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(GraphNetworks 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。

标签: AI, AI for Science