Nat. Methods｜开放与可持续人工智能：生命科学中的挑战、机遇与未来路径

人工智能（AI）在生命科学领域取得了革命性突破，使得生物信息的解析能力达到了前所未有的水平。为了最大化不断增长的投资回报并加速科研进展，亟需解决伴随AI快速应用而产生的一系列长期问题。

针对这一问题，希腊研究与技术中心及帕多瓦大学等多个研究机构的研究人员于2026年3月20日在《Nature Methods》发表文章，题为“Open and sustainable AI: challenges, opportunities and the road ahead in the life sciences”。

人工智能在生命科学领域的迅猛发展，显著提升了人类解析复杂生物系统的能力。从蛋白质结构预测到多组学数据分析，AI正在不断拓展科学研究的边界。然而，在这一进程中，研究模式本身也暴露出一系列深层问题。大量AI模型虽然在论文中取得优异表现，却缺乏足够的透明性与可复用性，使其难以在后续研究中被有效利用。这种现象逐渐演变为一种结构性困境，即研究成果可以被发表，却难以被验证、复现和扩展，进而削弱科学积累的连续性与可靠性 。

随着数据规模的扩大与计算能力的提升，AI模型开发进入高速增长阶段，但相关研究实践并未同步成熟。模型描述往往停留在文本层面，缺乏对数据来源、训练流程和参数设置的完整披露，导致他人难以理解模型的真实行为。与此同时，数据与代码的共享形式也存在不规范现象，例如缺乏明确许可、元数据不完整或存储位置分散，使得研究资源难以被检索和再利用。当研究成果难以复用时，重复训练与重新开发成为常态，进一步放大了资源消耗与时间成本。在这种背景下，如何在推动技术创新的同时建立更加规范、可持续的研究体系，成为亟需解决的问题。

在可复用性方面，AI模型的共享与利用面临多重障碍。研究成果通常缺乏标准化描述，数据来源与处理流程不透明，使得潜在用户难以评估模型的适用性。数据、代码与模型往往分散在不同平台，缺乏统一规范，导致资源难以被检索与整合。许可问题、元数据缺失以及平台选择的不一致性，也进一步降低了模型的可获取性与可利用性。这种碎片化生态使研究者在面对已有成果时往往选择重新开发，从而削弱知识积累的连续性。

可重复性问题同样贯穿AI研究全过程。模型复现不仅依赖代码，还涉及运行环境、依赖库以及硬件配置等复杂因素。当这些信息未被完整披露时，即使相关资源公开，也难以实现有效复现。不同计算平台之间的差异使问题更加复杂，从个人设备到高性能计算集群，资源条件差异显著，复现成本随之增加。缺乏容器化技术与标准化工作流的广泛应用，使得复杂模型的再现过程往往耗时且不稳定，从而影响科研结果的验证与信任基础。

环境可持续性问题则是上述挑战的延伸结果。深度学习模型尤其是大规模模型的训练需要消耗大量能源，当已有模型无法复用时，重复训练带来的能耗不断累积，形成显著的碳排放压力。这种以计算资源为代价的研究模式在生命科学领域逐渐普遍，但相关影响往往缺乏系统性评估与报告。研究过程中很少对能源使用情况进行量化分析，也缺乏统一标准来衡量不同模型的环境成本，从而使整体影响被低估。

图1展示了开放与可持续人工智能面临的核心障碍，包括可复用性、可重复性与可持续性三个相互关联的维度，以及诸如模型不可移植、信息披露不足和环境影响未报告等关键问题，这些因素共同限制AI研究的长期价值。

表1总结了常见的环境影响衡量方法，包括CO₂当量、能耗、浮点运算次数以及运行时间等指标，并对其测量方式与局限性进行了对比说明，为后续环境评估提供参考框架。

表1 AI模型计算与环境影响评估指标

为应对这些系统性挑战，开放与可持续人工智能（OSAI）框架被提出，旨在通过一系列具体实践推动研究范式转变。该框架围绕三个核心维度展开：提升模型与数据的可复用性、增强研究过程的可重复性以及降低AI系统的环境影响。

在可复用性方面，标准化元数据的使用能够提高资源的可发现性与互操作性，专门的模型注册平台则有助于集中管理与共享研究成果，而针对研究人员的培训与指导可以进一步提升实践水平。在可重复性方面，完整的信息披露与清晰的文档记录构成基础，通过容器化技术和环境管理工具，可以实现模型在不同系统之间的稳定运行，而标准化的数据集与评估流程则有助于确保结果的可比较性。在可持续性方面，采用绿色AI方法能够减少计算资源消耗，通过优化硬件选择与使用方式可以降低能源成本，同时对环境影响进行测量与报告，有助于建立透明的资源使用机制。

这些实践建议并非孤立存在，而是通过与广泛的AI生态组件相结合形成整体体系。生态组件涵盖元数据标准、工具平台、数据仓库和评测框架等多种资源，通过将这些组件与具体实践相结合，可以形成清晰的实施路径，使研究人员能够在实际工作中逐步落实相关原则。该体系具有一定灵活性，不同研究场景可以根据需求选择合适组件，从而实现从模型开发到发布的全过程规范化。

图2展示了OSAI各项建议与AI生态组件之间的对应关系，并通过示例路径说明如何将不同组件组合应用，实现从模型开发到环境影响评估的全过程管理。

图2 OSAI建议与生态系统组件映射及实施路径

随着AI技术形态的演进，智能体系统等新型应用不断涌现，为生命科学研究带来更高自动化能力的同时，也引入新的复杂性。这类系统依赖动态数据源与多组件交互，其行为可能随时间变化而发生改变，使得结果难以稳定复现。同时，长时间运行与多任务执行使其能源消耗显著增加，对环境可持续性提出更高要求。在这种背景下，对系统运行过程进行详细记录、提高透明度以及持续监测资源使用情况，成为确保研究可靠性的重要手段。

在更广泛的层面，推动开放与可持续AI的发展还需要制度与政策的支持。当前的AI治理框架虽在伦理与法律方面不断完善，但在具体实施路径上仍存在不足，与开放科学实践之间缺乏紧密衔接。科研评价体系正在逐步转型，开始重视数据与模型等非传统成果，但整体激励机制仍有待加强。与此同时，产业界在开放共享方面面临商业利益约束，与学术界之间存在目标差异，这种不一致性在一定程度上限制了开放生态的形成。