科技日报记者 崔爽
AI能为科学研究做什么？迄今最先进的智能手段叠加智力密度最高的人类活动，AI4S（AI for Science，人工智能驱动的科学研究）留足想象空间。
但同时，科学问题日益复杂、数据量指数级增长，实验周期长、跨学科协同难等制约着科学发现的效率。AI4S正在改变什么？在帮助人类探索未知的过程中，它将行至何方？
2026年世界人工智能大会期间，“AI for Science: Beyond the Concept”媒体圆桌在上海举行。从样品制备到数据分析，从文献调研到实验验证，科研发现的周期正在被AI大幅缩短。
AI4S正沿三条路径演进
“AI4S 面向‘数理化天地生’甚至‘人文社科’等众多学科，每个学科都有需要攻关的问题，这正是它的难点所在。”中国科学院自动化研究所研究员徐楠直言。
在他看来，目前AI在科研领域发挥的价值主要体现在几个方面：一是文献与调研，帮助研究者快速获取论文、专利等最新资讯；二是科学实验与仿真，把模型沉淀进科研pipeline（指模型实现的步骤），用较少的算力快速完成蛋白质结构预测、性质预测等任务，从而加速下一轮实验设计；三是科研管理与决策，辅助判断一个问题是否具有创新性、是否值得研究、全球哪些研究力量在做。
而从技术路线看，他介绍，AI4S正沿三条路径演进：路径一，场景专用模型。以AlphaFold、ESM为代表，围绕特定研究任务，构建高性能领域专用模型；路径二，通用模型增强。以GPT-Rosalind、Claude Science为代表，通过智能体与科研工具增强通用大模型的科学能力；路径三，领域语言模型。以NatureLM、LOGOS为代表，将蛋白质、DNA等科学对象映射到统一语言表示空间，完成各类科研任务。
“这些路径各有优势，已有效赋能多个科研场景应用，但都面临同一个挑战：如何把科学知识与数据结合起来，实现严谨、可解释的推理。”徐楠说。
中国科学院磐石·科学基础大模型给出的方向是“通专一体”，徐楠介绍，该模型覆盖数学、物理、材料、天文等8大学科，采用“科学数据统一编码—自然世界知识对齐—领域任务定向解码”三层架构，依托全球1.7亿篇科技文献，集成8000余个专业科研工具和技能库，尝试用一个模型完成跨学科的数据理解、科学推理与内容生成，推动模型“像科学家一样思考”。
日前，磐石2.0正式发布，将文献调研从“数周”压缩至“20分钟”，报告制作效率提升5至10倍，这一AI4S模型已在中国科学院落地上百个科研场景。
相关实践都在推进。智源研究院发布的全球首个多模态神经科学大模型“悟界·Brainμ”，将脑电波、钙成像、神经探针等异构信号统一编码，其支撑的研究于2026年6月发表于《科学》期刊，首次证实记忆可反向调控睡眠；深圳河套学院的Owl·灵鉴（AuraID）多智能体系统实现精密仪器全流程自动化，在晶体结构解析中工作量减少约50%。
“更根本的是，AI本质上仍是一件‘工具’。”徐楠说，今天，普通人也可以使用全球最前沿的AI工具，但真正决定科研突破的，依然是提出关键问题、判断研究方向和持续迭代验证的能力。AI真正的价值，在于将顶尖科学家的认知与经验“无限放大”，帮助他们在与模型的高频交互中快速验证假设、修正方向。问题越复杂、越前沿，这种放大效应就越明显。
终极目标是“发现”
热望之下，瓶颈依旧清晰。徐楠给出的排序是：数据第一，模型架构第二，算力第三。
“数据是最大、也是最有价值的挑战。”徐楠说，科学模态数据不同于互联网上的论文、新闻，蛋白质三维结构、晶体结构等高价值科学数据往往需要长期实验测量和验证才能获得，同时分散在不同数据库和科研团队中；地震波、洋流、气温、大气影像等观测数据，也需要经过地球科学、海洋科学、气象等领域专家进行质量控制、校准、标注和科学加工，才能成为真正适用于人工智能训练的高价值科学数据。
“不是把互联网的论文、专利下载下来就能训科学基础模型。”他强调。
同时，模型架构尚无统一范式。徐楠坦言，类似GPT在通用AI领域所确立的主流技术路线，在AI4S领域尚未形成，业界正处在密集探索期，各类新架构不断涌现，有望较快出现具有行业引领作用的科学基础模型。
相较之下，算力制约相对靠后，“现有模型大多基于Transformer，其主流算子已经形成成熟的GPU软件生态。但一旦架构变化、出现新算子，算力生态的适配可能重新成为约束。”他判断，未来可能催生面向科学计算特点优化的新型算力和芯片需求。
比技术挑战更核心的是科学发现。在AI4S领域，所有人真正想抵达、也最具挑战的一环，是“发现”。“AI降低的是工具的使用门槛，而不是科学发现的门槛。对已有知识的学习和归纳，可以依靠大规模科学语料与数据完成；而发现一种新材料、新分子，甚至发现此前未知的科学规律，才是AI4S的终极目标，也是最高难度。”徐楠说。
他介绍了自身实践：团队采用“小分队”模式，由算法人员与一线科研专家组队，聚焦具体学科整理科学数据、把专家经验转化为可推理的数据与科研智能体流程，再逐步汇入磐石生态。目前，模型覆盖8个学科、200多个科研任务，计划明年扩展到约800个任务，目标就是“统一在一个模型里”。
应用落地也已成型。以催化剂设计为例，面对复杂又耗时的研发流程，团队联合上海硅酸盐所联合开发催化剂发现智能体，把从目标理解、流程规划到材料设计、实验验证的工作流自动化，设计周期从几个月缩短到30分钟，并成功发现一种活性提高38%的新型催化剂。
可以预见，当假设生成、实验验证、数据分析、仪器操作都被AI加速，科学发现的边界正被重新定义。而AI4S能走多远，最终仍取决于高质量科学数据的积累、模型能力的突破，以及科学家如何在这场“被放大”的科学发现之旅中，保持科学洞察与创造性的思考。
网友评论
