一、概念内涵

随着生成式人工智能特别是大模型技术快速发展，人工智能正从传统的信息处理和科研工具进入科学问题求解与科学知识生产过程，推动科学研究由实验观测、理论推导、计算仿真和数据密集型研究进一步迈向“AI+数据+算力”驱动的智能科研。AI for Science（AI4S）并非简单地将AI应用于科研，而是利用科学基础模型、智能体和智能计算等技术，重构科学问题提出、知识发现、理论推演、计算模拟和实验验证全过程。其核心是形成科学家的知识、经验与直觉同机器的感知、计算、推理、搜索和执行能力之间的深度协同，即“超智融合”。这一过程一方面让AI直接解决复杂科学问题，另一方面让AI全面提升科研人员的认知、计算和实验能力，从而推动AI由科研工具走向科学发现的重要参与者，并引发科研范式、科研组织方式和科研基础设施的系统性变革。

二、研究热点

当前AI4S主要沿“让AI解决科学问题”和“让AI提升科研能力”两个方向展开：前者直接进入科学规律发现与复杂问题求解，后者则推动AI由单项工具向贯穿科研全过程的智能协作者演进。

1、让AI解决科学问题

利用AI直接解决科学问题，是当前AI4S最具代表性的方向。生命科学领域，Google DeepMind的AlphaFold和AlphaFold 3突破蛋白质结构及生物分子相互作用预测；地球科学领域，GraphCast快速生成全球中期天气预报；Microsoft Research AI for Science的MatterGen、MatterSim和Aurora分别探索材料生成、材料模拟和大气基础模型；MIT的CRESt把多模态模型、主动学习和机器人实验结合，实现材料发现闭环；阿贡国家实验室利用多智能体自动编排原子尺度模拟工作流，加速材料发现；国内中国科学院物理研究所则持续探索从预测式、生成式到智能体式的AI材料研究。上述成果表明，AI正在由“分析科学数据”走向“提出候选、发现规律、生成方案和验证假设”，开始直接进入科学知识生产过程。

热点代表性机构/研究团队：

[1]Google DeepMind（AlphaFold、GraphCast）

[2]Microsoft Research AI for Science（MatterGen、MatterSim、Aurora）

[3]Massachusetts Institute of Technology（CRESt）

[4]Argonne National Laboratory（AI智能体与材料模拟）

[5]中国科学院物理研究所（AI for Materials）

2、让AI提升科研能力

利用AI全面提升科研主体的认知、计算、协作与实验能力，是AI4S的另一重要方向。Anthropic正在推进Claude Science和AI for Science计划，并建设生命科学研究团队，使Claude参与大规模生物数据分析、假设生成和实验验证；OpenAI通过GPT-Rosalind、FrontierScience及科研人员支持计划，强化模型在生命科学、数学、物理和化学等领域的科学推理与科研工作流能力；上海人工智能实验室的Intern·Agent、Intern-Discovery将专业智能体、科研数据和实验设备连接起来，支持从假设到验证；中国科学院自动化研究所的“磐石·科学基础大模型2.0”强化科学知识理解、推理和工具编排；深势科技发布玻尔·科学空间，将科学知识、数据、模型、软件、算力与实验资源连接，并内置多学科AI科学家，支持从科学调研、假设提出到计算验证和成果输出。AI由此不再只是科研助手，而开始成为持续增强科研人员能力的智能科研基础设施。

热点代表性机构/研究团队：

[1]Anthropic（Claude Science、AI for Science）

[2]OpenAI（GPT-Rosalind、FrontierScience）

[3]上海人工智能实验室（Intern·Agent、Intern-Discovery）

[4]中国科学院自动化研究所（磐石·科学基础大模型2.0）

[5]深势科技（玻尔·科学空间）

三、发展趋势

总体来看，AI4S正在由单点技术应用走向科学问题系统求解、科研能力全面增强和基础模型能力持续跃迁的新阶段，人的科学智能与机器智能将进一步融合并推动科研范式整体演进。

1. 从单点求解到系统发现

未来AI4S将由解决边界清晰的单一科学任务，逐步走向复杂科学问题的系统求解。面对多尺度、多变量、多物理场耦合以及巨大搜索空间的问题，需要将科学知识、数据驱动模型、机理模型、数值模拟和实验验证组织为统一过程。AI将由预测模型发展为能够进行问题分解、假设生成、方案搜索、计算推演和迭代优化的系统性求解器，并形成“问题定义—建模—计算—实验—反馈—再发现”的闭环。与此同时，AI4S将持续产生模型训练、科学模拟、数据处理和推理需求，推动AI与HPC进一步融合，形成面向智能科研的新型计算基础设施。

2. 从AI辅助到超智融合

AI提升科研能力将推动科研模式由“科学家使用AI工具”转向“科学家与AI共同开展科研”。未来智能体将围绕科研目标持续执行知识获取、问题分析、方案设计、计算实验和结果评价，并通过多智能体协作形成新的科研组织模式。科学家的工作将更多聚焦于科学问题凝练、关键假设判断、研究方向选择和科学解释。超智融合的核心不是简单的人机替代，而是将人的科学直觉、经验和创造力，与机器的超域知识关联、大规模搜索、数理推演和持续执行能力深度结合，形成超越单个科研人员能力边界的新型科研主体，并改变科研团队的组织形式和知识生产方式。

3. 从通用基模到强数理基模

面向更加复杂和基础性的科学问题，AI基础模型需要进一步提升数学推理、物理理解、因果分析和长链条科学推演能力。未来科学基础模型将由以语言理解和知识获取为主，逐步向具有更强数学、物理和科学推理能力的模型演进，并加强与科学定律、形式化证明、科学计算和实验反馈的融合。模型能力提升的重点将由单纯扩大参数规模，转向增强科学知识表示、数理推理、可验证计算、自主规划和长期记忆等能力，使AI从拟合和预测已有知识进一步走向理论推导、规律发现和科学假设生成。随着强数理能力增强，AI4S有望进入数据稀缺、机理复杂、验证成本高的重大科学问题领域。