在人工智能奔涌如潮的时代，一面是大模型生成文本、图像乃至视频的惊艳能力，另一面却是“一次微小扰动即可致系统崩溃”的脆弱现实。当技术狂飙突进，总需有人俯身审视其根基是否稳固；当科学探索迈向未知深水，亦需有人点亮理性之灯，照亮那些被噪声掩盖的临界信号。中国科学技术大学计算机科学与技术学院副研究员石震波，正是这样一位在“矛”与“盾”之间构筑平衡的青年科学家。他将人工智能驱动的科学研究（AI for Science）视为拓展人类认知上限的“望远镜”，又把人工智能安全当作守护技术落地的“压舱石”——二者看似对抗，实则同向发力：皆是对真理的敬畏，也是对科学发现范式转移的探索。
让AI成为科学的同行者
在石震波看来，当前AI for Science正处于从“工具红利期”向“范式重塑期”跨越的关键深水区，越来越像是时代赋予从业者的一道开放命题。而恰巧，他的求学之旅，也像是一次认知的破壁。他称自己的本科时期，就像大多数初学者一样，在书本的记录下想象学科的样子。那时的他，认为计算机科学是确定性的、逻辑严密的。“我觉得只要把基础打牢、代码写对，世界就是可控的。”而他的转折点，却来得很突然。
研究生阶段，正值深度学习进入爆发期，石震波所在团队当时也正在进行一个极具挑战的任务：基于深度学习的复杂环境车牌识别。“那时候国内缺乏大规模的中文车牌数据集，现有的数据都太干净了。为了训练出真正可用的模型，我们团队不得不去采集真实世界中比较具有挑战性的样本，倾斜的、光线较暗的、雨雪遮挡的。后来，我们将这些数据开源供业界使用，在当时算是最大体量的一个中文车牌数据集。”三言两语讲述的研究过程体现不出努力照进现实给石震波带来的影响和震撼。只是后来，他不再笃信代码，也不再自信“可控”，反而承认真实世界的复杂性，“生活中充满了长尾分布和噪声，真正的科研也不能只在完美的实验室数据上刷分，必须浸润于生动实践。”
于是，石震波在此时为自己设立了高标准，这也成为他后来开展科研工作的基准线。石震波的博士阶段，计算机视觉模型已经非常成熟。但他发现，许多研究仍停留在“传统问题+AI拟合”的浅层耦合阶段，如同用高维统计学替代人脑试错，虽能提高效率，却未触及科学发现的灵魂。“我们是在用AI去逼近已知的函数，而不是去发现未知的方程。”就像他满怀信心却最终受挫的一次失败经历一样，“我曾带领团队训练出一个预测分子性质的深度学习模型，准确率刷新纪录”，但当石震波以计算机学者的自信与底气向合作者展示成果时，对方却直言：“这个结构在数学上漂亮，但在化学上荒谬——它违背能量最低原理，在自然界根本不可能稳定存在。”那一刻，石震波深刻体会到“跨学科之痛”：不仅要知其然，还要知其所以然。
自此，石震波坚定转向“数据驱动发现+机理引导学习”的融合路径。在他主持的计算机与化学学科交叉的光刻胶研发项目中，这一理念得到生动实践。纳米光刻是半导体制造的核心工艺，但进入纳米尺度后，光子-物质相互作用高度非线性且充满随机性，导致“同参不同效”——相同参数下良品率剧烈波动。传统研发依赖大量试错，周期长、成本高。他却能带领团队突破传统“试错法”与单一目标优化的局限，提出一种基于数据驱动的智能闭环发现框架。“我们构建了高维度的微观结构表征体系，能够深度解析显微图像中的形态学特征与缺陷模式；同时，引入概率密度感知的动力学建模技术，在虚拟空间中解耦工艺参数的性能极限与物理稳定性。这不仅能大幅缩短新型光刻胶配方的研发周期，更为解决微纳制造中的随机性挑战提供了全新的AI for Science解决方案。”
这不仅是一次技术突破，更是科研角色的重构。在已经成为一名成熟研究者的石震波的理想图景中，AI不应只是“听话的助手”，而应成为具备独立科学思维的“同行者”：能进行反事实推理，挑战人类假设；能驱动机器人执行实验，形成“感知—认知—决策—执行”闭环。正如他所言：“未来的实验室，将是智能工厂式的必然产出，而非手工作坊式的灵感偶得。”
为狂奔的智能装上“数字免疫系统”
如果说AI for Science是拓展认知疆域的利矛，那么人工智能安全便是守护文明底线的坚盾。也是从博士阶段起，石震波的研究始终贯穿着一种“红队思维”——先学会如何巧妙地挖掘系统的漏洞，才能真正懂得如何坚固地保护它。他的警觉源于一场顿悟。彼时，深度学习模型在标准测试集上表现完美，却在极微小对抗扰动下瞬间崩溃。“这些玻璃巨人，外表光鲜，内里脆弱。”他意识到，AI发展的核心矛盾正从“性能不足”转向“鲁棒性缺失”。若要将AI应用于自动驾驶、电网调度等高风险场景，必须回答最坏情况下的行为边界。
这一思考催生了石震波对大模型效能边界的系统性探索。当前主流伸缩法则（Scaling Laws）过度关注参数量与数据量的平衡，却忽视了模型深度与宽度的微观架构对推理时延的决定性影响。在主持的相关中国计算机学会产学研项目中，他带领团队在总参数量固定的前提下，构建多组深宽比不同的架构变体，定量评估其在性能与时延间的权衡。目标很明确，即找出特定参数量级下“性能-时延”最优的配置范围，为工业界提供可落地的经济型大模型设计准则。这项研究直指大模型从实验室走向生产应用的关键瓶颈——推理成本与实时性。
而在更复杂的多模态场景中，安全挑战更为严峻。如自动驾驶汽车须同时处理视觉、雷达、语言指令，任一模态被篡改都可能导致严重后果。于是，依托中国科大青年创新基金资助，石震波团队提出动态模态风险评估机制，构建跨模态一致性检测模型，并通过模态冗余优化，在边缘设备实现高精度低延迟的安全防护。同时，他们设计细粒度权限管理与可解释审查机制，确保AI决策可溯源、可验证。在他看来，“不可验证，即不可部署”应成为行业铁律——未来的AI系统发布标准，将不再仅仅看它的准确率有多高，更要看它的安全边界有多清晰。
回望石震波的科研之路，从少年时对数学“描述宇宙元语言”的痴迷，到研究生阶段因梦想受挫而点燃的求知欲，再到如今在AI与科学、安全与创新的交叉地带深耕不辍，其轨迹始终贯穿着一种沉静的力量。他选择扎根合肥——这座“容得下一张平静书桌”的科教之城，在中国科学技术大学这片“硬核科技与极致理信”的精神沃土上，与物理、化学、材料等顶尖学科比邻而居，让AI真正扎根于科学土壤。他常说：“做AI for Science，AI绝不能拿着锤子找钉子。”这份谦卑，使他要求团队成员“必须懂行”，努力成为“半个化学家、半个物理学家”；这份清醒，让他在技术狂热中始终追问：“这符合物理常识吗？你验证过吗？”正是这种对科学真理的敬畏，支撑他在“矛”与“盾”之间走出一条属于中国青年科学家的独特路径。
今日之中国，正处在实现高水平科技自立自强的关键时期。AI for Science关乎原始创新策源能力，人工智能安全则关系技术主权与社会信任。石震波们所做的，不仅是发表论文、申请专利，更是参与定义未来智能时代的底层规则。他们以代码为笔，以方程为墨，在数字与物理世界的交汇处，书写着属于这个时代的科学答卷——既拓展认知的星辰大海，亦守护扎实的人间烟火。