2007年，图灵奖得主吉姆·格雷（Jim Gray）在美国加州的一次会议上发表了生前的最后一次演讲，提出了科学研究的四类范式，基本上获得了科学界的认同。

第一范式：实验（经验）科学，

其关键词是“观察”。

十六世纪，被誉为“欧洲大学之母”的博洛尼亚大学开创了被称为“自然魔法”的教学，一般认为是真正意义上的实验科学的肇始。

而以此为基点往前推数千年人类历史，如果认定存在科学技术的因素，那么都可以归类为经验科学。

两者都是基于实验或经验的观察来描述自然现象。从最原始的钻木取火到哈维的血液循环学说、伽利略的动力学、达尔文的进化论等，都是实验科学的典范。

第二范式：理论科学，其关键词是“归纳”。

第一范式受到实验条件的限制，难以完成对自然现象更精确的理解，于是就诞生了第二范式。

科学家在自然现象基础上进行了抽象，尽量简化实验模型，去掉一些复杂的干扰因素，只留下关键因素，然后通过建构数学模型进行归纳总结为科学理论。

牛顿三大定律为基础的经典力学体系、麦克斯韦理论成功解释电磁学都是其中的典范。

然而好景不长，19世纪末，看起来无比辉煌、无比坚固的经典物理学大厦在开尔文爵士“两朵乌云”（黑体辐射和以太理论）近乎诅咒的阴影下千疮百孔，继而轰然倒塌。

从范式转移的角度来看，既之而起的相对论和量子理论初期成果成了第二范式的“绝唱”，而相对论也成为纯“人脑”科研成果后无来者的巅峰之作。

第三范式：计算科学，其关键词是计算。

随着验证理论的难度逐渐增加和经济投入越来越大，科学家靠一个人单打独斗获得巨大科研成就的可能性基本断绝。

1946年，现代意义上的电子计算机发明以来，通过计算机对科学实验进行模拟仿真逐渐普及，从而衍生出了“人脑+电脑”的第三范式。

比如模拟核试验、天气预报、地质演变等都是其中的典范。时至今日，离开计算机程序、数据库，很多学科的科研已是寸步难行。

第四范式：数据科学，其关键词是发掘。

人类在微观和宏观两个维度上大踏步挺进的过程中逐渐发现，过于追求因果关系、套用逻辑框架的科研模式已经在小到双缝干涉实验、大到宇宙起源的问题上完全失效了，与其追求无法解答的“为什么”不如先发掘“是什么”。

随着科研数据的爆炸式增长以及大数据、人工智能的兴起，数据科学的新范式正在兴起。

从某种程度上说，这种范式与计算科学最大的区别是“人脑”和“电脑”谁占主导地位。

它将大量的数据进行深度神经网络训练，利用人工智能技术进行分析归纳整理，借助机器对于数据关联的敏感性从而得出更为精确的变量分析，甚至出现了“机器科学家”这种新型科研辅助工具。

算力、算法、数据等科技要素逐渐成为科研创新和突破的重要动力，“科技推动科技”的新时代正在到来。

重新追溯和延展范式革命的昨天、今天和明天，我们会蓦地发现，无论是业已成型的第三范式还是正处于转型过程中的第四范式，都对科研人员的信息技术以及科研信息化运用等信息素养提出了越来越高的要求。

难怪一位在海外执教的生命科学领域的教授在接受我们采访时说：

学科交叉日益频繁，但有一类学科交叉正在大规模地进行，那就是几乎一切自然科学正在与计算机、大数据、人工智能等学科的结合，这种趋势逼着科学家必须做出选择，要么自学（人工智能、数据库等相关编程），要么寻求帮助。

这个“帮助”对于希望科学家和科技创新轻装上阵的高校而言，依托于信息技术，支持、服务科研全流程的科研信息化无疑是最重要的抓手。

• 上一篇：智慧育种解决方案核心功能有哪些？
• 下一篇：咨询类场景业务获客渠道有哪些