智库成果 | 从工具到主体:AI科学家的崛起、战略逻辑、全球布局与中国路径选择

“AI科学家”（亦称科学家智能体、智能体科学家、智能体团队、虚拟实验室）是一种专门应用于科学研究场景的AI系统，可以面向科研任务模拟人类科研团队的架构和工作模式，能够自主或半自主完成从“提出假设、设计实验、操作实验、分析数据、撰写论文、结果沉淀”全过程科研流程。可以说，“AI科学家”是在集成AI大模型思考推理基础上，叠加智能体的自主决策执行能力，具备专业科研能力的智能应用系统，三者形成“大脑-工具-专家”的闭环递进关系。

助推科学研究范式加速转型。2024年以来，Agent技术的快速突破，使“AI科学家”真正具备了协同工作的能力，与机器人技术深度结合并融入实验环节，Kosmos、Biomni等通用科研引擎在科学发现上的能力已在复杂任务中得到验证（见表1），比肩甚至超越人类专家，这标志着AI4S（AIforScience）推动科研从以“人为中心”的线性流程，迈向“数据-模型-计算-实验协同”的全流程自动化闭环，AI4S从技术概念走向科研实践，科研范式加速转型。同时，AI大模型展现出的“群体涌现”能力，预示着其可以产生新的知识，可以推动“AI科学家”在人机共生、人机共融时代，无限拓宽科学的边界，成为继人脑之后“另一个原始创新的中心”。

推动科学发现地域“平权”与“普惠”。“AI科学家”全面革新了科研场景，从人类的“助手”变成“替身”，不仅替代人类处理实验设计修改、重复操作及数据分析事务，而且致力于构建“科学智能”，成为驱动科技创新与知识生产的新一代基础设施，并向科研基础设施平台化、科研资源即服务(RaaS)演进。“AI科学家”极大降低了生物医药、新材料等领域研发的门槛，将全面激发国内无数具备创新潜力但资源有限的OPC式中小科研团队的“众研共创”潜力，使其不再局限于顶尖昂贵的科研平台，只需接入“AI科学家”这一“硅基数字员工”，相当于为团队配备了一位具备海量知识储备与精准分析能力的“顶尖科学家”，便拥有与国际顶尖生物科技机构同台竞争的机会，这一巨大的创新潜力将助推中国科学发展实现新跨越。

大幅缩短从原始创新到价值创造的链路。“AI科学家”可以理解和调用多学科的知识和工具，将打破传统科研中的协作壁垒，全面提升科学研究协作的效率，并催生更多交叉学科创新。在传统模式下，一项研究成果可能需要经历数月乃至数年的漫长周期，而“AI科学家”通过“设计-验证-优化”的快速闭环，能够大幅缩短这一过程，并催生出新的科研组织形式。例如，由顶尖人才与强大AI系统组成的“OPC公司”或“微型科研公司”，借助24小时运转的无人实验室/科研工厂，能够独立完成从提出概念到创造出原型产品或解决方案的全过程，实现科研与产业无缝对接，有望加速解决人类面临的重大挑战。“AI科学家”将大幅提升现有科研流程的效率，是我国实现从“跟跑”到“领跑”跨越的关键变量。

（一）美国启动“创世纪计划”，建设统一AI科学实验平台和工具，限期拿出概念验证成果

2025年11月，特朗普政府启动了被称为“AI曼哈顿计划”的国家科研攻坚计划——“创世纪计划”。该计划是国家意志驱动的科研生产要素系统性重构行动，通过建设统一的AI科学实验平台和工具，与自动化实验室衔接形成闭环，把AI从“科研工具”升级为“科研新底座”，力求在十年内将美国科研与创新的生产力与影响力双双翻番。更紧迫的是，该计划提出紧凑的时间表，要求启动后270天内必须拿出首个概念验证成果。该计划的核心目标在于通过“AI科学家”驱动科学发现效率倍增，将科学发现周期从“年”级压缩至“月”级乃至“周”级，打破中国基于工程师红利的实验积累迭代式的科技追赶路径，终止其在生物医药、材料等关键领域的追赶态势，构建科研效率代差竞争壁垒，维系其在AI时代的技术霸权。

（二）欧盟建设“科学AI资源网络”，提供可信AI工具，研发新型“AI科学家”系统

欧盟以“一体化”为主线，通过强化战略牵引、强化要素供给、完善统筹机制，以AI系统性地加速科学发现与技术创新，推动科研范式从单点突破走向跨域协同。2025年10月出台《AI在科学领域的应用战略》，提出构建“欧洲人工智能科学资源网络”(RAISE)的虚拟机构，上线科学AI在线服务平台“AIon-Demand”，整合欧洲卓越的科学与人才、算力、数据资源和研究资金等，形成面向科研群体的共享科研能力供给网络，为科研人员提供可信赖的AI工具和解决方案，以实现两大互补且互相支持的目标：一是推动“面向AI的科学”(ScienceforAI)，以研发超越当前技术水平的新型“AI科学家”系统；二是促进“AI科学家在科研中的应用”(AIinscience)，以巩固欧洲在全球科技领域的竞争力与技术主权，加快竞逐全球AI主导权。

（三）中国以科研链与产业链全流程协同，加快高能量与智能化实验平台及工具链布局

中国以国家战略目标为牵引，把AI嵌入科学与研发全流程，推动科研范式与创新链条同步升级。战略牵引方面，2025年8月，国务院印发《关于深入实施“人工智能+”行动的意见》，将“人工智能+科学技术”列为六大重点行动之首，要求加快探索AI驱动的新型科研范式，加速“从0到1”重大科学发现进程。项目实施方面，科技部通过“人工智能驱动的科学研究”专项部署，推动面向重大科学问题的模型与算法创新，加快“AI科学家”关键技术攻关、平台化与工程化落地。应用试点方面，北京、上海等地围绕“AI赋能”，以行动计划与重点赛道为抓手，加快“AI科学家”相关布局，以材料研发流程为主线，推动“计算/模拟-数据-模型-实验”贯通，布局高通量与智能化实验平台、材料领域垂直大模型与工具链。

（一）中国具备发展“AI科学家”的优势基础

科研数据方面：随着重大科技基础设施的布局，我国科学数据资源快速积累，仅FAST（500米口径球面射电望远镜）每年产生约50PB数据，硬X射线自由电子激光装置(SHINE)在建成后每年将产生100PB数据。我国加快推动科研数据建设及共享，目前已建成50多个国家级行业科技数据中心和200多个地方科技数据中心，覆盖多领域，在材料、天文、电磁、流体、气象、生命科学等领域已具备一定规模的公开数据集。据数据中心互联(DCI)的分析数据，我国科学数据集的数量位居世界第二位。

科研算力方面：我国算力规模全球领先，截至2025年底，我国在用算力中心标准机架突破1250万架，已建成42个万卡级智算集群，算力总规模位居全球第二，其中智能算力规模达1590EFlops，占全国总算力的比重超过80%。算力国产化水平显著提升，国产品牌服务器市场占有率超75%，AI服务器前十均为国产品牌。人工智能算力开放平台加快建设，截至2026年2月，共布局国家新一代人工智能公共算力开放创新平台25家。

科研工具方面：开发了集AI框架、算法库、开发套件于一体的全链路科研开发工具。百度的PaddlePaddle和华为的MindSpore AI框架，将AI+科研作为重点方向进行了适配；深势科技、北京智能科学研究院等研究机构，聚焦分子动力学、量子力学、空气动力学等领域，研发了DeePMD-kit、DeepPKS-kit等算法库；百度、华为、深势科技等开发了Paddle系、Mind系和Deep系开发工具套件和服务社区，覆盖了生物计算、流体仿真、地球科学、电磁仿真等领域。

（二）中国发展“AI科学家”的问题与挑战

科研数据质量和开放共享有待提升。一是科研数据呈现“量多质弱、孤岛化”现象。我国科学数据集数量虽居世界第二，但整体质量不高，在拥有国际影响力的科学数据仓储(SDR)数量的排名中，我国排在前20名之外，存储数量与质量严重不匹配；同时“数据孤岛”和“数据沼泽”现象普遍，研发相关的实验设计、仪器设备操作流程、质量控制等隐性知识沉淀在科研人员的脑中，仅在科研小团队中共享，且多以非结构化形态存在，整合加工难度大，跨学科复用难度大。二是科研数据管理与开放机制不完善。缺乏国家层面统一管理体系，无统一管理机构及存储管理机制；数据标准不统一，加之产权、隐私、分散存储等问题突出，大量优质数据处于“静默”状态，整合、标准化沉淀难度高，统筹协调开放难度大。

科研算力供给结构和生态建设有待完善。一是算力供给错位突出。先进算力因购置与运维成本高昂，主要集中在华为、阿里巴巴、字节跳动等头部科技企业，高校院所、国家实验室、行业领军企业等国家战略科技力量普遍面临缺乏大模型训练、复杂仿真、自动化实验所需的稳定算力支撑及专业运维能力的困境。二是国产算力设施适配性不足。现行基于大语言模型的智算设施在架构设计、功能配置上难以匹配“AI科学家”对异构融合、训推一体、多精度计算等新要求，无法为前沿科研场景提供精准高效的算力支撑。同时，与英伟达CUDA等成熟生态相比，现有智算设施存在兼容性差、适配调试工具少、开发效率低、开发者支持服务弱等问题。

科研工具基础设施与技术支撑不足。一是平台工具易用性差。现有平台与科研实际结合弱，存在流程烦琐、界面复杂、场景有限、接口不统一等问题，不适应科研人员的操作习惯；加之工具易用性低、开发功能不健全，现有智能体无法实现“即插即用”，难以覆盖多样化的科研场景，进入新学科、新行业或新场景时需额外学习开发，导致“科学家想用却不会用”。二是跨域协作生态不健全。科研流程上数据管理、模型训练、实验模拟等环节相互割裂，缺乏面向科研场景的一站式平台和工作流程，跨学科协同缺乏有效的工具支撑。同时因科研平台与高性能计算平台、专业软件、实验仪器等各工具套件间无统一数据标准与接口、通用移植性差、改造难度大，导致复用成本高。

模型算法可信度与物理交互不足。一是模型可信度与可解释性不足。基于大模型的“AI科学家”决策依赖海量静态参数协同涌现，推理逻辑的“黑箱”特性不符合科学研究对因果解释、机理验证和路径追溯的基本要求。同时，模型幻觉频发、置信度失准，导致实验结果难以复现、结论可信度存疑，更可能因隐含偏见或错误推导引发科研事故与伦理风险。二是物理世界交互与跨模态理解能力局限。当前“AI科学家”尚未跨越“数字智能”与“物理机理”的鸿沟，缺乏对真实物理规律的深层理解，面对文本、代码、图像及仪器信号等多模态随机变量，“AI科学家”缺乏对真实实验环境的动态感知，难以在跨模态信息间建立精确关联，并进行灵活推理与适应性调整，实现从虚拟计算到实体实验的自主闭环。

复合型人才与科研体制匹配不足。“AI科学家”本质上是高度交叉、强工程特征的系统工程，需要大量既懂AI又懂学科、既懂科研又懂工程和应用场景的“AI+X”复合型人才。但在实践中，该类人才缺口大、培养周期长，且我国高校专业划分与培养路径仍按传统学科线展开，AI人才缺乏对专业领域问题的深度理解，领域科学家与工程师对AI方法、数据与算力相对陌生，能够统筹问题定义、数据工程、模型研发和工程落地的“复合型”科研人才十分稀缺。在科研组织结构上，“课题组+学科院系”的模式更适合小团队、单学科课题，对跨学科平台、跨机构联合攻关以及长期运营“AI科学家”基础设施的支持不足。

加快高质量科研数据集建设与开放共享。一是加快构建AI-Ready科研数据体系。制定科研数据标准化存储格式，统一数据结构、元数据描述与访问接口，将隐性知识标准化、流程化，全面提升可用性与复用价值。同时，建立覆盖数据全生命周期标识溯源机制，实现单条数据可追溯、可验证。二是加快数据开放共享。建立专业管理机构，设立类似欧盟EOSC的统一数据管理体系，以健全公共科研数据集体系为抓手，建立健全分级分类的开源开放机制与跨学科汇交机制，构建统一科研数据空间，促进跨机构、跨领域数据整合优化，全面激活数据要素价值。

加快健全国产软硬件算力底座生态。一是构建灵活高效的先进算力供给网络。加快建立面向高校、科研机构及龙头企业的算力资源统筹保障机制，依托中国算力网调度平台，构建跨地区、跨机构的科研算力资源共享网络，实现先进算力的动态分配与高效利用，满足“AI科学家”多样化的计算需求。二是完善国产算力生态。加快推动国产芯片、框架与科学计算软件的深度耦合，推动其与科研工具及国产科研仪器的适配及接口兼容互通，研发异构融合、多精度计算、训推一体的科研计算架构，提升在复杂科学计算场景下的兼容性与可靠性。

加快构建一站式AI科研工具基础设施。一是构建统一的科研场景基础设施。加快研发兼容国产软硬件的统一、高性能、可扩展的科研工具框架，研发支持通用算子、专用算法、API接口和开发环境等的科研工具链，建设开放社区汇聚第三方工具，打造集计算平台、学科软件、实验仪器及信息管理于一体的即插即用、可迁移、可迭代的新型科研基础设施。二是构建“众研共创”的科研协作生态。加快构建开放共享的模型、数据与工具社区，建设活跃的开发者社区，推动算法、工具、平台迭代，形成覆盖“计算-算法-生态”的完整框架，构建友好的人机交互界面，加快意图驱动的任务自动化编排和部署。

加强“AI科学家”关键技术攻关。一是构建透明可信的智能决策体系。加快发展动态可嵌入知识机制与决策回溯系统，将人类知识动态可解释地嵌入模型，为AI科学家在复杂科研场景中的科学发现提供可追溯、可审计的智能支撑；同时，突破机理融合瓶颈，构建可信决策与具身交互能力，重点发展基于湿实验的具身智能与空间智能，推动“AI科学家”从“数字推演”向“物理实证”跨越。二是加快攻坚研发“人在回路”的融合决策系统，将人类直觉、因果认知与机器计算优势结合，加快构建“人机共生”的新型科研模式，形成“人类主导、AI赋能”的科研新范式，全面拓展科学探索边界。

加快“AI科学家”交叉人才培养。充分发挥50家国家级卓越工程师学院的带动作用，依托其在人工智能、生物医药、精密仪器等学科优势，加快探索“学院+实践”的联合培养模式，培养“AI科学家”复合型实践人才。优化人才评价激励机制，将科学软件开发、数据清洗、实验仪器操作等基础性工作纳入评价范畴，针对性培育跨学科“AI科学家”复合人才。加快国家级、省级科技计划项目创新科研组织模式，支持高校院所+企业创新联合体联合攻关，加大对高校院所组织跨学科、跨平台等交叉形式攻关项目的支持力度。

编辑：张碧雪

初审：薛晓明

终审：王红杰

江苏省科学技术情报研究所

理念：厚德守正 敬业奉献

使命：凝心聚智 服务创新

愿景：提升自我 成就卓越