夜雨聆风
过去400年来，现代科学始终沿着一条熟悉的路径前进：观察现象、提出假设、设计实验、验证或证伪。从培根到波普尔，这套方法论定义了人类认识世界的方式。
但近年来，它正在被重构。
人工智能已不再只是文本生成器或代码助手。它开始进入科学研究最核心的地带：求解复杂方程、预测蛋白质结构、搜索化学反应路径、筛选新材料，并在自动化实验平台上完成从假设生成到实验反馈的快速闭环。许多过去需要数月乃至数年的研究流程，如今正被压缩到数天、数小时，甚至在特定任务上缩短到秒级。
这场变化被称为AI for Science（AI4S）：人工智能不再只是科学家的工具，而正在成为科学探索的参与者。广义而言，AI4S是指将人工智能系统性嵌入科学研究全过程，用以提升计算、预测、建模和实验优化能力；在国内学界，中国科学院鄂维南、汤超院士等学者较早对这一方向做出系统论述，并推动其成为一种相对清晰的研究范式。
AI4S的真正意义，不在于让科研更快，而在于它开始把假设生成、计算推演、实验验证和结果反馈连接成一个可迭代的系统。科学研究第一次出现了“基础设施”级的智能化重构。如果说AlphaFold拉开了AI重塑科学发现的序幕，那么今天，随着多模态大模型和自主实验室的成熟，我们或许正站在一场“科学生产力跃迁”的门槛上。
AlphaFold和它改变的叙事
2024年诺贝尔化学奖授予戴维·贝克（David Baker）、Google DeepMind创始人德米斯·哈萨比斯（Demis Hassabis）和他的同事约翰·贾普尔（John Jumper），以表彰他们在蛋白质设计与蛋白质结构预测方面的贡献。同年，诺贝尔物理学奖颁给了深度学习先驱杰弗里·辛顿（Geoffrey Hinton）和约翰·霍普菲尔德（John Hopfield）。诺贝尔奖在同一年度两次颁给AI研究者，这在百年历史上从未有过。
AlphaFold的意义远不止解决了一个科学问题，它改变了整个科学界看待AI的方式。在AlphaFold之前，AI在科研中的角色更像是一个高级工具，帮你处理数据、加速计算、辅助分析。AlphaFold证明了另一种可能：AI在部分科学任务上已展现出超出传统流程的预测和搜索能力。目前，AlphaFold数据库已发布超过2亿个蛋白结构预测条目，极大拓展了结构生物学可用资源。
这个示范效应迅速传导到了所有相邻领域。AlphaFold之后，全球的生物学实验室几乎立刻开始围绕它的预测结果来设计实验。药物研发公司用它来筛选靶点。材料科学家开始追问：如果AI能预测蛋白质结构，它能不能也预测新材料的性质？化学家在想：如果AI能理解分子的折叠方式，它能不能帮我设计合成路线？一个具体领域的突破，打开了所有相邻领域的想象空间。
这是整个AI4S领域共同的感受：大门已经打开，证据已经给出，这条路是通的。从那以后，事情开始进一步加速。
这场AI与科学的碰撞
2025年以来，全球最有影响力的AI公司开始集体涌入这个方向。
这些公司的身份本身就说明了问题的分量。2025年10月，OpenAI成立了专门的科学团队“OpenAI for Science”。负责人凯文·威尔（Kevin Weil）曾在斯坦福大学攻读粒子物理学博士，他在接受《麻省理工科技评论》专访时说：“2026年对于科学的意义，就像2025年对于软件工程。2025年初，用AI写大部分代码的人还是少数；12个月后，不用AI写代码的人已经落后了。科学领域现在正在出现同样的苗头。”
他描述了一种正在成形的工作模式：一个模型提出科学想法，另一个模型充当批评者，筛选有价值的部分再反馈迭代。威尔认为，大模型已经足以胜任科学协作者的角色，帮科学家头脑风暴、建议新方向、在几十年前冷门期刊里找到跟当下问题相关的旧解法。
Anthropic的动作也值得注意。这家公司在编程领域已经实实在在地感受到了AI Agent的能力在快速拓展，现在把同等级别的注意力放到了科学研究上。这件事本身就是信号：最前沿的一线实验室已经看到了AI在科研中的巨大潜力。
哈萨比斯走得更远。在与《财富》杂志的年度对话中，他直接预言了“新文艺复兴”的到来：“未来10～15年，我们将进入一个新的发现黄金时代。个性化医疗将成为现实，AI将帮助解决新材料、核聚变、最优电池等一系列重大科学问题。”他形容在前沿AI研究中工作的感受是“每一年都像十年在过”。在AlphaFold之后，DeepMind又推出了AlphaEvolve，一个能解决真实工程优化问题的通用系统。
各国政府也在加注，中美欧都出台了国策级别的AI4S支持计划。中国发布《关于深入实施“人工智能+”行动的意见》，提出加快实施“人工智能+”科学技术行动，加快科学发现进程，率先建立基于AI的新型科研和研发范式；欧盟委员会2025年在“地平线欧洲”（Horizon Europe）计划中提出支持科研领域在AI和算力方面的投入；美国直接推出了“创世纪计划”（Genesis Mission），试图构建一套全国性的AI科学基础设施，这是美国继曼哈顿计划和阿波罗登月计划之后，又一国家最高级别的科学计划。
这些动作汇聚成一个判断：AI4S已经从实验室的前沿探索，变成了一个被全球顶尖的技术力量、最大的资本和最高级别的政策同时押注的方向。深势科技创始人兼CEO孙伟杰的预测更加直接：“到2030年，全球所有的研发型公司和团队、所有的高校、所有的科研工作，都会基于AI4S展开。”
与此同时，整个学术界也在试图理解和度量这场变化。2026年1月《自然》杂志发表了一项涵盖4100万篇论文的分析，覆盖了从自然科学到社会科学的广泛领域；同月《科学》杂志刊发了一篇题为How will we know if AI is smart enough to do science （《我们如何判断人工智能是否足够聪明来进行科学研究》）的深度报道，梳理了全球多个团队正在开发的AI科研能力评测基准。两大顶刊不约而同地指向了一个根本性的问题：AI到底在多大程度上能够参与科学研究？
但这些研究和评测体系本身，或许恰恰印证了一件事：这个领域的变化太快、太剧烈，甚至连“如何评价AI是否具备科研能力”本身，也正在成为一个新的研究问题。
但热潮之下，AI4S并没有跳过科学研究最难的部分。高质量科学数据依然稀缺，很多实验结果并不标准化，也难以直接用于训练；模型可以快速筛选候选分子和材料，却无法替代湿实验、工艺放大和长期验证；而在更深层次上，科学共同体最终接受的，不只是“结果是否有效”，还包括过程是否可复现、结论是否可解释。换句话说，AI正在加速科学，但还没有免除科学的基本约束。
中国的窗口期、优势与边界
在这场全球性的范式转移中，中国处于一个独特而有利的位置。
作为最早一批探索者之一，鄂维南院士几年前就曾指出，理论研究、实验研究和产业之间的沟通比较欠缺，比如在计算化学领域，做理论、做实验和做产品开发的人之间交叉度并不高。如今，情况正在发生改变：学科在加速交融，学界和产业也在被打通。鄂维南近期撰文指出，中国有机会在未来五年内率先实现“平台科研”的新范式，科学研究从“作坊模式”转变为“平台模式”，基于统一的计算基础设施、数据资源和AI工具展开大规模协作。
支撑这一判断的有几个结构性因素。首先是AI能力，以DeepSeek为代表的中国模型已经证明，中国在AI前沿的竞争力是实在的。其次是数据和场景的密度：中国拥有完整的工业体系，无论是材料研发、药物发现还是化学工程，都有极为丰富的真实场景和海量数据可供训练和验证。最后是工程化落地的传统。中国的AI4S创业公司普遍在做的不只是提高单点的效率，而是要形成一个闭环，让整个研发和产业落地的过程都在AI乃至Agent的逻辑之下进行演进。
孙伟杰认为，AGI如果真正实现，最重要的标志就是AI科学家的诞生，“这代表它能解决人类最复杂、最高难度的问题，也就是科学发现的问题”。一个旁证来自跨国药企态度的转变。哲源科技联合创始人赵宇提到，武田、阿斯利康、辉瑞、施贵宝已经开始在中国寻找AI+疾病方向的合作伙伴。“以前MNC（跨国医药巨头）看中国，只看到市场。现在它们主动来寻求合作，因为人工智能改变了中国在全球医药创新中的位置。”当外部巨头开始主动上门，说明变化已经越过了某个临界点。
在基础设施层面，上海正在积极布局。上海人工智能实验室等机构正在尝试把科学大模型、专业数据平台与具体学科任务结合起来，例如他们推出的“书生”科学多模态大模型Intern-S1，在化学、材料、地球科学等多学科基准上超越顶尖闭源模型；科学发现平台Intern-Discovery整合了50多家科研机构的PB级专业数据集。在具体科学方向上，从量子计算到超导材料、从癌症靶点发现到AI辅助育种，都已产出阶段性成果。多智能体虚拟疾病学家“元生”系统能够自主发现并验证癌症治疗新靶点，基因科学家系统“丰登”在主粮作物中自主发现了数十个全新基因功能并获实验证实……
在这一系列采访过程中，《浦江科技评论》接触到一批异常忙碌也异常兴奋的中国创业者和研究者。他们活跃在药物研发、材料科学、化学工程等不同方向，却普遍怀有同一种紧迫感：科学研究正在被AI深刻改写。对此，他们既是见证者，也是亲历者，更是这场变化的推动者。
