左佐卉 闫一新（中国电子信息产业发展研究院；工业和信息化部电子第五研究所）
摘 要：人工智能赋能科学研究正成为全球科技竞争制高点，我国虽取得局部突破，但仍面临科研数据供给不足、模型可解释性差、算力效能偏低、跨学科人才短缺等结构性挑战。为此，应以科技基础设施建设为支撑，打造国家级科学大模型底座与科学数据特区；以场景驱动与产研融合为牵引，推动AI从实验室走向产线；以创新生态培育为保障，改革交叉学科评价体系，抢占AI4S国际标准话语权，为培育新质生产力提供有力支撑。
关键词：AI for Science；科研范式变革；新质生产力；数据与算力基础设施
当前，通用大模型和智能体技术快速演进，人工智能赋能科学研究（AI for Science，简称科学智能、AI4S）正成为全球科技竞争制高点。AI正从单纯的“效率工具”演变为具备推理能力、能自主提出科学假设的“科研合伙人”。 我国AI4S生态仍处培育阶段，虽然取得局部突破，但仍面临科研数据供给不足、模型可解释性不足、算力效能不足、跨学科人才短缺等问题。对此，我国应以科技基础设施建设为支撑、科研范式变革为牵引、创新生态培育为保障，推动AI深度融入科学研究全过程，为培育新质生产力和提升国家科技创新能力提供有力支撑。
一、AI4S正在重塑全球科技创新版图
当前，全球正形成“美国领跑基础框架、欧日韩卡位细分赛道、中国深耕产业应用”的竞争态势。AI4S的竞争已不局限于算法本身，而是演变为数据主权、算力效率与跨学科人才储备的综合国力较量。
（一）全球主要经济体将AI4S上升为国家战略
1.美国：全生态领先，私营巨头与国家实验室双轮驱动
美国凭借底层算法和高端算力的先发优势，形成了“硅谷巨头+顶尖高校+国家实验室”的三位一体格局。谷歌DeepMind、OpenAI及Meta在生物医药（如AlphaFold 3）、材料设计等领域持续产出颠覆性成果。在数据与算力方面，2025年12月，美国能源部（DOE）追加超3.2亿美元投资，重点建设“科学云”与“变革性AI模型联盟”，布局自动化机器人实验室，旨在垄断高质量科学数据与算力资源。同时，美国主导Transformer等底层架构及PyTorch、TensorFlow等主流框架，拥有全球最密集的算力基础设施。在产业应用方面，2026年3月，美国正式启动“创世纪使命”重大国家级科研计划，宣布投入近3亿美元推动AI与尖端科学的深度融合，旨在攻克基础研究的工程化应用难题，全力加速聚变能源的实用化进程。在人才方面，美国通过AI研究奖学金、实习与学徒计划，统筹调动DOE下属约4万名科学家与工程师，并通过专属人才信息征询请求（RFI）推动AI4S人才建设。
2.欧洲：深耕学术源头，强调伦理与工业集成
在学术层面，英国依托牛津、剑桥等顶尖学术资源，在蛋白质组学、量子化学等领域拥有深厚的AI应用积淀。2025年11月，英国发布《人工智能驱动科学研究战略》（AI for Science Strategy），聚焦工程生物学、聚变能源、材料科学、医学研究与量子技术等5大方向。在数据层面，欧盟构建欧洲开放科学云（EOSC）作为共同研究与创新数据空间，通过RAISE平台实现与健康数据空间等其他欧洲共同数据空间联动，提供高质量、AI-ready数据集，解决数据碎片化与共享障碍。在工业应用层面，欧洲以德国、法国为首，重点推动AI与传统优势工业（如化工、汽车、制药）的结合。欧盟通过“欧洲高性能计算共同计划”（EuroHPC），统筹算力资源为大规模科学仿真提供支持。在人才方面，欧盟通过欧洲科研AI资源中心（ Resource for AI Science in Europe,RAISE）试点项目，资助AI for Science博士网络和主题式卓越网络；试点阶段专门投入5800万欧元（约合4.8亿元人民币）扶持两大网络，以吸引、培养和留住顶尖AI与科研人才。欧盟联合研究中心（JRC）通过建立专门的评估机制与支持体系，全面强化AI模型的监测、评估工作，并开展研究人员能力建设，旨在构建一个既促进技术创新又确保伦理合规的“可信赖AI”生态系统。
3.日本与韩国：聚焦半导体与材料科学的垂类突破
在政策方面，2025年11月，日本确立AI与尖端机器人、量子、半导体与通信、生物与医疗保健、核聚变、太空六大“国家战略技术”。2026年1月，发布《推进AI4S基本战略的政策方向》，提出推进AI 研究与AI应用研究的先导性项目、构建支持AI驱动研究的数据生成与利用基础设施、建设计算资源与数据平台等重点方向。在垂类领域方面，日本发挥材料科学和精密制造领域的优势，重点布局AI驱动的催化剂开发和新型半导体材料合成；韩国则由三星、SK海力士等财团主导，聚焦AI优化芯片设计与制造工艺。在人才方面，韩国在国内系统性培育从顶级科学家、数据科学家到广大研究者的多层次人才；在国际通过战略性国际合作与打造有吸引力的研发环境，积极延揽海外顶尖人才。日本则推动“产学桥接”，将科研成果向产业界转移，配套创业支持机制。
（二）我国AI4S生态仍处培育阶段
我国AI4S正处于从“点状突破”向“系统化赋能”的跨越阶段。在政策层面，2025年《国务院关于深入实施“人工智能+”行动的意见》发布，标志着AI4S已上升为国家战略，成为驱动新质生产力的核心引擎。在基础技术方面，以通用大模型和多模态模型为代表的人工智能技术不断迭代，为科学研究提供了新的工具和方法。如，上海交通大学、中国科学院等机构联合企业发布的Innovator-VL科学多模态模型，通过约500万条高质量科学数据训练，在多项科学基准测试中取得突破，验证“小数据高质量训练”技术路径。在应用场景方面，AI已在生命科学、材料科学、天文观测、药物研发等领域加快应用，通过数据分析、模型推理和实验辅助，大幅提升科研效率。如，在药物研发和新材料设计领域，AI模型可对海量分子结构进行筛选与预测，显著缩短研发周期。在产业生态方面，投融资热度持续走高。如，北京智源研究院孵化的企业星源智完成新一轮股权融资，成立仅十个月累计融资突破10亿元，成为国内具身智能赛道成长表现突出的企业之一。AI4S已不仅停留于实验室，更在石油化工、生物育种等万亿级产业中实现了“底座模型突破—科研能力迁移—产业场景落地”闭环。以鄂维南院士为代表的科研力量正推动“全流程开源”建设，降低中小机构的创新门槛，开启规模化自主智能体科研（Agentic Science）新时代。
二、我国推动AI4S面临的挑战
AI4S的根本目的在于以AI重塑科研范式，提升国家科技创新效率，加快培育新质生产力，推动科技创新与产业创新深度融合。虽然我国在AI4S领域取得局部突破，但仍面临数据壁垒、底层黑盒、生态孤立等挑战。
（一）供给侧：核心要素供给存在结构性失衡，底层支撑“底气不足”
AI4S的研发高度依赖高质量科学数据、先进算力及复合型人才，目前，这三大核心要素的有效供给仍显不足。一是高质量、标准化科学数据匮乏。科学研究对数据的精度与真实性要求极高，但我国科学数据呈现“孤岛化”特征。国家基础学科公共科学数据中心有关资料显示，我国基础科学数据长期分散于科研机构、高校和各类科研平台，仍缺少统一的采集、标注与对齐标准。二是针对科学计算优化的自主算力供给“效 能倒挂”。虽然我国算力规模位居世界第二，但对AI4S所需的“高精度浮点运算+大规模并行任务”优化不足。中国信通院研究认为，我国国产算力硬件性能持续提升，但在编译器、并行训练框架、科学计算软件生态等方面仍存在短板。在流体力学、气候模拟、量子计算等科学智能场景下，国产算力平台软硬协同效率与国际先进生态相比仍有差距，算力资源利用率和训练效率有待进一步提升。“算力充裕但效能不足”问题，使前沿研发仍高度依赖国外硬件生态。三是跨学科复合型领军人才“断层”。AI4S要求人才必须同时具备深厚科学底蕴与顶尖的算法能力。智联招聘发布的《2025年人工智能产业人才发展报告》显示，2025年三季度AI行业招聘职位同比增长11%；2025年前三季度，算法工程师需求增速80%，人才缺口巨大。目前的现状是：懂AI的不懂科学逻辑，懂科学的不懂AI底层，这使模型设计往往脱离物理实际，沦为“黑盒游戏”。
（二）需求侧：应用场景渗透遭遇“信任鸿沟”，落地转化有阻碍
AI4S在向下游产业应用延伸时，面临模型幻觉、验证难与成本高三大挑战。一是科学严谨性与模型“黑盒化”冲突。AI模型给出的预测结果若缺乏物理可解释性，科学家便无法据此进行后续高成本实验。在药物研发领域，有企业反馈，若AI推荐的分子结构不符合化学稳定性规律，药企一旦投入后续临床研发，单次失败导致的风险损失可达数亿元。二是工业场景中“小样本、长周期”的落地适配难题。相比互联网数据的海量易得，工业级科学实验周期长、成本高。工业互联网产业联盟（AII）数据显示，现有的通用底座模型在面对特定工业工况（如高温、高压下的材料疲劳度测试）时，常因缺乏精准的场景微调而出现“预测漂移”问题。企业在部署AI4S时，面临初期投入大（平均千万级以上）、回报周期长、不确定性高的困境，导致需求侧动力不足。三是中小型机构与企业的“数字化负债”沉重。我国仍有部分制造业中小企业处于“手工记录”或“数据孤岛”阶段，缺乏必要的数字化实验环境。这种“接不住、用不好”的现状，导致AI4S的普惠性大打折扣，形成了“头部机构试水、中小机构围观”的局面。
（三）环境侧：生态体系与制度支撑尚不完善，协同创新有阻力
当前，我国AI4S所需的开放开源环境、包容的评价机制及完善的标准体系软环境建设滞后。一方面，“数据烟囱”与知识产权保护的博弈。目前，缺乏有效的科学数据确权机制。《中国开放数据白皮书2025》指出，“数据引用”依然是中国受访者数据共享的第一驱动因素。科研人员普遍担心数据共享后失去论文首发权或专利收益，导致高质量数据“宁可烂在手里，不愿放在网上”。另一方面，国际标准话语权缺失导致的规则风险。目前，AI4S的性能评价指标（如Benchmarking）和安全准则，大多由美国牵头的国际开源组织主导。据ISO/IEC JTC 1/SC 42（人工智能标准化委员会）最新动态， 尽管我国提案数量逐年增加，但在AI4S核心算法协议和评价基准上的主导占比仍较低，自主科学智能评价标准体系缺失，面临“规则围剿”风险。
三、我国推动AI4S的对策建议
（一）强化基础供给能力，夯实AI4S发展底座
将AI4S纳入国家科技基础设施建设的重要方向。一是打造国家级科学大模型底座。集中资源扶持具备跨学科理解能力的自主模型，建立“国家科学大模型库”，避免低水平重复建设。二是建设国家科学智能算力平台，整合国家超算中心和智算中心资源，为科研机构提供普惠算力服务。三是创建“国家科学数据特区”。针对科研数据“不敢领、不愿领、领不到”问题，探索“原始数据不出域、模型计算后反馈”的受控共享模式。参考上海数据交易所经验，建立科学数据确权与价值评估体系，对贡献高质量数据的实验室给予“算力配额”奖励，打破“数据烟囱”。四是支持科研机构建设AI4S开源模型体系，推动形成可复现、可共享的科研模型生态。
（二）坚持场景驱动与产研融合，推动成果转化闭环
将AI4S的创新潜能转化为新质生产力，关键在于解决“最后一公里”的落地信任与适配难题。一是启动“AI4S+领军企业”行业大模型专项计划。鼓励石化、制药、半导体等行业龙头牵头组建“行业科学大模型联合体”，推动AI从实验室走向产线。二是推动科研范式向“规模化自主智能体科研”演进。顺应Innovator-VL验证的路径，支持研发能够自主设计实验、自动分析反常结果的“AI科学家助理”。三是推行“AI4S算力券”与普惠开源工具。针对中小企业和高校数字化基础弱的问题，通过国家中小企业公共服务平台发放专项算力券，并要求政府资金支持的AI4S项目“全流程开源”。这能使原本研发成本数千万的项目，在中小型机构手中降低至百万级，实现科技创新的民主化。
（三）优化创新生态与治理机制，抢占全球AI4S话语权
AI4S的竞争不仅仅是算法竞争，更是人才与制度竞争，应加快构建符合交叉学科规律的软环境。一是改革交叉学科评价体系。推动教育部与科技部联合出台政策，在评价AI4S相关成果时，取消对“第一作者/唯一通讯作者”的单一考核，引入“贡献权重评价制”，吸引更多物理、生物顶尖人才“跨界”投身智能科学。二是主导建立AI4S国际标准与“中国基准”。依托中国电子技术标准化研究院，抢先发布《科学多模态模型评价准则》与《科学数据对齐标准》，建立全球领先的AI4S性能评测基准（Benchmark）。三是强化AI4S安全治理与可解释性研究。针对“黑盒模型”带来的科学伦理与数据溢出风险，专项资助“物理约束AI”研究，降低“科学幻觉”风险，确保科技创新的应用安全，为全球AI治理贡献中国智慧。
（左佐卉系中国电子信息产业发展研究院副研究员；闫一新系工业和信息化部电子第五研究所工程师）