中国AI4S重塑创新版图，科研发现周期有望从年缩短到天

从“辅助计算”到“参与发现”，AI for Science（AI4S）正在经历一场角色跃迁——这不再是实验室里的概念空谈，而是真实发生在科研一线的变革。

今年世界人工智能大会（WAIC）上，这个趋势尤为扎眼：科学家们讨论的焦点，早已不是“AI能不能加速计算”，而是“AI如何重塑科学发现本身的流程”。在WAIC期间的一场媒体圆桌上，北京智源人工智能研究院、中国科学院、深圳河套学院以及清华大学的团队，集中展示了AI在神经科学、跨学科科研平台、实验仪器智能化及生命科学领域的最新成果。从样品制备到数据分析，从文献调研到实验验证，科研发现的周期正从“年”向“天”演进——这听起来有点夸张，但数据不会说谎。

当然，AI4S仍然处于早期阶段。比起通用大模型，科学领域的数据标准、实验流程和知识体系要复杂得多。如何让AI真正理解科学规律，并形成可持续迭代的科研体系，才是下一阶段的核心挑战。

AI开始进入真实科研场景

AI4S正在从概念走向真实应用。中国科学院自动化研究所研究员徐楠在论坛中提到，现在AI已经渗透到科研的多个环节——文献调研、研究假设、科学实验、仿真模拟、报告撰写和效果评估，一个都不少。在中国科学院内部，围绕ScienceOne平台，AI已经落地了上百个科研场景。更直观的是，在模型帮助下，文献调研从“数周”压缩到了“20分钟”，报告制作效率提升了5到10倍。这不是未来，而是现在。

在生命科学领域，清华大学生命科学学院教授俞立也观察到了类似的变化。他说，团队近两年开始把大模型引入实验流程，让学生在做实验之前先用AI讨论方案，然后又引入Agent来管理实验流程，推动自动化实验室建设。他提出的“暗实验室”方向很有意思——通过把大模型、自动化设备和科研数据结合起来，可以减少大量重复性的实验操作，让科研人员把精力更多放在实验设计和科学判断上。

实验流程之外，科研仪器智能化是另一个正在突破的方向。深圳河套学院副院长欧阳万&里指出，科学表征需要大量专业知识和不同仪器协同，但很多设备仍然依赖人工操作，不同仪器之间的数据和软件体系相互割裂。团队的目标是通过AI实现仪器无人化和智能化，让设备能够协同工作。这个方向的代表成果是Owl·灵鉴（AuraID）多智能体系统——它通过智能体模拟科研人员操作设备界面，不依赖仪器开放接口，就能实现从样品操作到数据解析的自动化。目前，这套系统已经覆盖了6类精密仪器和10余种表征模态，在部分任务中，AI独立完成率从33%提升到了80%。

在专家看来，AI的目标不是替代科学家，而是承担那些重复、繁琐且标准化程度较高的工作，让科学家能够专注于真正需要创造力和判断力的研究。

最大的挑战仍然是数据

AI进入科研现场，并不意味着科学问题已经被解决。事实上，AI4S面临的最大挑战之一，仍然是数据。

北京智源人工智能研究院研究员雷博表示，神经科学与结构生物学最大的区别在于数据基础设施的成熟度。蛋白质研究已经拥有比较统一的数据标准，而神经科学涉及脑电、钙成像、神经探针等多种数据来源，不同实验之间缺少统一的表达方式。为了解决这个问题，智源研究院推出了多模态神经科学大模型Brainμ，把脑电波、钙成像、神经探针等异构信号统一编码，让原本互不相通的神经信号能在同一框架下实现对齐与理解。这个模型训练覆盖了超过7万晚睡眠记录，已经持续支撑合作实验室超过12个月的自动化分析。

“神经科学的数据标准化程度不足，AI4S在该领域的能力尚处早期，但科学家的使用反馈已经非常积极。”雷博在论坛中表示，这样的发展比原来大模型的发展更健康、更有未来，因为需求走在能力前面，应用验证反过来推动模型迭代。

除了数据基础设施，如何让模型具备科学推理能力，也是AI4S面临的另一项挑战。徐楠指出，目前AI4S主要有三条技术路线：面向单一任务的专用模型、基于通用大模型结合智能体的科研应用，以及科学基础模型。不同路线各有优势，但共同面临的问题是：如何让模型真正理解科学知识，并按照科学逻辑完成推理，而不仅仅是完成信息检索或内容生成。在她看来，科学基础模型的核心并不是简单扩大参数规模，而是让模型学习科学家的思考方式。在ScienceOne Omni中，团队把科研人员在材料分析、蛋白质研究、光谱解析中的推理过程融入模型训练，希望提升模型输出结果的科学可靠性。

不过，多位专家也强调，目前AI4S距离真正意义上的“自主发现”仍有距离。科学数据的积累、实验反馈速度、科研工具智能化程度，以及跨学科协作能力，都需要进一步完善。AI需要的不只是更大的模型，也需要更适合科学研究的数据体系和应用环境。

推动AI4S，目标不是替代科学家

从辅助计算到主动发现，中国AI4S的战略价值已经超越了具体的技术应用，正在逐步演变为国家科研基础设施的核心组成部分。专家们普遍认为，AI不仅将帮助科学家处理已有问题，更可能在未来帮助他们发现那些凭借人类经验难以察觉的未知规律。

“AI正从辅助工具演变为科研基础设施的关键组成部分，目标并非取代科学家，而是将科学家从重复劳动中解放出来，使其专注于科学洞察与创造性思考。”俞立说。

然而，当AI在文献调研、实验设计、仪器操作等环节逐一验证价值后，如何把这些分散的“点”串联成协同的“网”，也是产业界面临的挑战。而挑战背后，数据标准不一、多模态融合困难等问题，最终来源于算力架构与科研需求的错位。正因如此，下一代计算产业的部署能否形成闭环尤为关键，实验室和产业链都在行动。今年WAIC上，上海人工智能实验室联合思朗、昇腾、曙光等产业链，发布了面向科学智能的超智融合算力架构，相关平台已在药物研发、材料设计等领域完成规模化验证，效率提升显著。此外，思朗携手上海仪电、上海科技大学、数据港共建的“超智融合一体化平台”，正在实现从芯片到调度的全面自主可控，在新药早期研发、先进光刻仿真及高精度电解液数据集等领域完成规模化验证，部分效率提升达数倍。

这些探索表明，AI4S的竞争已从单一模型性能延伸至算力基础设施、数据生态与科研平台的全链条协同能力。这或许也是今年WAIC释放出的一个重要信号：中国正在从模型研发、科研平台建设到产业应用探索，逐步建立AI驱动科学研究的完整链条。