The Innovation | AI for Science: 进展、挑战与展望

• AI让芯片设计从专家驱动走向自动化、智能化和低门槛化

• AI让编译器优化从人工规则调参转向数据驱动的自适应优化

• AI让数据库管理系统具备自主调优、诊断和运维能力

• AI让软件工程从代码辅助生成走向可验证、可闭环的智能研发流程

• AI让网络系统在复杂动态环境下实现智能感知、资源调度、路由优化和安全防护

图2 AI框架的知识图谱

人工智能(AI)与当代数学正在形成更加紧密的双向关系。一方面，AI正在进入数学推理过程，在自动定理证明、猜想与算法发现、数学文本自动形式化和数学知识库建设等方向展现出新的潜力，使机器逐渐从计算工具转变为数学发现的参与者。同时，AI也在推动科学计算方法的发展，例如通过物理信息神经网络、神经算子等方法求解偏微分方程、特征值问题和复杂物理系统模拟问题。值得注意的是，现代AI模型的训练高度依赖数学优化，例如自适应矩估计方法、利用矩阵结构的几何感知优化方法等极大促进模型发展。由此可见，数学既为人工智能提供基础理论和方法，也正在被AI反向推动，在推理、计算和优化等层面形成协同演进的新格局。

图3 数学中的AI

• AI智能体与多模态大模型在精准诊断、个性化治疗和智能手术机器人等方向进行了初步探索，为构建从感知到决策的医疗辅助体系提供了新的可能性。

• AI在药物研发领域已初步形成覆盖靶点发现、分子设计到临床试验各环节的技术体系，部分AI辅助设计的候选药物已进入临床探索阶段。

• 数字孪生与AI虚拟细胞技术为跨尺度的生物系统模拟提供了新的研究工具，在计算机辅助实验验证和个性化治疗预测方面展现出值得关注的前景。

• 循证医学在AI技术的推动下，正在尝试从静态证据体系向更动态的计算范式演进，AI整合多源数据支持个体化疗效评估的思路仍需更多前瞻性临床验证。

• 预防医学结合可穿戴设备与多组学分析，为疾病早期风险识别和全生命周期健康管理提供了新的技术手段，其长期效果有待进一步观察。

• 数据隐私保护、算法公平性和模型可解释性仍是AI在医学应用中需要持续关注的问题，可解释方法和监管伦理框架的建设也在逐步推进中。

图4 医学中的AI

• AI推动材料研发模式从实验试错逐步向数智计算驱动转变

• AI大模型和智能体促进无机、有机和复合材料的快速发现及预测

• AI在驱动新材料设计、制备、性能评估与应用方面机遇和挑战并存

• 先进芯片材料和能源材料为AI的跨代升级提供底层支撑

• AI与材料科学的深度融合促进材料信息学领域的变革性发展

图5 AI赋能的材料科学

长期以来，人们对土壤与地下世界的认识，主要依赖有限观测和静态地图，但复杂结构与动态变化仍难以被精确刻画。AI正在把卫星、地面和地下等多源信息连接起来，从海量数据中发现隐藏规律、还原地下结构及其变化，让地下空间逐步变得“可感知、可推演”，并推动建立持续更新的地下数字孪生。同时，AI正通过融合卫星、地面和模式等多源数据，并将物理约束嵌入数据驱动框架，从海量信息中挖掘隐藏规律、重建关键水文变量及其动态演变，实现对水循环过程的智能感知与精准预测。除此之外，人工智能还从底层技术维度重塑了大气科学的整体研究范式，相关应用覆盖数据采集、气象预报、决策服务完整业务链条。AI不再只是传统数值模拟模式的辅助工具，已然发展为一套具备独立效力的核心研究方法，通过与大气物理机理深度耦合，持续推动大气领域取得全新科学突破。

图6 地学中的AI

• AI正成为物理研究的重要计算范式

• AI提升了大型实验数据处理与事件重建能力

• AI实现了低延迟实时触发与在线决策

• AI加速了复杂物理系统模拟与计算

• AI拓展了未知物理现象的探索方式

• AI智能体正在推动物理科研流程自动化

图7 物理学中的AI

• AI推动化学从传统的经验试错模式向“逆向设计”与生成式范式转变

• AI突破了模拟计算的“精度-效率”瓶颈，加速高保真多尺度化学模拟

• AI智能体融合机器人技术，构建了科学发现的“自驱动化学实验室”

• AI提升了多模态谱图解析与复杂体系智能分离、传感的精准度

• AI解码了化学反应及复杂界面（如催化机理、电池老化与食品基质）的动态演化物理规律

图8 人工智能驱动的化学变革：从经验科学到生成科学

能源科学融合物理规律、工程经验和复杂系统优化，是 AI for Science 落地潜力最大的赛道之一。面对新能源发电波动性、多能源耦合调度和海量运行数据，AI 可以从发电预测、负荷分析、设备诊断等数据中发现规律，把分散信息转化为可复用的能源知识。通过物理约束与机器学习结合，AI 还能加速复杂仿真与多目标优化，帮助研究人员更快评估能源系统在不同场景下的性能。面向材料、工质、储能装置和发电装备设计，AI 可借助代理模型和生成式方法探索更大的设计空间，推动能源设计从“反复试错”走向“目标驱动”的逆向设计。随着大模型和智能体的发展，AI 正在参与能源系统调度、风险识别和决策优化，但其应用仍需重视物理一致性、可解释性以及低碳算力支撑。

图9 能源科学中的AI

在天文学中，AI 正在从单点数据处理工具，走向贯穿科研流程的闭环能力。面对大规模巡天产生的图像、光谱和时域数据，AI 可以承担对宇宙观测数据的“感知”，在海量信息中完成数据挖掘与概率重建，帮助研究人员更快发现有价值的天文信号。面向天体演化和宇宙结构形成等复杂问题，AI 则进一步承担对天体物理规律的“认知”，通过物理模型、数值模拟和统计推断辅助科学解释。面向突发天文事件和后续观测需求，AI 还开始参与对望远镜观测行动的“决策”，支持事件预警、观测调度和计划优化。由此，天文学研究有望形成“观测-分析-再观测”的持续迭代，使 AI 从提升数据处理效率的工具，进一步成为推动科学发现闭环的重要力量。

图10 天文学中的AI

• AI正在优化BCI的工作流

• AI加速了BCI在临床的应用

• AI促进了新的BCI范式的出现

图11 脑机接口中的人工智能。将人工智能整合到脑机接口（BCI）工作流程中，可增强信号采集、改进神经解码、促进神经康复，并提升交流能力。包括脑—云架构和自适应脑机接口在内的新兴范式，进一步推动了人工智能与脑机接口的融合与发展。

• 具身智能正在实现无人探测平台的原位感知与自主决策。

• 具身智能帮助打破广域基础设施巡检对人工操作的依赖。

• 具身智能提升了高空大气监测与地球观测的续航能力与覆盖范围。

• 具身智能使得地外天体表面的自主导航与精准采样成为可能。

• 具身智能加速深海极端环境下的精细测绘与生物伴生观测。

• 具身智能提升了跨尺度实验设计与物理世界验证的精度与效率。

• 具身智能正在实现科学实验的自主化、闭环化和无人化。

图12 具身智能

• AI为社会科学中的文本、调查、行政记录和数字行为等多源数据分析提供了新的方法。

• AI正在推动社会行为建模、公共舆情分析、社会风险预测和政策评估从经验判断走向数据驱动。

• AI辅助教育、就业、医疗和其他公共服务中的资源配置与决策优化，使社会治理更加高效、精准和规模化。

• 面向社会科学的AI研究也关注公平、隐私、问责和公众信任，为负责任的智能社会治理提供支撑。

图13 基于机制的框架：理解人工智能在社会系统中的结构性权衡。

• AI4Science正从学术前沿议题上升为全球科技竞争的战略制高点。

• 美欧英等以不同路径推进；中国也加强协同部署，推进科研平台与模型建设，磐石大模型是诸多探索之一。

• 推进中仍面临数据开放与安全、基础研究长周期投入、跨学科协同等挑战。

• 展望未来，AI4S将驱动科研全链条贯通与持续迭代，推动AI从辅助工具进化为重塑知识生产范式的战略力量。

图14 面向科学的人工智能全球战略格局

AI已成为重塑科学发现的核心认知基础设施，推动科研从经验试错迈向预测性、生成性范式。面向2026，数据驱动推断与推理智能的融合正加速跨学科创新，但仍需突破数字设计与自动合成的实现鸿沟、物理约束不足、数据开放与主权冲突，以及从基准测试到真实部署的现实鸿沟。未来，AI4Science应走向更高效、可解释、可持续的模型与计算体系，强化物理先验、神经算子和闭环自驱实验室建设。AI不会取代科学家，而将成为探索自然规律的重要认知副驾驶。

责任编辑

刘   威   中国科学院上海应用物理研究所

毕伟辉   浙江大学

Yongjun Xu#, Zezhi Shao#, Xin Liu#, Yuquan Li#, Zhulin An#, Chenguang Fu#, Changping Huang#, Lin Zhang#, Feng Gao#, Jian Li#, Yuyang Li#, Fanglong Yao#, Anquan Xia#, Kaihua Chen#, Xiaolong Zheng#, Chuanguang Yang#, Libo Huang#, Fengliang Dong, Shanliang Yao, Zhao Zhang, Jue Wang, Qi Wang, Yuanzhuo Wang, Haisheng Li, Nachuan Xiao, Yuyang Wang, Guoshuang Feng, Puxiang Lai, Yuxuan Song, Tao Xu, Jie Yang, Yun Peng, Xiangbin Meng, Xin Peng, Kunjie Li, Yupeng Niu, Tiancheng Xu, Huiyu Xu, Tao Huang, Yong Han, Min Li, Jiayun Hou, Xiaoling Lu, Fangrong Yan, Yang Zhao, Yongyue Wei, Ming-Jie Yin, Zongguo Wang, Leilei Xiang, Yubao Qiu, Jiangyuan Zeng, Yang Liu, Yue Chang, Sabine Grunwald, Willie Peijnenburg, Thilo Hofmann, Ronald Roepman, Jun Li, Gerd Dercon, Lianru Gao, Mariana Vezzone, Marko Virta, Sabine Dietmann, Deshuai Yuan, Fei Chen, Wei Chen, Kai Wu, Tao Chen, Haibo Zhang, Zuoqiang Yuan, Jifeng Han, Xuetao Zhu, Bin Zhang, Wentao Su, Wei Meng, Ming Zhang, Dachuan Zhang, Qingyan Wu, Xiaojie Lin, Xiayao Peng, Tao Yang, Wei Wu, Lei Gan, Meng Wan, Ye Ding, Zhongbao Wei, Shaohua Yang, Yunfei Zhang, Lijun Yang, Kun Yu, Yuanyuan Duan, Xingying Chen, Peng Jia, Ali Luo, Jiaben Lin, Cunshi Wang, Zhiting Zhang, Xinhe Liu, Dongchen Zhu, Peng Hu, Tong Li, Jinran Wu, Ram Dalal, Yang Wu, Chengqing Yu, Zixuan Li, Weijie Zhu, Tianyou Lu, Lijun Yun, Thorsten Jelinek, Wenguan Wang, Tiange Liu, Fei Wang, Heyang Li*, Shimin Di*, Boyu Diao*, Xiangfeng Wang*, Xin Cao*, Zhigang Yin*, Fang Wang*, Dake Zhang*, Ming Luo*, Sen Qian*, Ping Yu*, Xingchen Liu*, Jun Shen*, Zhengyang Li*, Ji Dai*, Yi Lin*, You-Gan Wang*, Geoffrey John McLachlan, Mohamed Missous, Matthias C. Rillig, Ravi Naidu, Wulf Amelung, James M. Tiedje, Chuang Shi, Yanfen Wang, Bing Zhang, and Jiabao Zhang.

#Co-first authors. #共同第一作者。

*Co-corresponding authors. *共同通讯作者。

The study is dedicated to the 15th anniversary of the Youth Innovation Promotion Association of the Chinese Academy of Sciences.

谨以此文致敬中国科学院青年创新促进会成立15周年！