2025年7月31日召开国务院常务会议，会议审议通过《关于深入实施“人工智能+”行动的意见》。会议指出，当前人工智能技术加速迭代演进，要深入实施“人工智能+”行动，大力推进人工智能规模化商业化应用，充分发挥我国产业体系完备、市场规模大、应用场景丰富等优势，推动人工智能在经济社会发展各领域加快普及、深度融合，形成以创新带应用、以应用促创新的良性循环。人工智能作为引领新一轮科技革命与产业变革的战略引擎，正深度重构全球创新版图与竞争秩序，驱动生产方式、社会形态与国家治理体系的历史性跃迁，我国需从科技创新、产业创新、智能消费、民生福祉、社会治理、国际合作等方面加快推动人工智能赋能应用，“加”出实效。

得益于原生、多模态大模型在逻辑推理、时空感知和物理世界建模上的持续突破，科研效率和成果转化正迎来爆发式增长。人工智能在科学研究领域的角色已从单纯的计算和数据分析工具，演变为能够参与假设提出、实验设计和知识发现的“研究伙伴”。高质量数据与算力的协同驱动，已为人工智能在蛋白质折叠预测、可控核聚变模拟、气候变化仿真等复杂科学领域的应用提供了坚实基础。在国家政策的引导与支持下，“AI for Science”正成为新一轮发展动能的核心引擎，助力产业跨越式升级与社会创新活力全面迸发。

（一）AI for Science的核心特征与优势

人工智能催生科学研究新范式，AI for Science应运而生。AI for Science是一种新兴科学研究范式，通过整合人工智能、大规模数据、高性能计算与实验自动化技术，加速重大科学问题的解决。随着人类社会迈入智能时代，科研范式正从经验驱动、理论驱动和数据驱动逐步演化为智能驱动。人工智能从早期的基础理论研究逐步走向技术突破，其中，神经网络模型虽然其核心原理自提出以来未有根本性改变，但近年来在图像、语音识别和自然语言理解等领域取得重大突破。这一飞跃性进展，除了归功于反向传播、梯度下降等优化算法的应用，最关键的因素在于数据规模和计算机算力实现了数个数量级的跃升，量变最终引发了质变。人工智能在数据和算力均足够丰富的条件下，已经成为推动科研和生产的利器，爆发出前所未有的能量，催生出以多模态大模型和智能体为核心的新型科研工具。这些工具显著增强了科研过程中的感知、推理与预测能力，推动科研范式由传统的信息时代向智能化时代转变，人工智能赋能科技创新（AI for Science）应运而生。AI for Science不仅改变了科学研究的方法论，也为科技创新注入了强劲动力，正在深刻塑造未来科研的格局和方向。

人工智能可有效应对科学问题中的“组合爆炸”和“维度灾难”，助力科研效率提升。在生物、化学、材料、制药等诸多领域，科学问题中假设空间极大，存在难以解决的“组合爆炸”或“维度灾难”问题。针对这类复杂模型，人脑会采用抽象、模糊、类比、近似等非确定方法降低认知复杂性；而人工智能技术则是采用了跨尺度建模工具，通过试错和调整不断完善所获得的结果，追求统计意义上最终结果的可接受性，提供了“放弃绝对性，拥抱不确定性，只求近似解或满足一定精度”这一求解复杂问题的新思路。由此，AI for Science是借助了这一智能化的新范式，突破还原论和经典计算范式的思想枷锁，利用计算模型控制问题求解的复杂性，应对输入、输出和求解过程的不确定性。例如，天津大学与西南交通大学联合团队将大语言模型与遗传算法相结合，从超14000篇科学文献精准筛选出10种与析氢反应性能最相关的关键元素，把候选范围从整个元素周期表大幅缩小至126种铂基高熵合金，随后遗传算法仅用4次迭代便锁定最优催化剂，将研发时间从“千年”级压缩到“小时”级，极大节省科研时间与资源。

人工智能以平台型科研推动资源共享，降低科研成本。平台型科研是涵盖科研三要素（高质量数据、先进算法模型、强大算力）的智能化科研基础设施，其包括海量科学数据、统一调度算力，将降低获取数据、模型和知识的成本，提升算法和模型的应用能力，实现知识获取、处理和存储的自动化。为多领域科研人员协作及数据与资源共享提供基础，减少相同领域数据处理的重复性劳动，提升解决复杂问题的能力。AI for Science场景的科研平台形式主要包含智能化科研平台、行业大模型、公共数据等形式。在智能化科研平台上，中国科学院高能物理研究所研发的Dr.Sai(赛博士)多智能体协同系统，可实现物理分析全流程自动化，已成功复现四夸克粒子Zc(3900)的发现过程；在行业大模型方面，北京科学智能研究院发布的新一代科研知识库“科学导航”覆盖全球1.6亿篇文献，已可通过自然语言问答方式检索文献；在公共数据库上，全球有约1750个植物种质库，NCEI、IEC等众多气候能源公开数据集，Kaggle、HuggingFace等模型训练数据集平台等，这些共享资源助力了科研工作的数据收集及模型建立工作。

（二）以跨学科交叉融合推动AI for Science发展的实践

在跨学科人才培养方面，北京航空航天大学人工智能研究院院长王蕴红指出，要打破学科壁垒，构建‘AI+X’复合型人才培养体系，让计算机科学家懂领域科学，让领域专家会用人工智能工具。教育部已在《高等学校人工智能创新行动计划》中明确提出，“支持高校设立交叉学科，推动人工智能与数学、物理、化学、生物等基础学科深度融合”，为跨学科教育提供政策支撑。

在科学实践方面，跨学科交叉已在多个领域取得突破。如在数学领域，DeepMind开发的人工智能系统AlphaGeometry利用几何推理与符号逻辑结合的核心思想，成功解决了多个国际数学奥林匹克竞赛难题；在气候变化模拟领域，上海人工智能实验室发布的基于多模态和多任务深度学习方法的人工智能大模型“风乌”，可实现高分辨率上对核心大气变量进行超过10天的有效预报，并在80%的评估指标上超越DeepMind发布的模型GraphCas。