AI for Science:从“科研工具”到“科研伙伴”

什么是AI for Science？

根据《科学智能白皮书2025》的定义，AI for Science是将人工智能技术应用于科学研究的新型范式，核心要素包括数据、模型、算法、算力以及科学问题选择、跨学科协作等。它被广泛视为继经验科学、理论科学、计算科学、数据密集型科学之后的 “第五科研范式” 。

如果说传统科研是“试错法”——提出假设、设计实验、验证假设、总结规律——那么AI4S的本质，是用AI模型替代大量低效的试错过程，从“经验试错”走向“理性设计”。

AI4S的发展大致可以分为三个阶段：概念导入期（2016-2021年）以AlphaFold2为标志，实现了单点突破；大规模基础设施建设期（2021-2026年）构建了“数据-算法-算力”三位一体的架构；而进入2026年，成熟应用期正式开启，AI4S开始全面渗透科研与工业研发全流程。

2026年，AI4S正在发生什么？

如果说过去几年AI在科研中的角色是“辅助工具”，那么2026年的标志性事件表明，AI在科研中的角色正在从“辅助工具”分化为两个方向：一是自主发现，二是全链路自研并独立产业化。

① 物理：AI独立完成九圈计算，刷新人类纪录

美国Anthropic公司的大模型Claude在基本无人监督的情况下连续运行数天，完成了平面N=4超杨-米尔斯理论中六粒子散射振幅的九圈计算，刷新了人类保持的八圈纪录。此前，物理学家迪克森团队从2011年的三圈推进到2023年的八圈，用了十二年时间；而Claude仅用数天、花费不过几千美元就完成了超越。

当然，需要清醒地认识到：AI是在人类已经提出的物理框架下独立完成了前沿解析理论计算，它是强大的伙伴，但还不是新问题的提出者。

② 生物：AI智能体自主发现未知酶系统

同样来自Anthropic的成果：约950个Claude智能体并行工作21小时，在人类研究者仅给出高层检索方向的情况下，从近20万个逆转录酶中自主发现了一种此前未完整表征、存在于噬菌体中的酶系统，命名为阵列相关逆转录酶（ART）。CRISPR领域先驱张锋审阅后认为，这是AI智能体为生物学发现作出贡献的一个令人振奋的例子。

③ 物理定律：AI自主“发现”牛顿第二定律

北京大学马滟青课题组开发的“AI-牛顿”系统，基于涉及小球、弹簧等物体的46个物理实验，从带噪声模拟数据中自主“发现”了力、质量和加速度之间构成的牛顿第二定律（F=ma）。这项成果被《自然》新闻栏目长篇专题报道，其创新之处在于模仿人类科学家的认知过程，通过迭代式学习逐步构建概念和规律的知识库。

④ 制药：字节把AI制药团队拆成了一家公司

2026年9月，字节跳动分拆的AI制药公司新生探途（Anew Labs）宣布完成首轮天使轮融资2.9亿美元，投后估值达15亿美元，字节保留56%股份。该公司前身为字节内部2021年组建的药物发现团队，由刘凯牵头，核心成员约50人。2026年6月正式拆分独立运营，团队、算法平台和在研管线整体注入新主体。

与英矽智能“AI设计药物进入III期”的路径不同，字节走的是全链路自研。团队此前已推出分子结构预测模型Protenix，2026年4月迭代至Protenix-v2，是首个在相同训练数据截止日期、相同模型规模与相同推理预算条件下，全面超越AlphaFold3的完全开源模型。核心管线为全球首个可同时靶向IL-17家族全部三种二聚体类型的小分子抑制剂，目前处于临床前阶段。

这条新闻的产业信号不在于某个药跑得多快，而在于一个互联网大厂把AI4S从内部实验室拆成了一家估值15亿美元的公司。行业逻辑很清楚：AI制药遵循双十定律，验证以年为单位，和互联网的周节奏装在一个组织里，激励会错位。谷歌对DeepMind药物团队做过一模一样的选择——2021年拆出了Isomorphic Labs。中美两家巨头，在组织问题上做了同样的判断。

中国的AI4S基础设施布局

在AI4S的全球竞争中，中国正在加速构建自主的科研基础设施。

中国科学院发布的“磐石·壹科学”智能化科研平台，具备三大核心能力：融合科研数据、模型与工具的一体化基座；打通国家大科学装置与自主实验室的全流程协同；构建覆盖五大学科领域的可信评测与溯源机制。其前身磐石·科学基础大模型2.0已展现出实际效果：在催化剂研发中，从两千万种候选配方中锁定新型合金催化剂，一次干实验筛选过程只需30分钟；在力学工程领域，将高铁气动问题的仿真分析时间从数小时压缩到秒级响应。

在算力层面，国内最大AI4S计算集群已投入使用，配备6万张国产卡，全栈自研，并适配国内首个科学大模型一站式开发平台OneScience，集成了数十个AI4S热点模型和数据集。

在产业端，上海已跑出天鹜科技、深势科技、赛兰德等一批AI4S企业。安科生物与深势科技签署战略合作，围绕ADC药物毒素载荷的分子设计与优化展开深度合作，探索“计算设计—实验验证—数据回流”的闭环研发新范式。

冷静看待：AI4S的边界与挑战

在一片乐观声中，也有一些值得警惕的信号。

上海人工智能实验室的一项系统性评估显示，来自10个不同科学领域的100位科学家为前沿模型构建了评测题目，结果显示：前沿模型在通用科学推理任务中得分可达50分（满分100），但在各类专业推理任务中得分骤降至15-30分。上海AI Lab主任周伯文指出，需要推动科学智能从1.0向2.0迭代，即从AI4S迈向AGI4S，实现“通专融合”。

此外，AI4S面临验证不完备和目标漂移两大障碍。科学问题具有“半可判定性”——有些问题可以验证，有些则不能。AI可以高效地探索已知框架内的解空间，但提出全新的科学假设、判断哪个问题值得研究，仍然高度依赖人类的科学直觉和判断力。

中国科学院“极限突破计划”的目标，正是要突破三座“孤岛”——知识孤岛、组织孤岛、资源孤岛，让AI与大科学装置深度绑定，把科研人员从高度标准化的重复劳动中解放出来，去挑战真正的科学边界。

从AlphaFold预测蛋白质结构，到Claude刷新物理计算纪录，再到字节把AI制药团队拆成一家公司，AI for Science正在以肉眼可见的速度改变科学研究的底层逻辑。但AI不是魔法。它擅长在海量数据中找到模式、在已知框架内高效搜索，但科学突破的本质——提出正确的问题、挑战既有的假设、在混沌中找到方向——依然需要人类的智慧。正如Chalmers大学研究团队所言：“人类科学家在定义研究优先级、解读更广泛的科学意义以及确保伦理监督方面仍然至关重要。”