智能化地驱动科学研究流程中的多个环节执行。未来的AI将从科研中的应用转变成科研的底层基础，极大解放科研生产力。
正文图6
## 参考文献
1. Russell S J. Artificial intelligence a modern approach[M]. Pearson Education, Inc., 2010.
2. Boden M A. AI: Its nature and future[M]. Oxford University Press, 2016.
3. Buchanan B, Sutherland G, Feigenbaum E A. Heuristic DENDRAL: A program for generating explanatory hypotheses[J]. Organic Chemistry, 1969, 30: 209-254.
4. Shortliffe E H, Davis R, Axline S G, et al. Computer-based consultations in clinical therapeutics: explanation and rule acquisition capabilities of the MYCIN system[J]. Computers and biomedical research, 1975, 8(4): 303-320.
5. Campbell A N, Hollister V F, Duda R O, et al. Recognition of a hidden mineral deposit by an artificial intelligence program[J]. Science, 1982, 217(4563): 927-929.
6. Russell S J. Artificial intelligence a modern approach[M]. Pearson Education, Inc., 2010.
7. Yang Z R. Biological applications of support vector machines[J]. Briefings in bioinformatics, 2004, 5(4): 328-338.
8. Ying L U. Decision tree methods: applications for classification and prediction[J]. Shanghai archives of psychiatry, 2015, 27(2): 130.
9. Wei J, Chu X, Sun X Y, et al. Machine learning in materials science[J]. InfoMat, 2019, 1(3): 338-358.
10. Karpatne A, Ebert-Uphoff I, Ravela S, et al. Machine learning for the geosciences: Challenges and opportunities[J]. IEEE Transactions on Knowledge and Data Engineering, 2018, 31(8): 1544-1554.
11. Tansley S, Tolle K M. The fourth paradigm: data-intensive scientific discovery[M]. Redmond, WA: Microsoft research, 2009.
12. Guest D, Cranmer K, Whiteson D. Deep learning and its application to LHC physics[J]. Annual Review of Nuclear and Particle Science, 2018, 68(1): 161-181.
13. Angermueller C, Pärnamaa T, Parts L, et al. Deep learning for computational biology[J]. Molecular systems biology, 2016, 12(7): MSB156651.
14. Shallue C J, Vanderburg A. Identifying exoplanets with deep learning: A five-planet resonant chain around kepler-80 and an eighth planet around kepler-90[J]. The Astronomical Journal, 2018, 155(2): 94.
15. Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[J]. Advances in neural information processing systems, 2017, 30.
16. Jumper, J., Evans, R., Pritzel, A. et al. Highly accurate protein structure prediction with AlphaFold. Nature 596, 583–589 (2021). https://doi.org/10.1038/s41586-021-03819-2
17. Ray P P. A review on agent-to-agent protocol: Concept, state-of-the-art, challenges and future directions[J]. Authorea Preprints, 2025.
18. Wu J, Zhu J, Liu Y, et al. Agentic reasoning: A streamlined framework for enhancing llm reasoning with agentic tools[C]//Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). 2025: 28489-28503.
19. Ishida S, Sato T, Honma T, et al. Large language models open new way of AI-assisted molecule design for chemists[J]. Journal of Cheminformatics, 2025, 17(1): 36.
---