AI做科研，走過概念期

# AI做科研，走過概念期

讓AI在數據條件不佳的科研領域同樣發揮價值，幫助科學家從重複勞動中解放，專注更具原創性的思考——這正在成為現實。2024年諾貝爾化學獎頒給AlphaFold開發團隊，標誌著人工智慧在結構生物學這一數據基礎雄厚、標準統一的領域已達到諾獎級水準。然而，大量科研領域缺乏這樣優質的數據條件，AI能否在此類場景中真正落地，成為科學界與產業界共同關注的焦點。2025年8月，國務院發布《深入實施“人工智能+”行動的意見》，明確提出加快探索AI驅動的新型科研範式。

一年後，2026年世界人工智慧大會期間，智源研究院、中國科學院、深圳河套學院、清華大學四家機構在“AI for Science: Beyond the Concept”圓桌論壇上集中展示了階段性成果。它們的切入點各不相同，但指向同一個目標：利用AI取代科研人員在讀取數據、操作儀器、管理流程等事務上的重複勞動，讓科學家把精力留給提出假設和設計實驗。長期以來，新材料篩選依靠反覆試錯，動輒耗時數月。中科院上海硅酸鹽研究所今年7月卻在短短30分鐘內從兩千萬種候選配方中鎖定一種新型合金催化劑，其活性比市售催化劑高出38%。支援這一效率突破的是中科院多所聯合研發的磐石·科學基礎大模型2.

0（ScienceOne Omni）。該模型可將分子結構、光譜波形、蛋白質序列等格式迥異的數據統一編碼，再以1.7億篇科技文獻和中科院語料庫進行對齊訓練，最終輸出針對具體任務的結果。中科院自動化所研究員徐楠表示，磐石的目標是“讓模型像科學家一樣思考”。磐石的跨學科能力已延伸至力學與天文領域：與力學所合作將高鐵氣動倣真從數小時縮至秒級，關鍵參數誤差降低42%；與國家天文臺構建的恆星參數反演工具使稀有天體識別準確率提升約50%。在文獻調研這一高頻場景中，原本耗時數日甚至數週的系統性梳理被壓縮到20分鐘左右。

目前磐石已在50餘家中科院內研究所和30餘家院外機構落地，算力體系基於華為智算實驗室方案，適配昇騰等芯片。如果說磐石面對的學科尚有文獻可依，神經科學的數據困境則嚴峻得多。腦電、鈣成像、神經探針等信號來自不同設備、物種和實驗範式，連統一標註標準都未建立。智源研究院與清華大學聯合團隊今年6月在《科學》上發表論文，首次證實記憶可反向調控睡眠，為睡眠障礙干預提供了新思路。支撐該研究的正是智源自研的多模態神經科學大模型悟界·Brainμ。

研究員雷博解釋，每種檢測設備只能捕捉大腦這一高維存在的一個低維投影，Brainμ借助語言與視覺多模態模型已有的表徵空間，將各模態的稀疏數據對齊進來，學到更完整的大腦表徵。這種設計使跨模態轉換成為可能：輸入成本低廉的腦電數據，即可輸出原本需要昂貴設備的功能性磁共振成像（fMRI）圖像，為基層醫療機構賦能。在與北京生命科學研究所的合作中，悟界·Brainμ完成了超過5000晚小鼠睡眠數據的自動化標註與分析，持續12個月的結果經雙向驗證，與專業博士的人工判斷保持高度一致。

雷博以語言模型發展階段類比：當前科學智能的模型能力約在GPT-1階段，但應用已先行啟動，“需求走在能力前面，應用驗證反過來推動模型迭代”。材料科學中，儀器操作同樣耗費大量人力。深圳河套學院聯合蘇州國家實驗室推出的靈鑑（AuraID）多智能體無人表徵平臺，採取了獨特路徑：不要求儀器廠商開放接口，而是讓智能體模仿人類專家操作設備界面、觀察圖像、調整參數。在掃描電子顯微鏡測試中，靈鑑可自動優化加速電壓與放大倍率，使圖像從模糊噪點逐步清晰，並完成分析。

目前該平臺已覆蓋6類精密儀器、10餘種表徵模態，micro-CT對準任務中的AI獨立完成率從33%提升至80%，晶體結構解析工作量減少逾50%，微觀形貌分析耗時從9分鐘縮至7.5分鐘。清華大學生命科學學院教授俞立在論壇中介紹了“黑燈實驗室”理念。該概念源於製造業的黑燈工廠，俞立將其引入科研：大模型直接集成進儀器，採集數據的同時完成分析，結果反哺模型，形成無需人工干預的閉環。其團隊兩年前開始引入大模型輔助實驗設計，去年又部署智能體管理全鏈條。在團隊擴充20人的情況下，實驗成本反而降低25%。俞立已在杭州等地建設配套機構，配備冷凍電鏡、大規模算力和存儲設施，集聚化學、生物、醫學和工程人才。

他預測，隨著AI深度介入，新藥研發成本與週期可能從“10年10億美元”壓縮到“3個月300萬美元”。無論是磐石的跨學科建模、悟界·Brainμ的腦信號分析、靈鑑的儀器操作還是黑燈實驗室的全流程自動化，都離不開算力支撐。對國內科研機構而言，算力自主的戰略意義更為突出。華為科研軍團推出的智算實驗室和智慧科研兩套解決方案，分別專注算力調度與科研全流程打通，已服務全國20餘個重點實驗室。在嘉庚創新實驗室，雙方共建的物質科學智能算力平臺將材料模擬與分子篩選效率提升20%。從算力供給到軟體生態，自研技術體系正為科學智能的規模化落地提供根基。

AlphaFold證明了AI在數據最好的領域能獲取諾獎級成就；而這四家機構的探索或許沒有那樣耀眼，卻更具廣泛意義——它們試圖讓AI在數據條件遠不完美的領域同樣助科學家一臂之力。當重複勞動被工具取代，那些只有人類才能想清楚、推導出的問題，將獲得更多時間與關注。這正是科學智能從概念走向實踐的真正價值。