AI FOR SCIENCE  /  深度研究

阅读这份报告，先抓住一条主线。

AI 如何把科学对象变成可计算的数据，如何生成候选结果，又如何通过真实实验完成验证？

全文导读

01　什么是 AI4S

02　AI 如何做科学

03　五大领域突破

04　全球竞争格局

05　中国公司图谱

06　挑战与争议

07　未来展望

1.1 AI4S 的定义与核心逻辑

AI for Science（AI4S，科学智能）是将人工智能深度融入科学研究的新范式，被视为继实验科学、理论科学、计算科学和数据密集科学之后的"第五范式"。其核心思想是：利用 AI 从海量数据中直接发现科学规律，跳过传统物理模型对微观机制的繁琐推演，在蛋白质结构预测、新材料发现、气象预报等领域实现指数级效率提升。

2018 年，中国科学院院士、北京大学鄂维南教授在国内率先引入 AI4S 概念，认为传统科研模式效率较低、学科间壁垒较高，AI 可以实现跨学科融合、加速突破。Google DeepMind 的 AlphaFold 系列将蛋白质结构预测周期从数月/数年缩短至数分钟，是 AI4S 最具标志性的成果。

1.2 为什么现在是关键节点

三大驱动力在 2024-2026 年间首次同时成熟，使 AI4S 从概念走向爆发：

1.3 核心技术路径概览

AI4S 并非一种技术，而是多种 AI 方法在科学问题上的应用组合。以下四条技术路径构成了当前 AI4S 的核心骨架：

重要里程碑事件时间线

1.4 全球投融资规模与趋势

值得注意的趋势分化：尽管 2025 年整体融资回暖，2026 年初 AI 药物发现 VC 资金同比骤降 86%（约 1.08 亿美元），但个别平台仍在完成超大规模融资轮，市场呈现"头部集中、尾部收缩"格局。

前面我们讲了 AI4S "是什么"，但一个更根本的问题尚未回答：AI 究竟是怎么"做"科学的？它如何理解一个蛋白质序列？如何从一堆数据中"猜"出一个新材料的结构？人在这个过程中到底扮演什么角色？这一章是 v3 版本的核心新增章节，我们将深入 AI 科学发现的工作机制。

2.1 AI 怎么"理解"科学问题

2.1.1 科学数据的表征方式 — 万物皆可"向量化"

AI 不能直接"看"蛋白质或晶体，它只懂数字。因此第一步，就是把科学对象翻译成 AI 能处理的输入格式——这个过程叫做表征学习。

2.1.2 大模型在科学中的工作方式 — 预训练 + 微调 vs. 从头训练

科学领域的 AI 模型训练策略主要分两条路线：

2.1.3 强化学习如何驱动科学探索

强化学习（RL）在 AI4S 中的角色越来越重要——它让 AI 从"被动预测"转向"主动探索"。

2.2 人在 AI 科学发现中的角色

AI4S 并非"AI 替代科学家"，而是"人机协作"的新范式。当前阶段，人类在五个关键环节中扮演不可替代的角色：

RLHF 在科学中的特殊价值

RLHF（Reinforcement Learning from Human Feedback）在通用大模型中让 AI"说人话"，在科学中则让 AI"做科学"——科学家告诉模型哪些预测符合物理直觉、哪些违反已知规律，模型通过强化学习逐步内化这些"科学常识"。这在药物设计中尤为关键：化学家可以训练模型避开不稳定的分子骨架，让 AI 生成的分子不仅有活性，还能真正合成出来。

2.3 湿实验室的原理与自动化挑战

这是 AI4S 从"计算预测"走向"真实科学发现"必须跨越的核心鸿沟。理解湿实验，才能理解为什么 Anthropic 建湿实验室是一件大事。

2.3.1 什么是湿实验（wet lab）vs. 干实验（dry lab / in silico）

2.3.2 湿实验的基本流程 — 以蛋白质表达验证为例

假设 AI 预测了一个新型蛋白质的结构和功能，要验证这个预测是否正确，湿实验的典型流程如下：

每一步都耗时数天到数周，任何一步失败都意味着从头开始。

2.3.3 自动化湿实验需要攻克的五大难题

2.3.4 当前最前沿的自动化实验室案例

2.3.5 Anthropic 湿实验室的具体做法

Claude 如何指导实验，人工监督在哪里介入：

来源：TechCrunch（2026-09-24）、The Scientist（2026-09-25）、纽约时报 NYT（2026-09-25）、Anthropic 官方博客（2026-09-24）

每个子领域的结构统一为：研究什么问题 → 怎么做的 → 取得了什么结果 → 还有什么问题没解决。

3.1 生命科学与医学

3.1.1 蛋白质结构预测

研究什么问题：蛋白质的功能取决于其三维结构，而实验测定结构（X 射线晶体学、冷冻电镜）耗时数月到数年、成本高昂。能否从氨基酸序列直接预测蛋白质的三维结构？

3.1.2 AI 药物发现

研究什么问题：传统药物研发平均耗时 10-15 年、花费 20-30 亿美元，成功率不到 10%。AI 能否大幅缩短研发周期、提高成功率？

截至 2026 年初，全球已有 173+ 个 AI 发现药物进入临床开发，其中 15-20 个预计在 2026 年进入关键 III 期试验。2025 年发表的 Nature Medicine 论文显示，AI 发现药物 Phase 1 成功率达 80-90%（历史均值约 52%），但 Phase 2 成功率约 40%，与历史均值持平。

3.1.3 医学影像 AI

研究什么问题：医学影像（CT、MRI、病理切片）数据量大、读片耗时，AI 能否辅助甚至超越人类医生？

3.1.4 基因组学

3.2 材料科学

研究什么问题：发现新材料传统上靠"试错法"——在实验室反复尝试不同元素组合，效率极低。人类已知稳定晶体结构仅约 48,000 种，而理论上可能存在的稳定晶体数量远超于此。AI 能否从已知结构中学习规律，预测未知材料？

3.3 气候与地球科学

研究什么问题：传统数值天气预报依赖超级计算机求解流体力学方程，耗时长、算力需求大。AI 能否用数据驱动的方式实现更快、更准的天气预报？

3.4 化学与合成生物学

研究什么问题：合成一个复杂分子，需要设计一条从廉价原料到目标分子的合成路线——这叫逆合成规划。传统上靠化学家的经验和直觉，能否让 AI 规划出更优路线？此外，能否用 AI 设计自然界不存在的酶来催化非天然反应？

3.5 数学与物理

按地区组织，每个地区说清楚：核心机构、代表成果、政策支持、资金规模。

4.1 美国

Anthropic 湿实验室

详见第二章 2.3.5 节。核心要点：

来源：TechCrunch（2026-09-24）、The Scientist（2026-09-25）、NYT（2026-09-25）、Anthropic 官方博客（2026-09-24）

政策支持

4.2 欧洲

• EU AI in Science Strategy：
  欧盟发布 AI 科学战略，推出 RAISE（Resource for AI Science in Europe）——虚拟研究机构，汇集计算力、数据、人才和研究资金，推动从癌症治疗到环境问题的 AI 驱动科学突破
• EMBL-EBI：
  欧洲分子生物学实验室欧洲生物信息学研究所，维护 AlphaFold DB 等关键数据库，是蛋白质数据库的全球枢纽
• 英国：
  2025 年发布 UK AI for Science 国家战略。GraphCast 获 2024 MacRobert 奖（皇家工程院最高工程创新奖）。Wellcome Trust 资助 AI 科学项目。
• RIKEN（日本）：
  AGIS（Advanced General Intelligence for Science）计划；命名了首台 AI for Science 超级计算机"RIKYU"，提供百亿亿次级算力，2026 年 7 月全面运营

4.3 中国（详细）

中国 AI4S 临床与产业进展（2026 年）：

上海人工智能实验室

来源：新华网（2026-04-07）、上海AI实验室官网（2026-07-20）、腾讯新闻（2026-09-13、2026-09-14）

其他核心机构

国内一线大模型厂商的 AI4S 动态

国内一线通用大模型厂商在 AI4S 领域的专项投入，目前明显弱于上海AI实验室、百图生科等专注机构。更多以"通用能力赋能科研"的方式间接参与，而非直接布局科学发现产品。这与 Anthropic 直接建湿实验室形成鲜明对比。

4.4 韩国

AI4Sci Korea 2026 大会

韩国政府将 AI4S 作为国家科技战略重点，通过大规模国际会议汇聚全球研究者，涵盖从材料科学到药物发现的 15 个学科领域。这反映了韩国在 AI4S 领域"以会促研、以开放换影响力"的策略路径——与中国"建平台、建大模型"的路径不同，韩国更侧重国际协作网络构建。

公司信息按类型聚合，不再行业和公司交替出现。

5.1 生命科学基础大模型公司

深势科技（DP Technology） — AI4S 基础设施平台

5.2 AI 药物发现公司

5.3 湿实验验证平台

2026 年关键进展

来源：金斯瑞官网 2026 年中期业绩公告（2026-08-16）、21经济网（2026-09-21）、富途（2026-09-18）

5.4 医学影像 AI

NMPA AI 医用软件审批现状（截至 2026 年 6 月）：

来源：NMPA 医疗器械注册数据库（统计口径截至 2026-06-28）

5.5 通用大模型在科研中的应用（间接参与）

国内与国际的差距与优势

中国优势：

差距：

其他 AI4S 创业公司

6.1 数据质量 — 科学数据稀缺且噪声大

AI4S 的基石是数据，但科学数据与互联网数据有本质不同：稀缺、昂贵、噪声大。

来源：arXiv:2510.11595

6.2 可重复性危机 — AI 生成结果的实验验证成本极高

6.3 模型可解释性 — AlphaFold 预测准确但科学家不知道"为什么"

AI 模型（尤其是深度学习）的"黑箱"特性使科学家难以理解预测背后的物理/化学机制。AlphaFold 能准确预测蛋白质结构，但它"看到了"什么？是物理相互作用？还是统计规律？科学家无法区分。

Nature Research Intelligence 指出："如何提高 AI 模型在研究中的泛化性和可解释性"是 AI4S 的根本问题之一。这不仅影响科学理解，也影响监管审批——FDA 和 NMPA 需要知道 AI 做出诊断的"理由"。

6.4 分布外泛化 — AI 在全新化学空间或新型生物体系时失效

AI 在训练数据分布内表现好，但遇到全新化学空间或新型生物体系时失效。这是 AI4S 最深层的理论挑战：

6.5 自动化湿实验的工程挑战

详见第二章 2.3 节。核心问题：液体处理精度、实验条件非标准化、实验失败率高、AI 指令到机器人动作的转化、实验数据实时反馈闭环。当前最先进的自动化实验室（Emerald Cloud Lab、Strateos）也仅能覆盖有限的标准化实验流程，远未达到"AI 说一句话，机器人全自动完成实验"的水平。

6.6 伦理与监管 — 双重用途风险

7.1 近期（1-2 年）：AI 辅助科研成为标配，湿实验自动化加速

7.2 中期（3-5 年）：AI 自主提出假设并验证

科研范式将从"人提问 AI 算"转向"AI 提问 AI 验证 人判断"。

AI4S 正在推动科学从"假设驱动"向"数据驱动+假设验证"的混合范式转变。复旦大学与上海科学智能研究院提出 AI4S 的分级框架：

来源：preprints.org（复旦大学/上海科学智能研究院）

关键趋势：

图 071｜7.2 中期（3-5 年）：AI 自主提出假设并验证

7.3 长期：AI 科学家能否独立做出诺贝尔奖级别的发现？

2024 年诺贝尔化学奖授予 AlphaFold 和蛋白质设计——这是 AI 工具获得最高科学认可。但关键问题是：AlphaFold 是"工具"，不是"科学家"。它能预测结构，但不会自己"提出"要解决什么科学问题。

真正的"AI 科学家"需要做到：

Anthropic 的湿实验室是迈向这一目标的重要一步——Claude 已经能自主发现类 CRISPR 酶系统，说明 AI 正在从"回答问题"走向"发现问题"。但 Dario Amodei 强调这仍是早期阶段。能否真正实现 AI 独立做出诺贝尔奖级别的发现，取决于两个核心能力是否突破：创造性猜想（AI 能否提出新理论）和跨学科直觉（AI 能否像爱因斯坦一样，从物理直觉出发建立全新框架）。

2025 年 Nature Research Intelligence 与复旦大学联合发布的《AI for Science 2025》报告总结道：AI for Science 正在改变传统研究范式，但也提出了根本性问题——如何构建跨尺度、超学科的 AI4S 模型，如何提高 AI 模型的泛化性和可解释性，以及如何利用 AI 推进科学发现的边界。

瞭望周刊指出："在积极利用 AI 提升知识积累效率的同时，我们需审慎思考，如何确保科学成果的质量与深度不被速度稀释，并将最终的解释权、决策权等'认知主动权'牢牢掌握在人类自己手中。"

资料来源与编制说明

本报告数据来源包括：Nature, Science, Reuters, Nature Research Intelligence, DealForma, PitchBook, pharmaphorum, CB Insights, NMPA 医疗器械注册数据库, ECMWF, DeepMind blog, EvolutionaryScale, TechCrunch, The Scientist, Anthropic 官方博客, 瞭望周刊, CSET (Georgetown), RAND, SCMP, IntuitionLabs, arXiv, 21经济网, 富途, GeneOnline, 新华网, 腾讯新闻 等公开信息源。数据截至 2026 年 9 月。

报告生成时间：2026 年 9 月 28 日 

说明：文内如有错误，欢迎留言指正！