返回首页
科学智算智能体——从方程求解到自主科学发现 | YEF2026
科学智算是以神经网络替代传统数值方法求解偏微分方程的新范式，核心思想是“以学代算”，将求解经验编码为可复用的模型参数。过去几十年，科学计算先是用有限元等方法让方程从“手算”变为“机算”，又借助超级计算机将问题规模提升了多个数量级。科学智算，则用人工智能方法开辟了新的路径。今天，这条路正在以前所未有的方式延伸：研究者希望智能体不只是更快更准地解方程，还能像科学家一样提出问题、设计实验、发现新规律。鄂维南院士将这一趋势概括为科学研究的“Android 范式”：AI 正在催生一整套新的科研基础设施，从数据、算法到工具链，推动科研模式的根本性转变。本论坛聚焦“科学智算智能体”，反映了这一转变中最前沿的实践，据此我们提出两个值得深思的问题。
问题1：AI 求解方程是在拟合物理，还是拟合软件？
当前几乎所有 AI 求解器的训练数据，都来自传统数值求解器的输出。这意味着模型拟合的并非自然界本身，而是另一个软件。求解器自身携带的离散化误差、数值耗散以及未建模的物理过程，都被原封不动地编码进了神经网络的参数中。数值求解器构成了一道隐性的天花板：在其生成的数据上训练，无论精度多高，本质上都只是在天花板之下做得更快。
这不仅是数据来源的问题，更是评估体系的缺失。有研究者明确指出：与传统求解器天然具备守恒律和对称性保证不同，当前的科学机器学习模型几乎从未被拆解到 PDE 的基本组成项上逐一验证[2]。主流 benchmark 衡量的是“模型逼近求解器的能力”，而非“模型理解物理的能力”。
RealPDEBench（ICLR 2026 Oral）第一次将这一问题摆上了台面。作为科学智算领域首个将真实实验数据与仿真数据配对的基准，该工作覆盖流体力学和燃烧等物理系统超过 700 组真实实验，结果表明仅用模拟数据训练的模型在真实场景下的表现显著下降[3]。
未来，科学智算智能体的真正使命，也许不是让AI更好地模仿求解器，而是让其直接面对观测与实验，去触及数值方法尚未抵达的边界。
问题2：传统数值求解器是被AI取代，还是被AI调度？
“取代传统数值求解器”是过去几年科学智算最响亮的口号之一。从FNO到DeepONet，大部分论文摘要中不提一句“比FEM快若干数量级”，似乎便缺了几分底气。整个领域的叙事隐隐指向同一个终点：神经算子终将让传统求解器退场。
然而现实往往更为复杂，港理工团队今年发现，即便是最强的大语言模型，在零样本CFD自动化任务中的表现也远未达到可用水平[4]。PINNs 与DeepONet的提出者 Karniadakis 团队同样在2025年做了一组系统对比：让DeepSeek、ChatGPT、Claude处理需要非平凡判断的科学计算问题，结论是推理型模型显著优于非推理模型，但即便最强模型也需要精心设计的推理链才能给出可靠答案[5]。
真正在发生的，并非取代，而是角色转换。求解器正从唯一的计算引擎，转变为智能体工具箱中最可靠的验证手段。在十万亿量级的化合物空间中，毫秒响应的AI推理与耗时数小时的物理仿真通过异步调度实现协同：智能体在前方快速探索，求解器在后方负责验证，一天内即可完成全空间的高保真筛选[7]。科学智算，或许不再是AI与求解器的二选一，而是在智能体编排下两者共同进化的新生态。
[1]鄂维南.AI助力打造科学研究新范式[J].中国科学院院刊, 2024, 39(1):10-16.DOI:10.16418/j.issn.1000-3045.20231224001.
[2] Ma S, Zadeh M M, Soroco M, et al. Learning data-efficient and generalizable neural operators via fundamental physics knowledge[J]. arXiv preprint arXiv:2602.15184, 2026.
[3] Hu P, Feng H, Liu H, et al. RealPDEBench: A Benchmark for Complex Physical Systems with Real-World Data[J]. arXiv preprint arXiv:2601.01829, 2026.
[4] Fan E, Shi L, Li Z, et al. PhyNiKCE: A Neurosymbolic Agentic Framework for Autonomous Computational Fluid Dynamics[J]. arXiv preprint arXiv:2602.11666, 2026.
[5]Jiang Q, Gao Z, Karniadakis G E. DeepSeek vs. ChatGPT vs. Claude: A comparative study for scientific computing and scientific machine learning tasks[J]. Theoretical and Applied Mechanics Letters, 2025, 15(3): 100583.
[6] Roy R, Nayak D, Goswami S. The Best of Both Worlds: Hybridizing Neural Operators and Solvers for Stable Long-Horizon Inference[J]. arXiv preprint arXiv:2512.19643, 2025.
[7] Chen Y, Rao J, Xie J, et al. Reinforced Active Learning for Large-Scale Virtual Screening with Learnable Policy Model[C]//The Thirty-ninth Annual Conference on Neural Information Processing Systems.
论坛简介
人工智能引发科学发现与技术创新模式的根本性变革，以AlphaFold为代表的诺奖级成果诞生，标志着科学智算（AI4SC）新范式的形成。科学智算正步入以智能体为核心的关键发展阶段，从方程高效求解，到物理系统的仿真与设计，再到多学科自主科学探索，智能体的能力边界正被快速拓展。当前科学智算面临从模拟数据到真实物理的可信度跨越、从神经算子到传统求解器的协同调度、从单一加速到跨学科通用建模等关键挑战。本论坛特邀海洋智能计算、物理仿真与设计、AI药物发现、PDE基础模型等方向的青年学者，围绕科学智算智能体的理论突破与前沿实践展开深度讨论。
论坛主席
北京航空航天大学
国家级青年人才，副教授、博士生导师
长期从事序列大数据、科学智算软件研究，在AIJ、ICML、NeurIPS、KDD等国内外顶级会议期刊上发表学术论文50余篇，授权国家发明专利15项，获“AAAI’21 最佳论文奖”、“IEEE IWQoS’22 最佳论文奖”、教育部科学研究优秀成果奖工程技术一等奖、中国电子学会自然科学一等奖、首届“祖冲之”人工智能前沿创新奖、国网大数据中心科技进步一等奖、网信办中国开源创新大赛一等奖。主持国家自然科学基金、科技部重点研发等项目，负责国家电网、航天五院、华为等企业项目。入选中国科协青年托举人才、CCF青年人才发展计划、人工智能学会优博、ACM China北京优博、世界人工智能大会WAIC“云帆奖”、北京市“海英之星”等。
共同主席
浙江大学
国家级青年人才，研究员、博士生导师
本科毕业于浙江大学计算机学院，博士毕业于悉尼科技大学，曾担任悉尼科技大学讲师。入选首届谷歌学术研究奖（2021）、福布斯中国30岁以下精英榜（2023）。主要研究方向为大语言模型、智能物理仿真，致力于实现对物理世界的精准预测和交互。曾获得美国国家标准总局TRECVID LOC竞赛冠军（2016）、THUMOS动作识别竞赛冠军（2015）、EPIC-KITCHENS第一视角动作识别竞赛冠军（2019，2020）、CVPR MABe多智能体行为建模竞赛冠军（2022）等8项国际竞赛冠军。曾担任Neurocomputing、CVIU客座编辑，国际会议领域主席（IEEE MLSP'21、ICIP'24、ECCV'24、NeurIPS'24、CVPR'25等），并多次组织国际会议专题研讨会。
论坛讲者
中国海洋大学
国家级青年人才，教授、博士生导师
围绕海洋人工智能交叉研究方向发表百余篇高水平论文，提出“海洋多模态智能计算”等面向海洋科学的人工智能关键技术，担任科技部重点研发计划项目“数据驱动的海洋生态系统健康评价”青年科学家项目首席，围绕该方向主持国家自然科学基金青B项目“海洋多模态智能计算”、区域联合（重点）项目“海洋大数据知识演化与复杂问题协同推理”等国家级项目6项，省部级重点项目2项，以第一发明人授权国家发明专利48项，获得山东省技术发明一等奖1项，山东省科技进步一等奖2项，担任IEEE TCSVT、IJDE，IMTS等国际权威期刊编委。
题目：知识-数据-物理融合：人工智能驱动的海洋复杂可计算系统新方法
摘要：本报告聚焦于人工智能推动海洋复杂可计算系统演进的技术路径，全面回顾了面向海洋环境预报的智能化框架。首先回顾科学研究的四大范式——实验、理论、计算与数据密集型思维在海洋预测领域的演进，指出复杂环境建模已超出现有可计算系统的表达与推理能力。随着大语言模型的兴起，科学计算正从物理层级拓展至知识与语义层级，人工智能正在重构科研工具链。报告介绍了物理机制与数据驱动耦合的创新框架及其在典型海洋过程预报中的应用成效，分析了人工智能技术对现有海洋计算系统的优化作用。
西湖大学
国家级青年人才，人工智能系特聘研究员
研究生成式AI及用于科学仿真、控制、设计和发现，并在能源、流体等领域应用。在人工智能顶级会议和物理学顶级期刊等发表文章40余篇，其中6篇被评为热点论文。主持国家自然科学基金海外优青项目、基金委重大研究计划培育项目等。
题目：从生成模型到物理智能：复杂物理系统的仿真和设计
摘要：在本次报告中，我将介绍我们如何将生成模型应用于复杂物理系统的仿真与控制。首先，我们提出一种生成式多物理场仿真新范式，该方法为每个物理场独立学习基于流匹配的生成模型，在推理阶段通过耦合实现多个物理过程的协同演化。针对当前多数AI4PDE数据仅来源于求解器的问题，我们构建了RealPDEBench——首个将真实实验数据（涵盖流体、燃烧）与仿真数据配对的数据集与评测基准，并深入分析了PDE领域特有的sim2real问题。最后，我们提出基于多智能体的通用AI工程师，可以根据一句话描述在模拟环境中造出复杂装置（火箭、汽车、桥梁等）。
中山大学，逸仙博士后
长期深耕于人工智能与生命科学的深度交叉研究领域。近年来在Nature Catalysis、Nature Computational Science等顶刊发表20余篇代表性成果，谷歌学术总引逾1800次。其中以第一作者（含共同）或通讯作者发表论文16 篇，涵盖Nature子刊及ICML、NeurIPS、CVPR 等人工智能CCF-A类顶级会议论文12篇。目前主持参与了包括国家重点研发计划子课题、国家自然科学基金青年科学基金项目（C类）、广东省自然科学基金面上项目等在内的多项国家级和省部级核心课题。凭借在 AI 驱动药物发现领域的卓越贡献，先后荣获ACM SigBio优博奖、ACM BCB 2024 Rising Star Award、细胞出版社（Cell Press）2021年度中国最佳论文奖以及腾讯犀牛鸟精英人才奖。
题目：HPC-AI 驱动的自进化智能体实现十万亿级可合成化合物空间快速筛选
摘要：针对现代药物发现中搜索空间巨大与候选分子成药性低的核心瓶颈，本研究提出了一种构建于 E 级超算架构的 HPC-AI 驱动自进化筛选智能体。该智能体通过结构化约束，将搜索边界严格限定在由真实反应模板构建的（十万亿）量级可合成化合物全空间，从根本上解决了传统生成模型“易画出、难合成”的痛点。为破解超大规模空间下高保真模拟与 AI 代理模型泛化性之间的矛盾，我们引入 GRPO（群组相对策略优化）算法 引导智能体进行自进化探索，并创新性地研发了异步实时集成调度机制（RTAI），通过解耦毫秒级 AI 推理与小时级物理 HPC 仿真，该机制在千万核规模上消除了负载不均与长尾延迟，实现了算力与算法的深度协同。实验证明，该智能体仅需 22.6 小时 即可完成十万亿级全空间的高保真筛选，并成功产出合成路径需 4 步、具备临床前潜力的多靶点肿瘤激酶抑制剂。本工作不仅展示了科学智能体处理极端规模搜索空间的巨大潜力，更为加速从算力突破到新药申报（IND）的全链路转化提供了新范式。
北京航空航天大学，卓百博士后
长期深耕于人工智能与科学计算的深度交叉研究领域，聚焦偏微分方程求解基础模型、神经算子与科学智能体等方向。在ICML、CVPR、AAAI等发表CCF-A类/一区顶会顶刊论文12篇，授权国家发明专利5项，申请国际PCT专利1项，建设国家科学智算共性平台CNAI4S。荣获2025年中国电子学会科技进步一等奖（排名5）、第51届日内瓦国际发明展银奖、工信部全国工业APP大赛总冠军（2310支队伍排名第1）、中国国际“互联网+”大赛北京赛区一等奖、小米全国“AI+X”优秀博士等荣誉。受邀担任国际顶级会议IJCAI 2025 Demo Session主席，ICML、ICLR、NeurIPS、CVPR、AAAI、ACL、KDD等国际学术会议程序委员会成员，国际期刊IEEE TPAMI、IEEE TNNLS等多个权威杂志审稿人。
题目：面向科学智算的基础模型及智能体平台应用
摘要：从AlphaFold获2024年诺贝尔化学奖，到AI Scientist自主完成同行评审论文，人工智能正向科学研究这一人类智慧的最高结晶发起冲击。偏微分方程能否像语言、图像般孕育出基础模型？千禧年问题NS方程是否存在Scaling Law？本研究提出面向科学智算的基础模型OmniArch，通过统一架构破解问题尺度、物理量、物理规律三方面对齐难题，在PDEBench上完成1D/2D/3D联合预训练，零样本推理带来全新物理发现的可能。团队进一步联合华为、百度建设国家科学智算共性平台CNAI4S，服务12个领域19万用户，原生支持智能体工具调用与求解器编排，使基础模型、神经算子、数值方法协同服务科学发现，助力科学智算从方程求解走向自主发现。
京公网安备 11010802032778号
