在这一轮波澜壮阔的人工智能浪潮中，我们常被算力、模型规模和颠覆式叙事所簇拥。然而，真正值得记录的变化，往往发生在那些远离喧嚣的实验室里、发生在一行行代码与科学假设的碰撞中：AI 是如何从一种 " 使能技术 "，演变为改变人类推进科研的基本范式的？

2025 年，AI4Science（AI4S）不再仅仅是论文中的愿景。它正以一种极其务实且具体的姿态，嵌入到每一位科学家的日常。

在这一年里，我们看到 AI4S 呈现出多维度的进化：

它是高效的 " 科研加速器 "： 从润色论文到整理会议纪要，从自动化数据处理到启发科学假设，正如吴琦教授与许东教授所言，AI 正在将科学家从低效的试错中解放，让他们重新聚焦于 " 创造性思维 " 本身。

它是认知的 " 破局者 "：  无论是 AlphaFold 3 的持续震撼，还是 Noetik 的虚拟细胞模型，AI 开始突破传统学科的藩篱。樊隽轩教授与张清鹏教授都观察到，当数据被转化为 AI 可理解的要素，两个独立领域被真正贯通，认知的 " 红利 " 正加速转化为科研的 " 生产力 "。

它是未来的 " 自主探索者 "： 尽管如张晓峰教授所指，AI Scientist 尚处初级阶段，但 " 自动化发现 "（Automation）已成为杜沅岂等年轻学者眼中的确定未来。

正如李国杰院士在寄语中所指出：AI4S 正在让思维本身成为可工程化的对象。如果说 2024 年是 AI 获得科学界最高荣誉诺贝尔奖的加冕礼，那么 2025 年则是 AI 深入科研的 " 现场记录 "。

步入 2026 年，我们不仅关注模型能力的突破，更期待 "AI 专家 " 与 " 学科专家 " 的深度共融，期待鄂维南院士所构想的 " 超级实验室 " 与开源共享生态的落地。

为此，雷峰网邀请了来自顶级高校及一线科研机构的多位 AI 专家与学科专家，通过他们的亲历与洞察，还原一个真实、诚恳且充满可能性的 AI4S 2025。这不仅是一次年度总结，更是一份通往 " 未来科学发现新模式 " 的航海日志。

寄语

AI4S 是人类认知的一场革命，让思维本身成为可工程化的对象。未来 10 年内 AI4S 将不只是 " 科研辅助工具 "，而是会逐步演变为科研的必要模式。AI4S 的核心价值是将人类从低效的试错过程中解放出来，专注于创造性思维。未来科学发现将呈现 "AI 提出候选方案 - 人类判定科学意义 - 协同优化 " 的螺旋上升模式。

AI 的本质是达到预期目标的优化技术，目前的人工智能主要还是一种使能（enable）技术，重点应放在把 " 认知红利 " 转化为 " 生产力红利 " 上。在可预见的 10 年内，AI4S 的最大潜力是成为 " 爱迪生 " 而非 " 爱因斯坦 "。AI4S 能否真正见到成效，要看从研发到应用全流程的总成本是否足够低。要让广大的科研人员都能使用人工智能技术，必须提供丰富且使用方便的智能软件工具，大幅度降低 AI 的使用门槛。

AI4S 最适合的区域并不是 " 纯基础科学 "，而是靠近工程一侧的领域，这也是国务院《人工智能 +》行动意见中将 "AI + 科学技术 " 列为首要任务的原因。从问题结构出发，当前 "AI + 科学技术 " 最具突破潜力的应用场景主要集中在两大类：第一类是产品开发过程本身高度接近科学发现的问题域，即产品性能依赖于对物质结构、机理或规律的探索与建模，如制药、先进材料与化学工业等；第二类是高度依赖多学科协同、系统级权衡与复杂约束优化的问题域，即单一学科难以主导整体性能的工业产品制造或工程系统，如半导体与汽车产业等。

——李国杰 中国工程院院士

2025.12.27

科学家和研究者们眼中的 AI4S

这一年我最大的感受是：AI 真正成了我科研工作的 " 加速器 "。在日常研究中，它已经深入到各个环节：论文撰写时帮我理清思路、润色语言；准备演讲稿和 PPT 时一起打磨结构、凝练要点；会议之后自动整理纪要和待办事项；做项目总结、年度汇报、甚至繁琐的邮件回复，都能生成高质量初稿，极大节省了时间与精力。这样我可以把更多注意力放在要研究的问题本身上。站在 AI4S 的角度，今年大模型和多模态技术的进展，让 "AI 作为科研搭档 " 真正落地，从辅助阅读文献到参与数据分析与结果解释，再到文档撰写和 PPT 生成，都与我的研究紧密相关，也慢慢改变了我开展科学研究的方式与节奏。

——吴琦 阿德莱德大学副教授  

以智能体为代表的 AI 在 2025 年已经全面、广泛深入到我们的教学、科研场景，对学生自学学习、教师的授课方式都带来巨大挑战。AI4S 在 2025 年取得较多进展如 AlphaFold 3 及基础科学大模型，这些进展都非常振奋人心，我更关注的是斯坦福提出来的一个小工作 AI Scientist，简单理解，它可以快速组织科研议题、讨论、达成一致来快速构建有意义的科学新尝试，这意味着未来的科研范式会开始出现较大变革，科研人员可以用 AI 来辅助，甚至在 AI 帮助下启发思路，从而能更聚焦创造性工作自身，这极大提升了科研效率。目前这一工作还较为初级，还有很多具体认知能力是不能简单依赖智能体或大模型来提升，比如无监督环境下的认知正确性，创造性思路如何能高效、准确产生，我相信这些问题会在明年看到部分答案。

——张晓峰 哈尔滨工业大学（深圳）教授

二十多年前，互联网与在线知识分享的兴起，极大地提升了人类获取知识的效率。而最近两三年大语言模型的出现，则彻底改变了知识的传播与获取方式，解答复杂问题，甚至跨领域联想，有望进一步拓展我们所能触及的知识深度。

2025 年尚未出现如 2024 年诺贝尔奖同时垂青 AI 领域研究那样的里程碑事件，但以 DeepSeek、Gemini 为代表的大模型持续迭代，正在潜移默化地改变科学研究的方法。不过，我印象最深的仍是 AlphaFold，真正的研究范式变革，仍需要时间的积累。

在我看来，AI4S 可分为三个层次：一是用 AI 替代传统分析方法；二是用 AI 大幅提升原有分析效率，但逻辑未变；三是像 AlphaFold 那样，将蛋白质数据转化为自然语言处理的要素，真正贯通两个独立领域。AI4S 的发展需要这三个层次共同推进，但研究范式的根本变革，最可能源于第三种。

——樊隽轩 南京大学地球与行星科学系副主任  

Automation 代表 AI4S 的未来方向。相比较于提升计算方法，Automate open-world discovery 是一个完全开阔的领域，之前从来没办法做到的。所以如何做 Automation，做怎样程度的 Automation，以及如何验证，有非常多的机遇和挑战。

——杜沅岂 康奈尔大学博士生、AI4S 弄潮儿  

对我来说，最大的改变是学习效率的提升。AI 帮助我快速梳理已有知识，构建系统化认知，过去需要花大量时间整理的内容，现在可以高效完成。今年最值得关注的不是多模态大模型本身，因为它更多是高质量数据驱动下的工程性演进，而非理论突破。我更看重 Science for AI 的理论进展，尤其是复杂系统理论在解释大模型行为方面的探索，以及智能涌现背后的物理规律。这些研究尝试用统计物理、网络科学和相变理论来刻画大模型的能力边界，解释为什么在参数规模和数据分布达到某个临界点时，会出现 " 涌现 " 现象。这类工作不仅提升了模型的可解释性，也为未来的架构设计和资源分配提供了理论依据，对推动可信 AI 和科学驱动的智能发展意义重大。

2025 年最让我印象深刻的是 " 虚拟细胞 " 技术的突破。 通过多模态 AI 构建个体细胞以及肿瘤微环境的虚拟模型，实现了对细胞行为的精准模拟。这不仅突破了传统实验的局限，也让我们可以在虚拟空间中探索药物作用机制和患者差异，推动精准治疗和免疫疗法的发展。

展望 2026 年，我认为关键方向将是理论与应用的深度融合。一方面，复杂系统理论和智能涌现规律将继续指导模型设计和解释；另一方面，这类 " 生命系统世界模型 " 将逐渐成为科研的核心基础设施，结合真实世界的多模态数据，开启 " 虚拟实验室 " 时代，加速药物研发和个性化医疗。

——张清鹏 香港大学数据科学研究院和药理药学系副教授

过去一年，以 DeepSeek 的问世开局，全球人工智能发展格局发生了深刻变化。无论是技术路径还是应用场景，都呈现出前所未有的演进态势。对个人而言，AI 已深度渗透科研与生活的方方面面，从知识获取、整合到更新，全方位提升效率，大幅缩短科学发现周期，成为不可或缺的助手。但这一切，仅仅是伟大变革的序幕——未来，AI 将从日常工作、社会生活，延伸至生命健康乃至国家安全，引发结构性的深刻革命。与此同时，我们也看到，AI 发展正面临两大核心技术挑战：能耗问题与通用智能问题。唯有在这两个问题上取得根本性突破，AI 才能真正走向普惠，全面深度融入人类生活。

——黄典 广东省智能科学与技术研究院副研究员

2025 年从 Deep Research 工程化角度看已经有了很好的基础；2026 年随着模型科学能力的进一步提升，AI4S 在数学、物理、化学、生命科学和材料科学等领域会全面开展并推动关键场景的突破性成果。

——薛贵荣 之江实验室科学模型总体部技术总师  

对我而言，AI 最直接、最显著的改变是极大地提升了科研与管理工作的效率。在我们的课题组，AI 在编程辅助、科研流程自动化以及各类 AI 辅助科研平台中的应用，使整体研发效率至少提升了 20%。作为教授，我每年需要为数十人写推荐信、评估材料等，另外还有大量的邮件和学术文档。现在，我可以通过口述将自己的想法直接交给 ChatGPT 进行结构化整理，我再修改，内容完全来自我本人，但写作与编辑时间大幅缩短。此外，在论文写作方面，AI 显著减轻了语言和语法层面的负担，尤其对国际学生帮助很大，使他们能将更多精力投入到科学问题本身，也大大节省了我修改论文的时间。

2025 年给我留下最深刻印象的是以 Gemini 为代表的一系列进展，包括自动实验室、AlphaEvolve 等通用算法体系。即使仅从用 Gemini 本身来辅助提出假设、拓展科研人员思路的角度来看，这类系统已经展现出非常突出的价值。

展望 2026 年，我认为 AI4S 的关键发展方向将不再只是模型能力的单点突破，而是 AI 与各学科领域专家（Domain Scientists）的深度融合。目前，这种融合仍然明显不足：懂 AI 的研究者往往对具体应用领域理解有限，而具备深厚科学背景的研究者又未必熟悉 AI 方法。真正将这两类能力紧密结合，形成长期协同的研究模式，可能会带来远超单独技术进步的科学突破。

——许东 密苏里大学电子工程和计算机科学系校董讲座教授

AI 对我日常最大的影响是文字材料处理更方便了，尤其是一些不重要的文字材料，AI 能写的很好，其次是一些娱乐向的内容比如生成一些有趣的图片，PPT 目前完全依赖 AI 还很难，这其实符合 AI 发展趋势，先语言单模态到多模态应用。

我个人觉得 2025 年整体上 AI4S 并没有革命性突破的工作，一些有特色和亮点的工作有：MatterGen、RFDiffusion2、AlphaEvolve、MAGE 以及一些 AI 全自动科学实验平台等。2026 年 AI4S 方向我保持着谨慎的乐观态度，我希望 AI4S 应该要从 "AI 读论文 / 做预测与分析 "（Predictive AI）跨越到 "AI 做实验 / 搞发现 "，目前的 AI4S 主要是 "Copilot" 模式（科学家想好 idea，AI 帮忙写代码、预测结构）。

我理想中的 AI4S 科学家应该是：自主提出假设到实验设计与规划，再工具调用或控制科学实验的物理设备，最后自我反思，比如实验失败后，AI 能像人类博士生一样分析 " 为什么失败 "，修正假设并开启下一轮迭代，而不是只会报错。这条路还很漫长，链路中间需要解决的问题还非常多，道阻且长，谨慎乐观。

——袁粒 北京大学科学智能学院助理教授

AI 的引入显著改变了我的科研思维范式和工作方式。一方面，它从 " 工具 " 升级为科研合作者，帮助我更快地梳理问题、验证思路和探索设计空间；另一方面，大幅提升了文献阅读、方案推演和材料撰写的效率，使我能够将更多精力投入到核心科学问题和创新方向上。

在我看来，AI4S 最具代表性的标志性事件，是近一年多来诺贝尔物理学奖和化学奖都与 AI 深度相关，这在学术层面清晰地表明：AI 已经从工具层面上升为推动基础科学突破的核心方法之一。与我所在的计算机体系结构领域最为相关的是，AI4S 的快速发展对算力、能效和系统可靠性提出了前所未有的要求，使计算机体系结构从 " 性能支撑角色 " 转变为 " 科学发现基础设施 "。

给我留下最深刻印象的是 DeepSeek 的相关工作，它表明模型层面的原创性创新本身就具有 " 破局能力 "，在一定程度上可以突破算力与硬件受限所带来的瓶颈，这对当前 AI4S 的发展具有重要启示意义。展望 2026 年，我认为 AI4S 的关键发展方向将不再局限于单点模型或算法突破，而是走向科研全流程的开源化与共享化，包括数据、模型、工具链和实验流程的协同演进。这一趋势与鄂维南院士提出的 " 超级实验室 " 理念高度契合，有望通过开放、协作和规模化智能系统，显著提升科学发现的效率与可复现性。

——冷静文 上海交通大学计算机学院教授

对我个人最直接的改变，是把高频但琐碎的事情自动化了。比如以前我会用 Notion 记录大量日程，每个月做一次复盘：这个月做了什么、推进到哪、有哪些产出。现在有了 CodeX 配合 MCP 之后，可以自动生成周度、月度、年度复盘与科研进度追踪，减少很多手工整理的成本。其他的事情也是一样。

我认为 2025 年 AI4S 里最关键的进展，其实是评测与机制开始变得更可落地。因为科学发现本身非常难评估：novelty、影响力、长期价值都不是简单指标能覆盖的。今年一个标志性的趋势是：我们开始看到 AI 产出的论文 / 研究能进入更真实的评审与传播流程，例如出现了更面向 AI 投稿、AI 审稿的会议与流程，甚至在部分方向上，AI 独立完成的工作能够被人类 reviewer 认可并接受。   从我做 agent 的视角看，另一个非常重要的点是动作空间（action space）：当你给 agent 足够可接入的工具与环境时，它才能真正闭环地做 research。比如在计算机领域，只要能接到计算资源与软件工具链，AI 更容易端到端产出可验证结果；但在生物、化学等依赖湿实验的领域，如果没有可被 AI 直接操控的实验动作空间（或足够强的具身 / 自动化实验平台接口），端到端的独立科研就仍然很难成立。

最让我印象深刻的是 24 年 AI Scientist 最开始的工作，实现了端到端的论文生成，之前没有想过这个场景。   至于关键方向，可能会在两个事情上： 更好的评测：从 " 刷静态任务分数 " 走向更能衡量发现能力、novelty 与长期贡献的评价框架；   扩展动作空间：把更多学科的研究流程工程化、接口化，形成可被 agent 直接调用的标准 pipeline ——尤其是在生物等领域，通过自动化实验平台或标准化流程，让 agent 能更直接参与实验与验证，从而真正推动跨学科的闭环科研。

——张佳钇 香港科技大学（广州）博士

AI 最直观的改变是科研提效，基金申报、论文润色等日常工作能节省不少时间；但 AI 领域迭代太快，" 学的赶不上发的 "，难免有焦虑，也迫使自己思考如何平衡热点跟风与自身核心方向深耕；此外，AI 带来的信息变多，甄别有效信息成为一项关键的挑战。

——周博宇 南方科技大学机械与能源工程系助理教授