AI做科研，走過概念期

2024年，諾貝爾化學獎頒給了谷歌DeepMind的兩位人工智能科學家德米斯·哈薩比斯和約翰·杰珀，他們開發的AlphaFold系統預測了接近兩億種蛋白質的三維結構，相當于全球科學家五十多年實驗積累的一千倍。

看清蛋白質的形狀才能理解疾病、設計藥物，全球大約三分之一的上市藥物靶向的都是致病相關的蛋白質，2020年新冠mRNA疫苗能在拿到病毒基因序列后48小時內完成候選分子設計，前提之一就是科學家此前已經看清了冠狀病毒刺突蛋白的三維結構。AlphaFold的出現大幅加速了蛋白質結構解析的效率，也讓AI輔助科研成為全球關注的焦點。

AlphaFold能做到這一點，是因為蛋白質領域擁有五十多年標準化的數據積累、成熟統一的檢測手段和全球共享的數據庫，天然適合AI建模。

但在許多科研領域，數據條件遠沒有這么好，AI能否在這些領域同樣發揮作用，正在成為科學界和產業界共同關注的問題。

2025年8月，國務院發布的《深入實施“人工智能+”行動的意見》中，明確提出“加快探索人工智能驅動的新型科研范式”。7月18日，2026世界人工智能大會（WAIC）期間，智源研究院、中國科學院、深圳河套學院、清華大學四家機構在“AI for Science: Beyond the Concept”（科學智能：從概念走向實踐）圓桌論壇上集中展示了各自的階段性成果。

四家機構的探索方向各不相同，但AI能幫到科學家的地方已經很具體了，讀懂雜亂的實驗數據，操作精密儀器，管理實驗流程。以往科研人員的大量時間花在了這些重復性事務上，壓縮這些時間，科學家才能把精力放到提出假設、設計實驗和解讀結果上。

讀懂實驗數據

今年7月，中國科學院上海硅酸鹽研究所的研發團隊從兩千萬種候選配方中鎖定了一種新型合金催化劑，活性比市面上的商用催化劑高出38%，而一次干實驗篩選過程只需30分鐘。

這種催化劑用于析氫反應，也就是用電把水分解成氫氣，是綠色氫能產業鏈上的關鍵材料。催化劑在日常生活中也很常見，比如汽車排氣管里的三元催化器，負責把發動機排出的一氧化碳和氮氧化物轉化成無害氣體；化肥廠用鐵基催化劑合成氨，全球近一半人口的糧食生產依賴這一工藝。

催化劑的性能直接決定一個化學反應需要多少能量、花多長時間，但找到合適的催化劑一直是材料科學中最耗時的工作之一。傳統做法是在海量候選配方中反復試錯，研究人員合成一批材料，測試性能，分析數據，調整配方，候選配方在千萬量級時，一輪走下來往往需要幾個月。

幫助這個團隊把幾個月壓縮到30分鐘的工具，是中科院組織多個研究所聯合研發的磐石·科學基礎大模型2.0（ScienceOne Omni）。磐石要解決的一個核心問題是，不同學科的數據長得完全不一樣，分子結構是三維坐標，光譜是一維波形，蛋白質是氨基酸序列，科學圖像是像素矩陣。

磐石的做法是先把這些格式各異的數據統一編碼成模型能處理的形式，再用全球1.7億篇科技文獻、中科院科學語料庫做對齊訓練，讓模型在不同學科之間建立關聯，最后針對具體科研任務輸出結果。訓練數據包含800萬條科學推理樣本，平臺集成了8000余個專業科研工具和技能庫。

中科院自動化研究所研究員徐楠在圓桌論壇上表示，磐石2.0要做的是“讓模型像科學家一樣思考”。

因為能跨學科處理數據，磐石的應用范圍遠不止催化劑。在力學工程領域，磐石與中科院力學研究所合作，將高鐵氣動問題的仿真分析時間從數小時壓縮到了秒級響應，數據稀缺場景下關鍵參數誤差降低42%。在天文領域，磐石與國家天文臺合作構建了恒星參數智能反演工具鏈，稀有天體的識別準確率相比現有方法提升約50%。在日常科研中最耗時間的文獻調研環節，過去一輪系統性的文獻梳理通常需要幾天甚至幾周，磐石2.0把這個過程壓縮到了20分鐘左右。

目前磐石已落地50余家中科院內研究所和30余家院外機構，算力體系基于華為智算實驗室解決方案，已適配昇騰等芯片。

磐石覆蓋的這些學科有一個共性，它們的數據雖然格式各異，但都有成熟的文獻體系和公式可以參照，AI建模有據可依。

還有一些學科沒有這樣的條件，實驗數據來自不同類型的設備，格式和維度各不相同，甚至連統一的標注標準都還沒建立起來，AI建模很難找到可靠的起點。

但即使在這樣的條件下，AI也開始產出嚴肅的科研成果。例如，神經科學領域。

2026年6月，北京智源人工智能研究院與清華大學聯合團隊在《科學》（Science）期刊上發表了一項研究，首次證實記憶可以反向調控睡眠，正向記憶讓睡眠更連續，負向記憶加劇睡眠碎片化，為抑郁癥、焦慮癥伴隨的睡眠障礙提供了新的干預思路。

支撐這項研究數據分析的，是智源自研的多模態神經科學大模型悟界·Brainμ（讀作Brain-mü）。

智源研究院研究員雷博在圓桌論壇上說，蛋白質結構預測之所以適合AI建模，是因為當時整個領域的數據標準相對來說已經高度成熟，神經科學到今天還沒有這樣的基礎。腦電記錄的是大腦表面的電信號，鈣成像拍下的是局部單個神經元的活動，神經探針采集的是局限區域的腦深部區域的放電，這些信號來自不同設備、不同物種、不同實驗范式，格式和維度各不相同。雷博稱，甚至同一組數據，不同實驗室也可能給出完全相反的解讀。

面對這樣的數據困境，智源自研的悟界·Brainμ走了一條不同的路，借助已經訓練好的多模態模型作為參照系。雷博解釋，大腦是一個高維的存在，每種檢測設備只能捕捉它的一個低維投影，就像從不同角度拍同一棟建筑，每張照片都只有一部分信息。Brainμ利用語言和視覺的多模態模型已有的表征空間，把神經科學各個模態的稀疏數據對齊進來，讓模型學到一個比單一模態更完整的大腦表征。

當模型掌握了這個高維表征之后，就可以實現不同模態之間的轉換，比如輸入一段成本低廉的腦電數據，輸出信息量更大但設備昂貴的功能性磁共振成像（fMRI）圖像，對缺少高端設備的基層醫療機構來說，醫生有可能借助AI做到原本只有大型三甲醫院才能做出的診斷。

配套的BrainToken數據平臺整合了人類、猴和小鼠三個物種的數據，覆蓋從腦電到雙光子鈣成像等主要神經科學模態。在與北京生命科學研究所的合作中，悟界·Brainμ對超過5000晚小鼠睡眠數據完成了自動化標注和分析，超過12個月的分析結果經過雙向驗證，與專業睡眠神經科學博士的人工判斷保持較高一致性。模型訓練覆蓋超過7萬晚睡眠記錄。據智源研究院介紹，團隊聯合華為，使用昇騰超節點完成了悟界·Brainμ的推理適配與優化，全流程支撐了12個月的自動化分析。

雷博用大語言模型的發展階段來衡量科學智能當前的位置。在他看來，模型能力大概還在GPT-1階段，產業界的關注度已經到了GPT-3，科學家的使用反饋已經接近ChatGPT的前期。大語言模型是能力先成熟、應用再跟上，科學智能的邏輯反過來，應用先跑起來，拽著模型往前走。“需求走在能力前面，應用驗證反過來推動模型迭代。”

AI開始管理實驗室

做材料研究，需要用不同儀器獲取材料的成分、結構和形貌信息。深圳河套學院副院長歐陽萬里在圓桌論壇上說，就像給人做體檢需要心電圖、B超、CT各種設備，材料的“體檢”也離不開掃描電子顯微鏡、X射線衍射儀、能譜儀等一系列精密儀器。這些儀器的操作極度依賴人，研究人員需要手動制備樣品，手動控制儀器軟件，反復調整參數等待出圖，再手動分析數據，不同設備之間的軟件系統相互封閉。

深圳河套學院聯合蘇州國家實驗室推出的靈鑒（AuraID）多智能體無人表征平臺，選擇了一條不同的路。這套系統不要求儀器廠商開放軟件接口，讓智能體以與人類專家一樣的方式操作設備界面，觀察屏幕圖像，點擊按鈕，讀取數據，調整參數。

在掃描電子顯微鏡的測試中，靈鑒接管操作后，一開始拍出的圖像噪點明顯，系統自動調整加速電壓和放大倍率，圖像逐步清晰，最終停在最佳參數上，自動完成圖像捕獲和顆粒粒徑分析。

目前靈鑒已覆蓋6類精密儀器、10余種表征模態，在micro-CT（微型計算機斷層掃描）對準任務中，AI獨立完成率從1.0版本的33%提升到2.0版本的80%，晶體結構解析的工作量減少50.6%，微觀形貌分析耗時從9分鐘縮短到7.5分鐘。同一套操作規則可以支持能源材料、納米材料和金屬材料三類不同樣本的表征。

深圳河套學院代表王智慧表示，合成側的自動化已經有不少科研機構在推進，但表征側的無人化和智能化還是空白，靈鑒切入的正是這個環節。

清華大學生命科學學院教授、膜生物學全國重點實驗室主任俞立在圓桌論壇上介紹了黑燈實驗室在生命科學領域的落地思考。

2025年12月，清華大學正式成立生命科學人工智能研究中心，為這一方向的落地提供了機構基礎。黑燈實驗室的概念源自制造業的“黑燈工廠”，生產線無需人值守，燈都不用開。俞立把這個思路引入科研，讓大模型直接集成進科研儀器，數據采集的同時完成分析，結果進入數據庫反哺模型訓練，形成不需要人持續干預的循環。

俞立透露，他的團隊兩年前開始引入大模型輔助實驗流程，具體做法是讓學生在設計實驗之前先和大模型充分討論方案，把可能遇到的問題提前排查一遍。去年，團隊進一步部署智能體管理全鏈條。

引入大模型后，在團隊擴大20人的情況下，實驗成本反而降低了25%。圍繞這一方向，俞立已經在杭州等地建設了配套研究機構，配備冷凍電鏡、大規模算力和存儲等基礎設施，聚集了化學家、生物學家、醫生和工程師在同一個空間里協作。按照俞立的設想，過去做一款新藥需要10年和10億美元，隨著AI深度介入科研流程，將來有可能壓縮到3個月和300萬美元。

磐石的跨學科建模、Brainμ的腦科學信號分析、靈鑒的儀器操控、俞立的黑燈實驗室，這些成果跑通都離不開算力的支撐。

此外，對于國內科研機構而言，算力自主創新的重要性還要再加一層。

科學計算涉及大量敏感數據和核心研究成果，依賴自研算力底座，既是保障數據安全的現實需要，也是提升國內科研整體競爭力的基礎條件。華為科研軍團推出的智算實驗室和智慧科研兩套解決方案，就在這一方向上做了探索，前者解決算力調度和數據管理，后者打通科研全流程，目前已服務全國20多個重點實驗室。

在嘉庚創新實驗室，華為參與共建的物質科學智能算力平臺已經投入運行，將材料模擬和分子篩選等任務的計算效率提升了20%。從優質算力的供給到科研全流程的數字化，軟硬自研的技術生態正在為科學智能的落地提供越來越完整的支撐。

AlphaFold證明了在數據條件最好的領域，AI可以拿到諾獎級的成果，而這四家機構正在做的事可能沒有多么耀眼，但卻更為重要。它們要讓AI在數據條件遠沒有那么好的地方也能幫上忙，讓科學家少花一些心力在重復勞動上，多留一些時間給那些只有人才能想清楚的問題。

（作者 馮科翰）