2024 年，诺贝尔化学奖颁给了谷歌 DeepMind 的两位人工智能科学家德米斯 · 哈萨比斯和约翰 · 杰珀，他们开发的 AlphaFold 系统预测了接近两亿种蛋白质的三维结构，相当于全球科学家五十多年实验积累的一千倍。

看清蛋白质的形状才能理解疾病、设计药物，全球大约三分之一的上市药物靶向的都是致病相关的蛋白质，2020 年新冠 mRNA 疫苗能在拿到病毒基因序列后 48 小时内完成候选分子设计，前提之一就是科学家此前已经看清了冠状病毒刺突蛋白的三维结构。AlphaFold 的出现大幅加速了蛋白质结构解析的效率，也让 AI 辅助科研成为全球关注的焦点。

AlphaFold 能做到这一点，是因为蛋白质领域拥有五十多年标准化的数据积累、成熟统一的检测手段和全球共享的数据库，天然适合 AI 建模。

但在许多科研领域，数据条件远没有这么好，AI 能否在这些领域同样发挥作用，正在成为科学界和产业界共同关注的问题。

2025 年 8 月，国务院发布的《深入实施 " 人工智能 +" 行动的意见》中，明确提出 " 加快探索人工智能驱动的新型科研范式 "。7 月 18 日，2026 世界人工智能大会（WAIC）期间，智源研究院、中国科学院、深圳河套学院、清华大学四家机构在 "AI for Science: Beyond the Concept"（科学智能：从概念走向实践）圆桌论坛上集中展示了各自的阶段性成果。

四家机构的探索方向各不相同，但 AI 能帮到科学家的地方已经很具体了，读懂杂乱的实验数据，操作精密仪器，管理实验流程。以往科研人员的大量时间花在了这些重复性事务上，压缩这些时间，科学家才能把精力放到提出假设、设计实验和解读结果上。

读懂实验数据

今年 7 月，中国科学院上海硅酸盐研究所的研发团队从两千万种候选配方中锁定了一种新型合金催化剂，活性比市面上的商用催化剂高出 38%，而一次干实验筛选过程只需 30 分钟。 

这种催化剂用于析氢反应，也就是用电把水分解成氢气，是绿色氢能产业链上的关键材料。催化剂在日常生活中也很常见，比如汽车排气管里的三元催化器，负责把发动机排出的一氧化碳和氮氧化物转化成无害气体；化肥厂用铁基催化剂合成氨，全球近一半人口的粮食生产依赖这一工艺。

催化剂的性能直接决定一个化学反应需要多少能量、花多长时间，但找到合适的催化剂一直是材料科学中最耗时的工作之一。传统做法是在海量候选配方中反复试错，研究人员合成一批材料，测试性能，分析数据，调整配方，候选配方在千万量级时，一轮走下来往往需要几个月。

帮助这个团队把几个月压缩到 30 分钟的工具，是中科院组织多个研究所联合研发的磐石 · 科学基础大模型 2.0（ScienceOne Omni）。磐石要解决的一个核心问题是，不同学科的数据长得完全不一样，分子结构是三维坐标，光谱是一维波形，蛋白质是氨基酸序列，科学图像是像素矩阵。

磐石的做法是先把这些格式各异的数据统一编码成模型能处理的形式，再用全球 1.7 亿篇科技文献、中科院科学语料库做对齐训练，让模型在不同学科之间建立关联，最后针对具体科研任务输出结果。训练数据包含 800 万条科学推理样本，平台集成了 8000 余个专业科研工具和技能库。

中科院自动化研究所研究员徐楠在圆桌论坛上表示，磐石 2.0 要做的是 " 让模型像科学家一样思考 "。

因为能跨学科处理数据，磐石的应用范围远不止催化剂。在力学工程领域，磐石与中科院力学研究所合作，将高铁气动问题的仿真分析时间从数小时压缩到了秒级响应，数据稀缺场景下关键参数误差降低 42%。在天文领域，磐石与国家天文台合作构建了恒星参数智能反演工具链，稀有天体的识别准确率相比现有方法提升约 50%。在日常科研中最耗时间的文献调研环节，过去一轮系统性的文献梳理通常需要几天甚至几周，磐石 2.0 把这个过程压缩到了 20 分钟左右。

目前磐石已落地 50 余家中科院内研究所和 30 余家院外机构，算力体系基于华为智算实验室解决方案，已适配昇腾等芯片。

磐石覆盖的这些学科有一个共性，它们的数据虽然格式各异，但都有成熟的文献体系和公式可以参照，AI 建模有据可依。

还有一些学科没有这样的条件，实验数据来自不同类型的设备，格式和维度各不相同，甚至连统一的标注标准都还没建立起来，AI 建模很难找到可靠的起点。

但即使在这样的条件下，AI 也开始产出严肃的科研成果。例如，神经科学领域。

2026 年 6 月，北京智源人工智能研究院与清华大学联合团队在《科学》（Science）期刊上发表了一项研究，首次证实记忆可以反向调控睡眠，正向记忆让睡眠更连续，负向记忆加剧睡眠碎片化，为抑郁症、焦虑症伴随的睡眠障碍提供了新的干预思路。

支撑这项研究数据分析的，是智源自研的多模态神经科学大模型悟界 · Brain μ（读作 Brain-m ü）。

智源研究院研究员雷博在圆桌论坛上说，蛋白质结构预测之所以适合 AI 建模，是因为当时整个领域的数据标准相对来说已经高度成熟，神经科学到今天还没有这样的基础。脑电记录的是大脑表面的电信号，钙成像拍下的是局部单个神经元的活动，神经探针采集的是局限区域的脑深部区域的放电，这些信号来自不同设备、不同物种、不同实验范式，格式和维度各不相同。雷博称，甚至同一组数据，不同实验室也可能给出完全相反的解读。

面对这样的数据困境，智源自研的悟界 · Brain μ 走了一条不同的路，借助已经训练好的多模态模型作为参照系。雷博解释，大脑是一个高维的存在，每种检测设备只能捕捉它的一个低维投影，就像从不同角度拍同一栋建筑，每张照片都只有一部分信息。Brain μ 利用语言和视觉的多模态模型已有的表征空间，把神经科学各个模态的稀疏数据对齐进来，让模型学到一个比单一模态更完整的大脑表征。

当模型掌握了这个高维表征之后，就可以实现不同模态之间的转换，比如输入一段成本低廉的脑电数据，输出信息量更大但设备昂贵的功能性磁共振成像（fMRI）图像，对缺少高端设备的基层医疗机构来说，医生有可能借助 AI 做到原本只有大型三甲医院才能做出的诊断。

配套的 BrainToken 数据平台整合了人类、猴和小鼠三个物种的数据，覆盖从脑电到双光子钙成像等主要神经科学模态。在与北京生命科学研究所的合作中，悟界 · Brain μ 对超过 5000 晚小鼠睡眠数据完成了自动化标注和分析，超过 12 个月的分析结果经过双向验证，与专业睡眠神经科学博士的人工判断保持较高一致性。模型训练覆盖超过 7 万晚睡眠记录。据智源研究院介绍，团队联合华为，使用昇腾超节点完成了悟界 · Brain μ 的推理适配与优化，全流程支撑了 12 个月的自动化分析。

雷博用大语言模型的发展阶段来衡量科学智能当前的位置。在他看来，模型能力大概还在 GPT-1 阶段，产业界的关注度已经到了 GPT-3，科学家的使用反馈已经接近 ChatGPT 的前期。大语言模型是能力先成熟、应用再跟上，科学智能的逻辑反过来，应用先跑起来，拽着模型往前走。" 需求走在能力前面，应用验证反过来推动模型迭代。"

AI 开始管理实验室

做材料研究，需要用不同仪器获取材料的成分、结构和形貌信息。深圳河套学院副院长欧阳万里在圆桌论坛上说，就像给人做体检需要心电图、B 超、CT 各种设备，材料的 " 体检 " 也离不开扫描电子显微镜、X 射线衍射仪、能谱仪等一系列精密仪器。这些仪器的操作极度依赖人，研究人员需要手动制备样品，手动控制仪器软件，反复调整参数等待出图，再手动分析数据，不同设备之间的软件系统相互封闭。

深圳河套学院联合苏州国家实验室推出的灵鉴（AuraID）多智能体无人表征平台，选择了一条不同的路。这套系统不要求仪器厂商开放软件接口，让智能体以与人类专家一样的方式操作设备界面，观察屏幕图像，点击按钮，读取数据，调整参数。

在扫描电子显微镜的测试中，灵鉴接管操作后，一开始拍出的图像噪点明显，系统自动调整加速电压和放大倍率，图像逐步清晰，最终停在最佳参数上，自动完成图像捕获和颗粒粒径分析。

目前灵鉴已覆盖 6 类精密仪器、10 余种表征模态，在 micro-CT（微型计算机断层扫描）对准任务中，AI 独立完成率从 1.0 版本的 33% 提升到 2.0 版本的 80%，晶体结构解析的工作量减少 50.6%，微观形貌分析耗时从 9 分钟缩短到 7.5 分钟。同一套操作规则可以支持能源材料、纳米材料和金属材料三类不同样本的表征。

深圳河套学院代表王智慧表示，合成侧的自动化已经有不少科研机构在推进，但表征侧的无人化和智能化还是空白，灵鉴切入的正是这个环节。

清华大学生命科学学院教授、膜生物学全国重点实验室主任俞立在圆桌论坛上介绍了黑灯实验室在生命科学领域的落地思考。

2025 年 12 月，清华大学正式成立生命科学人工智能研究中心，为这一方向的落地提供了机构基础。黑灯实验室的概念源自制造业的 " 黑灯工厂 "，生产线无需人值守，灯都不用开。俞立把这个思路引入科研，让大模型直接集成进科研仪器，数据采集的同时完成分析，结果进入数据库反哺模型训练，形成不需要人持续干预的循环。

俞立透露，他的团队两年前开始引入大模型辅助实验流程，具体做法是让学生在设计实验之前先和大模型充分讨论方案，把可能遇到的问题提前排查一遍。去年，团队进一步部署智能体管理全链条。

引入大模型后，在团队扩大 20 人的情况下，实验成本反而降低了 25%。围绕这一方向，俞立已经在杭州等地建设了配套研究机构，配备冷冻电镜、大规模算力和存储等基础设施，聚集了化学家、生物学家、医生和工程师在同一个空间里协作。按照俞立的设想，过去做一款新药需要 10 年和 10 亿美元，随着 AI 深度介入科研流程，将来有可能压缩到 3 个月和 300 万美元。

磐石的跨学科建模、Brain μ 的脑科学信号分析、灵鉴的仪器操控、俞立的黑灯实验室，这些成果跑通都离不开算力的支撑。

此外，对于国内科研机构而言，算力自主创新的重要性还要再加一层。

科学计算涉及大量敏感数据和核心研究成果，依赖自研算力底座，既是保障数据安全的现实需要，也是提升国内科研整体竞争力的基础条件。华为科研军团推出的智算实验室和智慧科研两套解决方案，就在这一方向上做了探索，前者解决算力调度和数据管理，后者打通科研全流程，目前已服务全国 20 多个重点实验室。

在嘉庚创新实验室，华为参与共建的物质科学智能算力平台已经投入运行，将材料模拟和分子筛选等任务的计算效率提升了 20%。从优质算力的供给到科研全流程的数字化，软硬自研的技术生态正在为科学智能的落地提供越来越完整的支撑。

AlphaFold 证明了在数据条件最好的领域，AI 可以拿到诺奖级的成果，而这四家机构正在做的事可能没有多么耀眼，但却更为重要。它们要让 AI 在数据条件远没有那么好的地方也能帮上忙，让科学家少花一些心力在重复劳动上，多留一些时间给那些只有人才能想清楚的问题。

免责声明：本文观点仅代表作者本人，供参考、交流，不构成任何建议。