近年来，在生成式AI(GenAI)赋能下，文本生成和图画生成正助力AI4AH(AI for Arts and Humanities)不断开新，生成式AI强健的代码生成和逻辑推理则推动AI4S(AI for Science)和AI4SS(AI for Social Sciences)快速发展，作为AI4SS分支的AI4LIS(AI for Library and Information Science)置身其中，也在技术浪潮里寻找方向。2025年农历除夕，当新年烟花在新春佳节绽放时，DeepSeek如平地春雷般爆发，以低成本训练和开源技术理念影响AI格局，旋即风行世界，震动硅谷股市，为生成式AI带来了中国发展机遇并注入新的活力。 如今，经历了数字化浪潮的图书馆与信息科学(LIS)再次迎来智能化浪潮变革，因而有了数智化之统称。面对生成式AI带来的技术突破与范式革新，生成式AI赋能LIS可望快速引领AI4LIS演进，为此，本文特对AI4LIS的理论结构与技术应用进行初步探索，期望抛砖引玉，推进并深化相关研究。 1 AI4S和AI4SS简要综述 作为AI4LIS上位概念的AI4S与AI4SS是近年AI技术在科学领域和社会科学领域的新发展，现已取得一些颇具颠覆性意义的成就，尤其是2024年诺贝尔物理学奖和化学奖分别授予人工神经网络基础研究和AlphaFold/RoseTTAFold应用创新研究之后，世人对生成式AI在学术领域的应用成效刮目相看。 当前，生成式AI已在生物医学、材料科学、社会科学等领域产生了颠覆性创新并取得突破性成果。走在前列的是生物医学。早在2017年，Deep-Mind就开始用AI预测蛋白质三维结构并在AlphaGo技术基础上悄然展开，用以搭建蛋白质结构AI预测系统AlphaFold。2021年，AlphaFold 2正式推出[1]，通过其高效的算力，利用已经解码的蛋白质数据进行训练，极大缩小预测误差(接近原子尺度)，同时显著提高效率(计算时间由数年减少到几分钟)，使得模型可以根据氨基酸序列快速预测出蛋白质的构型。与此同时，华盛顿大学的科学家David Baker也带领团队开发出功能和性能类似的RoseTTAFold[2]，一举解决了蛋白质折叠和设计问题。这两个系统的出现，极大地推动了AI解决生物医学实际问题的能力，David Baker、Demis Hassabis、John Jumper三位科学家也因这一创造性贡献被授予2024年诺贝尔化学奖。 其他基础科学中AI应用同样显著。在物理学领域，AI在加速复杂系统的建模与模拟、智能处理实验数据、优化实验参数等方面正在显现颠覆性创新能力。虽然2014年就有研究通过神经网络模型识别希格斯玻色子，但在2022年之前的研究中，AI仅仅为辅助作用，尚未带来重大突破进展。直到2022年8月，物理学家通过人工神经网络模型找到了质子中存在隐性内含粲夸克(intrinsic charm quarks)的证据[3]。两年后，来自Archetype AI的研究人员开发了人工智能大模型——“牛顿AI模型”[4]，该模型仅需分析传感器数据，不仅具备准确预测物理现象的能力，还能发现游离于训练过程外的现象。这一突破性研究成果的发现可能开启科学发现新篇章，或许能够以新的视角进行物理研究。2024年初，普林斯顿大学和普林斯顿等离子体物理实验室的研究人员在可控核聚变领域取得突破，他们发现可以利用AI预测潜在的不稳定性，并且实时防止实验中断[5]。2025年，麻省理工学院的Max Tegmark团队发现在AI缺乏先验知识的条件下，依然能够自主提出哈密顿物理量或拉格朗日方程[6]，标志着AI可能自主发现物理学理论。 在数学领域，颠覆性创新深入定理证明、猜想解决和数学理论创新层面。2021年，DeepMind开发了针对数学家的机器学习框架，成为连接AI与数学研究者的桥梁，人机合作在纽结理论和表象理论中证明或发现了新的定理[7]，具有里程碑意义。2022年，DeepMind发表重大成果AlphaTensor，发现了更高效的矩阵相乘算力[8]。2024年1月，经过深度学习训练，重大成果AlphaGeometry发布，该模型具备自我学习与不断进化的能力，通过不断训练，能够自行解释数百万个定理并逐一进行证明[9]。随后，数学推理大模型——AlphaProof面世[10]，该模型在解决IMO几何问题方面的表现超越了大部分数学专家。 AI在工程技术领域的应用也很突出。2023年，AI与材料科学结合，使材料设计进入新纪元，其中DeepMind团队研发的GNoME模型是一个重要里程碑，该模型通过预测发现了约220万种新材料[11]。在发现的新材料中，多数具有应用前景，例如碱土金刚石样的光学材料(Li[,4]MgGe[,2]S[,7])和可能的超导体(Mo5GeB2)。此外，GNoME提高了材料稳定性方面的预测精度(超过80％)，体现了AI技术对材料科学领域的强大助力。同时，DeepMind团队与伯克利实验室的合作也取得了显著成果，他们合作开发的机器人实验室——A-Lab[12]在材料合成领域取得了重大突破：20天内，A-Lab成功合成了58个目标化合物中的41种，包括多种氧化物和磷酸盐，证明了AI不仅可以提高材料发现效率，而且具有助力材料科学研究的潜力。
