AI for Science，走到哪一步了？

刘莫闲腾讯研究院高级研究员

日前，谷歌DeepMind 发文《AlphaFold：五年来的影响》，回顾五年来蛋白质结构预测的技术突破对于推动科学进步的巨大作用。

人工智能正以前所未有的速度重塑科学研究版图。众多科研领域中，生命科学、生物医药等生物学领域凭借数据丰富、应用场景明确、社会需求迫切等因素，成为AI+科学研究（以下简称科学智能）最活跃、最具引领性的前沿阵地。AI模型和工具不仅在预测蛋白质结构等基础研究上取得突破，更在推动全新药物管线进入临床试验，甚至开始自主发现新的生物学通路。

图：谷歌 DeepMind AlphaFold

在谷歌 DeepMind等持续深耕 AI for Science的科技企业引领下，以生物学为代表的科学智能正在进入一个高产出、快迭代的应用落地期。“基础模型+科研智能体+自主实验室”的AI驱动科研范式逐步形成。

谷歌 DeepMind

领衔科学智能技术演进

谷歌在科研领域持续深耕超过十年，并凭借以 TPU 为核心的 AI 算力基础设施、以 Gemini为基础大模型的 AI 模型底座，不断研发科学智能技术，先后造就了 AlphaFold 等世界级的科学智能模型和工具体系，引领全球科学智能技术演进。

AlphaFlod引领生物学研究从结构预测到生成式设计的跨越。生物学是 DeepMind布局最早且护城河最深的领域，其核心逻辑在于利用深度学习解决高维生物大分子的构象空间问题。AlphaFold 的问世标志着蛋白质结构预测问题的实质性解决，其不仅斩获 2024 年诺贝尔化学奖，更成为现代生物学的数字基础设施。AlphaProteo 则推动生物学研究正式跨入生成式生物学时代。而结合 AlphaMissense 对基因突变致病性的精准预测，DeepMind 进一步打通“靶点发现—结构解析—药物设计”的全链路。

WeatherNext实现气象学数据驱动对数值模拟的降维打击。DeepMind最新发布的 WeatherNext 2 模型（GraphCast 的继任者）的数据驱动方法在精度与效率上已全面超越传统物理模型。WeatherNext 2 在 99.9% 的预测变量与时间跨度上，准确率均优于欧洲中期天气预报中心 (ECMWF) 的 HRES 系统，且推理速度提升了数个数量级。

GNoME 和 AlphaQubit 拓展AI在物理与材料科学领域应用。GNoME (Graph Networks for Materials Exploration) 利用深度学习在无机晶体空间中进行了海量搜索，预测了数百万种稳定的新材料结构，其规模相当于人类过去几十年实验发现总和的数倍，为电池技术与超导材料的研发提供了庞大的候选库。在量子计算领域，AlphaQubit 模型则成功将 Transformer 架构应用于量子纠错，显著降低量子计算芯片的量子比特读数错误。

AlphaEvolve 推动数学和计算机学从逻辑推理到算法的自我进化。 AlphaEvolve 通过引入进化计算范式，致力于打破人类设计算法的局限，自动搜索并发现更高效的机器学习算法与损失函数，实现了从“人工设计”到“自动发现”的元层级跨越。在此基础上，AlphaChip 将芯片设计转化为强化学习问题，成功优化了 Google TPU v6 的布局；而 AlphaGeometry 和 AlphaProof 则证明了 AI 在形式化数学证明与逻辑推理上的突破。

生物学领域进展

引领科学智能落地前沿

谷歌DeepMind 引领的技术突破，点燃了全球科学智能的技术研发和行业应用热潮。生物学则成为了进展最快的科研领域，材料学、物理学、气象学、计算机和数学紧随其后。

（一）科学智能进入生物学基础研究深水区

单细胞行为的AI生成与分析获得全新发现。谷歌和耶鲁大学联合发布270亿参数单细胞分析基础模型C2S-Scale，生成了关于癌细胞行为的全新假设，并在多次体外实验中得到验证。这展示了利用AI提出原创科学假设的潜力，有望据此探索出开发抗癌方法的新途径。

蛋白质生成式模拟和预测体系更加完善。微软BioEmu模型在蛋白质动力学模拟方面填补了空白，并实现了高达10万倍的模拟速度提升。中科院团队提出整合结构和进化约束的反向折叠蛋白质预测模型，为蛋白质工程开辟新路径，相关成果发表于《Cell》期刊。

AI 辅助基因组学研发体系初步构建。谷歌通过10年持续研发和探索，逐步构建了从基因测序、读取和变异识别，到基因表达预测和致病潜力评估，再到疾病基因检测和诊断的AI基因组学研究和应用体系，有助于推动遗传学、基因医疗等发展。

（二）AI 驱动医疗落地应用全面开花

AI 辅助病理检测拓展新疾病场景。腾讯生命科学实验室与广州医科大学第一附属医院、广州呼吸健康研究院联合研发的DeepGEM病理大模型，已在肺癌基因突变预测中完成大规模验证，只需常规病例切片图像，1分钟内完成肺癌基因突变预测，精准度达78%～99%。

AI检测基因突变进一步工具化。谷歌发布DeepSomatic工具集用于肿瘤细胞中基因变异的识别，适用于白血病、乳腺癌、肺癌等癌症类型，识别准确率均优于现有方案。

AI驱动药物研发迈过临床II期阶段。北京大学第三医院等多家医院与剂泰科技联合进行的AI优化候选药物MTS-004已完成III期临床研究，成为国内首款完成III期临床的AI赋能制剂新药，该药物预计面向渐冻症、脑卒中等神经系统疾病。上述进展突破了过去几年国内乃至国际AI驱动药物发现鲜有突破临床II期的瓶颈，备受国内外关注和肯定。

（三）AI在材料学、气象学、数学等领域加速应用

AI+材料科学有望成为科学智能的下一个前沿阵地。前OpenAI和Deepmind成员创立Periodic Labs开展新型超导材料等AI自动化发现。刚获1亿美元A轮融资的CuspAI研发AI平台用于发现碳捕获新材料。孵化自北大深研院深港河套科创中心的鼎犀智创正构建RhinoWise材料创新平台，开展新能源、半导体等领域关键材料创新。

AI气象学和物理学的应用已见实效。DeepMind的飓风AI模型已成功预测“梅利莎”等超强飓风的路径和强度变化帮助美国及周边国家提前预警。黑洞理论物理学家Alex Lupsasca利用GPT-5在半小时内推导出黑洞理论新特性。核聚变初创公司CFS利用谷歌开源TORAX工具来辅助研发SPARC核聚变装置。

AI在数学和计算机学领域的应用潜力巨大。数学研究人员利用GPT5探索解决历史数学难题-埃尔德什难题，谷歌基于AlphaEvolve推进数学和理论计算机科学研究，英伟达开源模型系统GenCluster获得IOI 2025竞赛金奖。OpenAI 内部模型、Gemini Deep Think和 DeepSeek Math-V2等大模型也在不断刷新AI在奥林匹克数学竞赛的金奖成绩。

技术基础、协作模式和科研规模

成为AI重塑科研范式的三大维度

从生物学为代表的科学智能进展可以看出，AI对科学研究的重塑是系统性的，它正在从技术基础、协作模式和科研规模三个维度，改变科学发现传统思路，“基础模型+科研智能体+自主实验室”的AI驱动科研范式逐步形成。

（一）通用模型和专用模型构建科学智能技术基础

通用基础大模型有望成为科学智能的“操作系统"。通用基础大模型可提供强大理解、推理、分析、及生成等能力，并具备全面的科学基础知识和通识储备，可帮助科研人员大幅提升了日常科研效率。同时大模型先锋企业也在不断提升基础模型的科研专业能力。Anthropic的Claude Sonnet 4.5在生命科学任务流程理解和运用方面有显著提升，并基于智能体能力基础和连接器提升了科研工具和资源的运用能力。

科研专用大模型则为垂直科研领域及其深度突破的“专用引擎”。这些模型通常通常融合了特定领域相关知识以及研究方法与经验。谷歌在科研专用大模型方面的综合实力处于全球领先，其专用模型和算法覆盖生命科学和生物学、材料学和化学、地球和气候科学、数学和基础科学等各个领域。前文提到的C2S-Scale、BioEmu、DeepGEM等也均属于此类模型。此外，由中科院联合团队研发的磐石·科学基础大模型也是基础模型与专用模型融合的有益实践。

（二）以人机协同为基础的科研智能体开始推动主动科学发现。

AI处理琐碎耗时但又不可或缺的研究环节，人类科学家对把控研究方向和评估研究成果，成为未来典型的人机协作科研模式。

随着智能体技术加速发展，AI正在从被动工具，转变为科学家的合作者甚至是主动发现者。哈佛和MIT联合推出专门为AI智能体设计的科研工具平台的ToolUniverse，包含超过600个科学工具，并兼容主流基础大模型。这有助于激发更多科研人员构建针对特定科研领域的智能体科学家。谷歌Deepmind发布的AlphaEvolve是具有编码能力的进化型AI智能体，可进行数学和计算通用算法的主动发现和自动化优化，现已应用在谷歌内部的数据中心调度、芯片设计、大模型性能优化等实际场景。上海人工智能实验室、浙江大学等联合团队提出科研智能体（Agentic Science），旨在构建一个能自主完成科研闭环的AI系统。

（三）自主实验室加速科研智能工业化、规模化和平台化

AI和机器人技术，正在将传统的、依赖人工试错的“作坊式”实验室，升级为自动化、高通量、闭环运行的“科学工厂”，并相互连接形成平台，服务整个科研生态。

国际各国高度重视自主实验室研发。MIT等美国多家科研高校和国家实验室均已建成自主实验室。英国利物浦大学的材料创新工厂（MIF）是欧洲最先进的自主实验室之一。法国 IKTOS 实验室、瑞士 Atinary SDLabs、德国FULL-MAP 项目等也均是颇具实力的自主实验室，在化学、新材料等领域持续贡献。同时，Lila Sciences、Periodic Labs等近期获得亿级融资的国际初创企业均瞄准这一领域。与此同时，美国日前启动的《创世使命》把先进制造技术列为重要技术攻关首位，其主要目标之一也是加速打造自主实验室等新一代科研基础设施，提高AI 驱动科学发现以及工业应用转化的效率。该计划进一步将科研算力、AI 基础模型、相关数据集、以及自主实验室体系集成为科学与安全平台，作为科研智能基础设施。

国内自主实验室和科研智能平台建设全面启动。晶泰科技的AI+机器人平台已成为其的核心竞争力，中科院的“ChemBrain智能体+ChemBody机器人”和北京科学智能研究院的Uni-Lab-OS智能操作系统，也都是为了加速推动国内自主实验室的研发和推广。而中科研研发的磐石·科学基础大模型，也是国内科研智能平台的重要实践，平台可以实现对数据和模型等各类资源的管理，以及各类科研工具的调度，目前已经开始在生命科学、高能物理和力学研究领域进行应用。

Al for science,

science for humanity

未来几年，科学智能的技术的演进速度和应用价值转化效率将随着AI 基础大模型能力的持续上涨、机器人技术的不断成熟和规模化而进一步提高。科学智能科研范式将进一步成熟、科研生态也将迎来重构与升级，AI 驱动的科研发现将涌现出更多的重大发现。Sam Altman 曾在今年红杉资本的 AI 峰会上预测 AI 大模型将在 2028 年取得接近于相对论级别的科学发现。

然而，在技术高速更新换代的同时，我们不能忽视人类作为科学发现主体在科研原创能力方面的提升、以及在科技伦理和责任方面的刷新。科学家应该始终是科学智能的尺度，确保 AI成为人类科技进化的推动者和人类文明延续的守护者。