AI做科研，走过概念期

诺奖背书，AI科研驶入快车道

2024年诺贝尔化学奖颁给了谷歌DeepMind的两位AI科学家，他们开发的AlphaFold系统预测了近两亿种蛋白质结构，相当全球科学家五十多年实验积累的一千倍。看清蛋白质形状是理解疾病、设计药物的关键，全球约三分之一的上市药物靶向的都是相关蛋白质。2020年新冠mRNA疫苗能在拿到病毒基因序列后48小时内完成候选分子设计，前提之一就是科学家已看清冠状病毒刺突蛋白的三维结构。AlphaFold的大幅加速让AI辅助科研成为全球焦点。2025年8月，国务院发布《深入实施“人工智能+”行动的意见》，明确提出“加快探索人工智能驱动的新型科研范式”。7月18日，2026世界人工智能大会期间，智源研究院、中科院、深圳河套学院、清华四家机构集中展示了阶段性成果，表明AI能帮到科学家的地方已经很具体：读懂乱数据、操作精密仪器、管理实验流程。

从几个月到三十分钟，催化剂的AI加速度

在材料科学中，找到合适的催化剂是耗时最长的工作之一，催化剂性能直接决定化学反应需要多少能量和时间。传统做法是海量候选配方中反复试错，合成、测试、分析、调整，千万量级的配方一轮往往需要几个月。中国科学院组织多个研究所联合研发的磐石·科学基础大模型2.0，把这个过程压缩到了30分钟以内。磐石解决的核心问题是不同学科数据格式各异，它先把数据统一编码，再用全球1.7亿篇科技文献和中科院科学语料库对齐训练，建立跨学科关联，平台集成了8000余个专业科研工具和技能库。

• 在力学工程领域，与中科院力学所合作，将高铁气动问题的仿真分析时间从数小时压缩到秒级响应，关键参数误差降低42%。
• 在天文领域，与国家天文台合作构建了恒星参数智能反演工具链，稀有天体识别准确率提升约50%。
• 在文献调研环节，过去需要几天甚至几周的梳理，磐石2.0压缩到了20分钟左右。

数据泥潭中走出的“悟界”，让神经科学信号破译不再难

并非所有学科都有像蛋白质结构那样的数据条件，神经科学就是一例。脑电记录、钙成像、神经探针采集的信号来自不同设备、物种和实验范式，格式和维度各不相同，甚至同一组数据不同实验室可能得出相反解读。北京智源人工智能研究院与清华大学联合团队自研了多模态神经科学大模型悟界·Brainμ，走了一条独特的路。他们利用语言和视觉大模型已有的表征空间，把神经科学各模态的稀疏数据对齐进来，让模型学到一个比单一模态更完整的，相当于从不同角度拍同一栋建筑后合成的高维大脑表征。模型掌握了高维表征后，能实现不同模态间的转换，比如输入低成本的脑电数据，输出信息量更大的功能磁共振成像图像。2026年6月，团队在《科学》上首次证实记忆可以反向调控睡眠，为抑郁症、焦虑症的睡眠障碍提供了新干预思路，支撑研究的正是悟界·Brainμ。

• 配套的BrainToken数据平台整合了人类、猴和小鼠三个物种的数据，覆盖主要神经科学模态。
• 与北京生命科学所合作，对超过5000晚小鼠睡眠数据完成了自动化标注和分析，12个月分析结果与专业博士人工判断保持较高一致性。
• 团队联合华为，使用昇腾超节点完成了模型推理适配与优化，全流程支撑了12个月的自动化分析。

仪器“体检”智能化，“黑灯实验室”降本增效

材料研究离不开扫描电镜、X射线衍射仪等一系列精密仪器，但仪器操作极度依赖人工。深圳河套学院联合苏州国家实验室推出的灵鉴多智能体无人表征平台，让智能体以人类专家一样的方式操作设备界面——观察屏幕、点击按钮、读取数据、调整参数。在扫描电镜测试中，灵鉴接管后自动调整加速电压和放大倍率，图像从噪点明显逐步清晰到最佳参数。目前灵鉴已覆盖6类精密仪器、10余种表征模态，micro-CT对准任务AI独立完成率从1.0版本的33%提升到2.0版本的80%，晶体结构解析工作量减少50.6%，微观形貌分析耗时从9分钟缩短到7.5分钟。

清华大学俞立团队则引入了“黑灯实验室”概念，让大模型直接集成进科研仪器，数据采集同时完成分析，结果进入数据库反哺模型，形成不需要人持续干预的循环。学生设计实验前先与大模型充分讨论方案，团队进一步部署智能体管理全链条。引入大模型后，团队扩大20人，实验成本反而降低了25%。按照俞立的设想，过去做一款新药需要10年和10亿美元，未来AI深度介入后，有可能压缩到3个月和300万美元。

算力底座与新评价体系，铺就“换道超车”之路

磐石、悟界、灵鉴、黑灯实验室的成功跑通，都离不开算力支撑。科学计算涉及大量敏感数据和核心成果，依赖自研算力底座是保障数据安全的现实需要。华为科研军团推出的智算实验室和智慧科研解决方案，解决了算力调度和数据管理问题，打通科研全流程，目前已服务全国20多个重点实验室。在嘉庚创新实验室，华为参与共建的物质科学智能算力平台将材料模拟和分子筛选效率提升了20%。

中国科学院院士鄂维南指出，AI for Science的兴起是科研生产力发展到一定阶段的必然产物，也是重构科研生产关系的历史性机遇。他呼吁推动科研评价体系的结构性改革：科研成果不应再局限于论文这一“中间态”，一个革命性的想法、一套高质量数据、一个广泛使用的软件工具，其价值可能远超一篇普通论文。利用“玻尔科研空间站”等新型基础设施汇聚的科研全过程数据，可以对科研工作者的“想法-工具-数据-论文”全链条贡献进行更精细的度量。展望未来3-5年，AI for Science最有希望的突破在于从实验室自动化到新药研发全链条的深度重塑，这正是中国“换道超车”的宝贵契机。