实验室来了新搭档:AI 成为科学家科研助手

QUOTE

从蛋白质结构到新材料发现，AI 正在悄悄重塑科学研究的每一个环节。

—— AI观潮君 · 2026.08

如果让你猜近两年最重要的科学突破，你会想到什么？

不是某颗卫星、不是某个粒子，而是——一个叫 AlphaFold 3 的 AI 模型。它能同时预测蛋白质、DNA、RNA、配体之间的相互作用，准确度堪比实验室级别的物理建模。

这不是科幻。这是 2024 年 5 月发表在 Nature 上的论文（截至 2026 年仍是 AI for Science 的标志性工作）。

过去五年，「AI for Science」 已经从实验室外行话变成了科研主流。所谓 AI for Science，就是把 AI（特别是深度学习、大模型）作为科学方法论本身，用它做实验、设计材料、预测结构。

它不是「AI 帮科学家查资料」。它是「AI 替代部分科学方法」。

这篇文章，聊聊它是什么、有哪些前沿产品、对科研意味着什么。

本文看点

很多人对 AI for Science 的理解停留在「AI 加速科研」——查文献更快、写论文更顺、数据分析更高效。这只是皮毛。

真正的 AI for Science 分三个层次。

第一层：数据驱动发现

传统科研：观察 → 假设 → 实验 → 验证。

AI for Science：直接喂数据给模型，让它自己找规律。

典型例子：GNoME（Graph Networks for Materials Exploration）。DeepMind 把它扔进材料数据库，让它自己预测 220 万种新材料 的稳定性。结果：发现 38 万种稳定结构。截至 2026 年，已有 736 种 GNoME 预测材料被全球实验室独立合成。

第二层：模型替代实验

很多科学实验本质是「测量」——测量蛋白质怎么折叠、材料怎么导电、天气怎么变化。AI 模型可以直接学习这些测量数据，替代物理实验本身。

典型例子：AlphaFold 2 预测蛋白质 3D 结构，无需做 X 射线晶体学实验。GraphCast 预测未来 10 天天气，比传统数值模型又快又准。

第三层：自动化科研流程

AI 不仅是工具，而是整个科研流程的一部分。提出假设 → 设计实验 → 执行实验 → 分析数据 → 写论文——全部由 AI 串起来。

这一层截至 2026 年 8 月已有了真实的落地形态：化学领域的「AI 化学家」（Coscientist、ChemCrow）、材料领域的「Self-Driving Labs」、生物实验室的「Autonomous Labs」。全球已有多个全自动化实验室 投入运行。

— 三大层次：数据驱动 → 模型替代 → 自动化流程

AI for Science 不是 2024 才出现的概念。但它真正出圈，是 2020 年 AlphaFold 2。

从那以后，六个关键节点 把它推上风口——前五个是单点突破，第六个是「质变」。

这三件事意味着：AI for Science 已经不只是「论文级玩具」，而是真的在改写药物研发管线——「从 AI 提出假设到进入人体试验」的全流程，第一次有了完整闭环。

— 时间线：2020 AlphaFold 2 → 2025-2026 临床验证与国产入场

按学科划分，目前 AI for Science 主要在五个方向 上发力。下面是截至 2026 年 8 月的最新产品清单。

1. 蛋白质与生物结构

· AlphaFold 3 / AlphaFold Server（DeepMind，2024-2025）—— 蛋白质+DNA+RNA+配体统一建模

· Boltz-1 / Boltz-2（MIT Jameel，2024.10-2025）—— 结构预测 + 亲和力预测双输出

· AlphaProteo（DeepMind，2024-2025）—— 反向蛋白质设计，已开始实验室验证

· ESM-3（Meta FAIR，2024-2025）—— 蛋白质语言模型

· Chai-1（Chai Discovery，2024-09）—— 多分子对接

· RoseTTAFold-AA（Baker Lab，2024）

· Protenix（字节，2025）—— 国产蛋白质结构预测

· 玻尔量子 Bohrium（深势科技）—— 国产分子模拟与生成平台

2. 材料科学

· GNoME（DeepMind，2023）—— 736 种新材料已独立合成

· MatterGen（Microsoft，2023-2025）—— 扩散模型生成材料

· MatterSim（Microsoft，2025）—— 材料动力学模拟，工业级

· DP-GEN / Uni-Mol / Uni-Mol 2（深势科技，2023-2025）

· DP-GEN（深势科技）—— 材料动力学采样

3. 气象与地球科学

· GraphCast（DeepMind，2023）

· Pangu-Weather / Pangu-AI4S（华为，2023-2025）—— ECMWF 等机构公开上线

· FuXi / FuXi-S2S / FuXi-Extreme（复旦，2023-2025）—— 中期到极端天气

· Aurora（Microsoft，2024-2025）—— 大气/海洋/海冰统一模型

· 盘古气象·海洋版（华为，2025）—— 海洋环流与生态

4. 化学与分子对接

· DiffDock v2（MIT，2022-2025）

· RoseTTAFold All-Atom（Baker Lab，2024-2025）

· Uni-Mol 2（深势科技，2025）—— 通用分子预训练

· Coscientist（CMU, *Nature* 2023）—— 首个自主执行化学反应的 LLM 系统

· Coscientist / ChemCrow（多团队，2025）—— AI 化学家雏形

5. 药物发现（2025-2026 进入临床验证期）

· AlphaFold 3 / AlphaProteo —— 蛋白+配体建模、反向设计

· Isomorphic Labs（DeepMind 旗下，2025-2026）—— 首批临床 I 期数据公布，2026 年多条管线进入临床 II 期

· Insilico Medicine（英矽智能，2024-2026）—— INS018_055 进入临床 II 期，全球首个由生成式 AI 设计的抗纤维化药物

· Recursion Pharmaceuticals（2024-2026）—— AI 制药上市公司，多管线推进

· HelixVS / HelixPro（华深智药）—— 国产虚拟筛选

— 5 大方向产品矩阵（截至 2026.08）

很多人担心：AI 会不会替代科学家？

我的判断：不会替代，但会重新分层。

加速

是最直接的。从「10 年发现一种新材料」到「几个月发现 100 种新材料」，这是量级提升。Insilico Medicine 的 INS018_055 从 AI 发现靶点（2021）到首批 II 期患者给药（2023-06）仅用约 18 个月，是 2023-2025 年最具标志性的 AI 加速案例（注：Isomorphic Labs 在 2025 年宣布即将启动首批临床试验，但截至 2025-07 尚未给药）。

重新分配

才是更深的改变。以前一个实验室 80% 的时间是数据采集、跑实验、写脚本；现在这 80% 慢慢被 AI 接管。科学家更多时间花在「提出新问题」 和「评估 AI 提出的假设」 上。2025 年起，多家药企在岗位 JD 里加入「AI 实验员」或类似描述。

打开新问题

也许是最大的改变。以前受限于计算和实验能力，很多问题「问了也白问」。现在 AI 让这些问题的成本大幅下降——Boltz 系列开源后小实验室也能跑顶级蛋白预测；字节、阿里、华为开源的化学/材料模型，让国内中小药企第一次有了「和大厂同台」的算力配置。

但 AI 不能替代的事依然清晰：

· 提出「对的问题」——这是科学家的核心能力

· 评估 AI 输出的可解释性

· 把 AI 发现变成可重复的物理实验

· 验证 AI 没在数据偏差上过拟合

AI for Science 不是万能解。它至少有三个未解决的问题。

1. 数据偏差

AI 学的是已有数据。如果某种材料从来没人测过，AI 给出的稳定性预测可能完全不可信。GNoME 预测的 220 万种材料中，绝大多数还未被实验合成——这是加速，也是风险。

2. 黑盒性

科学需要可解释性。AI 给出「这个蛋白质会折叠成 X」，但说不清为什么。这在学术发表上是硬伤。2025-2026 年出现的「可解释 AI for Science」（如 Boltz-2 的亲和力可视化）正在尝试解决，但远未成熟。

3. 实验验证

AI 提的假设终究要过物理实验的关。一个新药的体外活性预测就算准到 90%，临床失败的概率依然很高。Insilico Medicine 的 INS018_055 从 AI 发现靶点（2021）到首批 II 期患者给药（2023-06）仅用约 18 个月——AI 加速了「发现」，但发现到上市仍要走完整验证流程。

4. 算力门槛虽然在下降，但依然存在

Boltz 把顶级蛋白预测开源了，但训练一个 GNoME 同等规模的模型仍然需要数千张 GPU。这把绝大多数高校实验室挡在门外。国产开源（Uni-Mol 2、字节 Protenix 等）正在降低门槛，但还没到「人人可用」的程度。

AI for Science 不是要替代科学家，而是要让科学家的「想法」更快变成「结果」。

2026-2030 年，会发生的事：

· 「AI 设计的药物上市」会成为医药行业新常态（不止一款）

· 每个实验室的标配里，多一个 AI 协作者

· 开源生态（Boltz、Uni-Mol 2、Protenix 等）让小实验室也能用上顶级预测

· 学科壁垒会被打破：生物学家直接用材料模型、材料学家直接用蛋白模型

· 「AI 实验员」会成为招聘 JD 里的标准岗位

· 「AI for Science」这个词本身会消失——因为 AI 不再是科学的「特例」，而是科学方法的默认配置