当科学发现被AI重写,城市科创逻辑正在重构

点击蓝字

关注我们

导语：

科学智能的兴起，不仅改变了科学发现的实现方式，也在重塑城市竞争所依赖的底层要素结构。科研已不再只是“人力+仪器”的组合，而是演变为“算力+数据+模型+实验平台”的多维系统。这意味着，城市的科创竞争力，正从“资源拥有”转向“系统整合与能力生成”。

2026年3月29日，上海人工智能实验室发布“AGI for Science珠穆朗玛计划”（AGI4S），试图以AI为核心，整合算力、数据与实验能力，构建一套面向科学发现的系统性基础设施。这一布局的意义，不止于科研本身，更指向一个关键趋势：当科学发现的方式被重写，城市科创体系也在随之演进。

科学智能：

下一代城市科研基础设施

随着人工智能从辅助工具走向“科研引擎”，科学智能已成为继算力、数据之后的新一代科研基础范式，这一范式变革正深刻重塑科学发现与科创体系的关系，推动科研领域进入系统化发展新阶段。

与传统AI解决效率问题不同，科学智能扮演“发现引擎”的角色，直接从海量数据中逼近复杂系统的底层规律，实现高精度预测与逆向设计。根据2025年发布的《科学智能白皮书2025》（上海科学智能研究院、复旦大学、施普林格·自然集团联合发布），科学智能领域自2020年以来的年均增长率达19%，高于纯AI领域整体增速，其中工程科学增长29%、生命科学增长16%，成为增长最快的两大方向。

科研基础范式变革的推进，也带动科研组织方式重塑——从单一课题组，转向“科学家+AI模型+自动化实验平台”的复合系统，形成“数据—模型—实验”的闭环，加速科研迭代。在这一框架下，科学发现不再只是产业应用的“上游输入”，而是逐步嵌入科创体系运行过程，成为与技术开发和产业需求持续互动的“实时引擎”。在此基础上，这一演进正向更深层次推进——AI正演进为“合作科学家”，与人类形成分工协作，共同推进从问题定义到方案验证的全过程科研。

珠穆朗玛计划正是基于这一背景应运而生，其不是针对某一具体科研方向的突破，而是围绕“科学发现”本身，系统整合算力、数据、模型与实验能力，构建贯穿全流程的基础设施体系。其本质是对科研体系的系统性重构——回应算力分散、数据标准不一、验证周期漫长等长期结构性约束，使科学发现从零散偶发的探索，转变为可规划、可积累、可复现的系统化过程。

科学智能基础设施的建设能力，将直接决定一个国家或地区在这些领域的科学发现速度，进而影响其产业竞争的长期位势。全球范围内，这一趋势已加速显现。DeepMind通过AlphaFold推动蛋白质结构预测范式转变，微软持续布局AI驱动的材料研发体系，各国亦在加快部署相关基础设施与战略资源。

从分段链条到协同闭环：

城市科创逻辑的重构

如果说科学发现方式的变化重塑了科研本身，那么其更深远的影响，在于对城市科创竞争逻辑的系统性重构。科研不再只是产业的上游环节，而是逐步成为产业体系内部持续运转的一部分。城市之间的竞争，不再仅取决于创新要素的集聚程度，而在于能否构建起贯通科研与产业的系统能力。

长期以来，城市科创竞争建立在一个相对稳定的前提之上：科学发现主要依赖个体科学家或研究团队的灵感驱动与分散突破，而非系统化的工程能力。在这一前提下，城市竞争更多体现为科创资源的集聚能力——包括高校与科研机构的密度、高层次人才的规模、龙头企业的集聚程度、产业生态的完整性以及资本市场的活跃度等。本质上，这是一种以要素积累为基础的竞争方式，通过资源集聚与环境优化，提升创新活动发生的概率与效率，并由此形成城市之间的科创位势差异。

但随着科学智能的发展，这一以要素驱动为基础的竞争逻辑正逐步显现出边界。科学智能的兴起，不仅改变了科学发现的实现方式，也在重塑城市竞争所依赖的底层要素结构。科研已不再只是“人力+仪器”的组合，而是演变为“算力+数据+模型+实验平台”的多维系统。这意味着，城市的科创竞争力，正从“资源拥有”转向“系统整合与能力生成”。这一转变，具体体现在城市科创竞争力的三个核心维度上：

其一，算力与数据的系统化供给能力，成为科研效率的关键变量。能否为科研团队提供低成本、高可用的算力基础设施，能否建立跨机构的科学数据治理与流通机制，正日益决定一座城市的科研生产效率上限。相比算力的规模扩展，数据往往构成更深层的约束——大量科学数据仍处于分散、非结构化状态，难以直接用于模型训练与科学推理，使科研过程在数据准备环节消耗大量成本。只有实现数据的标准化组织与可复用，能够被模型直接调用，科研效率才可能实现显著提升。科研能力的差距，将越来越多体现为基础设施的系统能力，而非个别资源的拥有量。

其二，从"科学发现"到"产业转化"的链条密度，决定科创价值的实现速度。科学智能使AI能够直接在产业问题中生成科研路径——产业端提出真实瓶颈，AI推演可能的材料、分子或工艺方案，实验平台快速验证，再回传至产业端完成工程化。这使得科研不再是产业的"上游输入"，而是逐步嵌入产业体系内部。一座城市能否将产业场景直接接入科研系统，决定了科学发现转化为经济成果的效率。

其三，跨学科协同的组织能力，决定创新生态的活跃程度。科学智能需要既懂AI建模又理解具体科学问题的复合型人才，而这一人群目前全球供给有限。与此同时，科研组织模式的变化，意味着创新能力不再只取决于个别顶尖科学家，而更取决于能否形成稳定高效的跨学科协同网络——使模型构建、实验验证与工程转化在同一系统中持续运转并形成闭环。

珠穆朗玛计划的逻辑：

从"要素聚集"到"能力生成"

在科学发现方式重塑、城市科创竞争逻辑随之转变的背景下，珠穆朗玛计划的战略意义更为清晰。它并非在某个垂直领域做更强的模型，而是在尝试让算力调度、科学数据库与自主实验平台在同一套基础设施下协同运转。竞争的不是某个科学问题的求解能力，而是持续生成科学发现的系统能力。

上海具备参与这场竞争的基础条件，高校与科研院所密集，产业体系相对完整，算力基础设施处于国内前列，医疗、生物、材料、能源等领域积累了大量真实科研应用场景。然而，基础条件的具备并不自然转化为系统性优势。上海目前积累的，更多是要素层面的优势——资源密集但尚未系统整合。人才与项目脱节、项目与资源错配、成果与产业割裂等问题，始终制约着科研科创效能的充分释放。

上海真正的机会，在于能否通过开放生态吸引国际机构、民营团队、跨学科研究者等力量参与，推动各类科创要素从"分散布局"向"能力生成"的实质跃升。如通过联合高校、科研机构与企业，共建面向高能物理、新药创制、生物结构、新材料等领域的科学应用场景，将AI能力直接嵌入重大科研问题之中，使“问题驱动模型与实验”的闭环能够在更多场景中持续运行。

珠穆朗玛计划已有初步的实践验证。在生命科学领域，π-PrimeNovo蛋白质从头测序工具将预测精度提升45%、速度提升逾80倍，为精准医疗与新药研发提供了新的底层工具；在材料领域，依托“分子-电网工业智能体”，长时储能材料的研发周期从以年计压缩至数月，电站综合性能提升超100%，相关成果已在张家口怀来完成兆瓦时级部署。这些案例初步展现了“产业提出问题—科学智能提供路径—科研体系验证”的创新闭环的可行性。

国内其他城市也在尝试推进，北京依托北京科学智能研究院与深势科技，围绕科学大模型与科研平台持续布局，已形成以Deep Potential等科学模型方法、以及“玻尔科研空间站”为代表的AI4S工具体系，在科研流程智能化与系统化方面走在前列；深圳则以光明科学城为载体，依托鹏城云脑等算力基础设施持续投入，并在生物医药、新材料等领域强化AI与产业场景的结合，推动科研与产业协同发展。

这些探索验证了路径的可行性，但仍主要停留在局部与单点层面。单一机构在特定方向上的阶段性成果，与城市层面系统性优势的形成之间，仍有相当距离。真正的挑战在于：能否将这些零散的闭环能力，沉淀为可复用、可扩展的公共基础设施，并在不同学科与产业中持续复制与放大。

对城市推动科创发展的几点启示

这一轮变化，对城市层面推动科创发展有几点实质性的启示：

一、科研基础设施能力：从“支撑条件”走向“核心底座”

科研基础设施正快速上升为与高校、实验室同样关键的战略性投入。算力平台、科学数据库、自动化实验系统，正构成新型科研生产力的公共底座。

城市不仅需要持续投入，更需要具备运营与开放能力——打破科研机构之间的数据孤岛与算力壁垒，建立统一的数据标准、共享机制和算力调度体系。相比单点算力的峰值，系统整合能力本身更具决定性意义。

此外，建设面向科学智能的开放平台同样关键。这既包括技术平台（如模型训练与推理平台、实验自动化中台），也包括协作平台（如跨机构项目管理、数据贡献与成果分配规则）。平台的核心价值在于降低科学家使用AI的门槛，让“AI+科学”成为可规模化的常态。

二、科研—产业协同能力：从“成果转化”走向“问题共生”

产业场景不再只是科研成果的承接方，而正在成为科研问题的重要来源。能够提出真实需求的产业主体，是缩短“发现—验证—应用”链路的关键。

城市可探索“科学智能平台+链主企业”的联合攻关机制，由产业端提出问题，科研端提供模型与数据支撑，企业端承担中试与工程化，形成分层分责的闭环体系，推动科研与产业由单向转化走向双向耦合。

需要特别关注的是，AI“批量预测”与“逐个验证”之间的效率失衡——前者已实现规模化加速，而后者仍受限于实验通量与周期，成为制约科研进程的关键瓶颈。城市层面需通过持续的场景验证，识别并补齐实验自动化、数据标准与工程接口等关键短板，提升从虚拟预测到产业化落地的整体效率。

三、科研体系组织能力：从“结果导向”走向“能力生成”

科学智能时代，科研体系的运行机制同样需要重构，主要体现在三个方面：

1.评价机制

从“产出导向”转向“能力导向”，关注科研能力的持续生成与外溢效应，如资源的开放复用程度、跨学科协同效率等。适当拉长评价周期，降低短期考核权重，避免资源过度流向“低垂果实”。

2.生态机制

构建多元主体协同的开放生态，让产业界、科研界、AI平台与资本形成高效互动。核心是降低协同成本、提高反馈速度，并建立清晰的数据贡献与成果分配规则，使各方愿意参与、能够参与。

3.人才机制

科学智能的发展依赖同时理解AI与基础科学的复合型人才，其短缺是结构性问题而非单纯数量不足。短期可依托科研平台推动以真实问题为导向的跨学科协作；长期则需要将交叉培养从“项目探索”走向“制度化安排”，使AI能力与科学问题在同一体系内深度融合。

其核心在于，使科研系统能够持续运转，并不断产生新的科学发现——从“资源集聚”走向“能力生成”。

【结语】

科学史上有一个规律：真正改变研究范式的，往往不是某个单一发现，而是让发现成为可能的工具体系。测序技术的成熟开启了基因组学时代，计算机的普及重塑了现代科学的协作方式。今天，科学智能正在成为新一代科研基础设施——它改变的不只是科研效率，而是科学发现本身的组织方式与城市竞争的底层逻辑。