大模型（large models）的出现开始重塑人工智能（AI）在科学研究中的应用方式。与以往面向单一任务、高度依赖特定领域建模的AI for Science方法相比，大模型通过其强大的统一表征和跨任务迁移能力，使AI系统可以参与更广泛的科研环节。从知识获取到问题探索，其作用边界正在不断扩展。这一趋势不仅带来了效率上的提升，也引发了人们对科学研究方法本身的重新思考。在具体科学场景中，大模型的优势并不局限于提高预测性能，更多体现在它对复杂信息的整合能力和对研究流程的支持作用。不过，科学研究本身对可靠性、可解释性和验证机制有高度要求，这使得大模型的应用不可避免地面临新的挑战。模型输出与科学理解之间的关系、数据分布对研究方向的潜在影响，以及人机协作方式的合理边界，均成为需要认真对待的问题。本文围绕大模型时代的AI for Science，结合近年来的研究进展与典型应用实例，对AI在科学研究中的角色变化进行了梳理与分析，并进一步从方法论层面讨论其潜在机遇与局限。通过对未来发展趋势的审慎展望，本文旨在为构建更加可信、稳健的AI科学研究支持体系提供参考。