Nankai University

AI4S（人工智能驱动科学研究） 深度研究报告 范式演进、技术路线、成果产品与研究版图 2026 年 10 月 研究概述 内容摘要： 本报告以AI4S（AI for Science，人工智能驱动的科学研究）为对象，系统梳理其从计算科学延伸而来的范式演进、技术路线、阶段性成果、代表产品、领军力量与产业格局。研究显示，AI4S已被普遍视为继实验、理论、计算与数据密集型科学之后的"第五科研范式"，其核心特征是从单点工具辅助转向科研基础设施与人机协同。技术路线呈现"干实验—湿实验"闭环结构：科学大模型与科研智能体承担假设生成、文献推理与计算筛选，自动化实验室与高通量装置承担实验验证与数据回流。生命科学的蛋白质结构预测、材料的性质预测与逆向设计、数学的形式化证明与高能物理的数据解析，构成当前成果最密集的四个方向。AlphaFold系列、磐石·科学基础大模型、玻尔科研空间站、MPA材料基座模型、ElementsClaw与各类科研智能体，代表不同技术流派的产品化尝试。本报告同时关注不确定性与约束：实验数据的可重复与可迁移、实验层的执行与协议断点、算力与高质量数据的门槛、以及"执行繁荣与发现缺位"之间的张力，均可能延后AI4S兑现其生产力承诺。综合判断，AI4S的竞争焦点正从模型能力转向数据资产、实验闭环与科研组织形态的系统性重构，其长期影响取决于能否在真实物理世界中形成可持续、可核验的发现循环。 关键词： AI4S；科学智能；科研智能体；科学基础大模型；自主实验室；干湿闭环；第五科研范式；科学数据资产 核心判断 AI4S 已被普遍视为继实验、理论、计算与数据密集型科学之后的“第五科研范式”，AI 的角色从单点辅助工具升级为科研基础设施。 闭环能力而非模型能力成为分水岭：算力、数据、模型三层逐步商品化后，实验层的执行、协议与数据断点决定成败。 学科进展高度不均衡：数学与编程因验证闭环清晰率先突破，材料与生命科学受制于真实物理反馈与验证周期。 竞争焦点正从“谁的模型更强”转向“谁掌握可迁移的高质量科研数据与闭环装置”。 中国路径呈现“平台 + 场景 + 基建”并进，但长期影响取决于能否在真实物理世界中形成可持续、可核验的发现循环。 第1章 AI4S的起源与演进脉络 1.1 从计算科学到智能科学：范式变迁 科学研究的方法论并非一成不变，而是随着人类认识世界所凭借的工具能力提升而不断重构。在AI4S（AI for Science，人工智能驱动的科学研究）被正式命名之前，科研范式已经历多次跃迁：以观察与受控实验为基础的实验科学，以数学建模与逻辑推演为内核的理论科学，以数值计算与计算机仿真为手段的计算科学，以及在海量数据驱动下以统计与机器学习为特征的密集型科学。这几个阶段并非彼此取代，而是层层叠加、互为支撑，每一层都为下一层积累可被反复调用的基础设施。AI4S正被置于这一谱系的最新位置——被视为继实验科学、理论科学、计算科学、数据密集型科学之后的“第五科研范式”[1]。 第五范式的关键区别，在于AI的角色发生了质变。在计算科学与数据密集型科学阶段，计算机主要承担“算得更快、存得更多”的辅助职能，人的假设、模型选择与结果解释仍是闭环的主导者；而在AI4S中，人工智能开始从单点辅助工具向科研基础设施演进，逐渐嵌入假设生成、方案设计、仿真求解与实验执行的完整链条，人机协同成为新范式的底色[1]。这意味着科研的组织方式、知识生产的速度与验证方式都可能随之改变：AI不再只是被调用的一件工具，而更像是一种可被持续复用、不断积累的科研能力底座。 这一转变的深层动因，来自数据、算力与模型三者的同步成熟。一方面，科研活动本身正在产生前所未有的数据体量；另一方面，深度学习与大模型技术让机器具备了在复杂高维空间中识别规律的能力，使得“从数据中发现科学规律”从设想变为可操作的路径。传统范式依赖研究者先提出可验证的假设再逐条检验，而智能科学范式则允许机器在人类难以穷举的空间中主动搜索规律、生成候选假设，再由实验加以筛选。正是这种“AI参与发现”而非“AI辅助计算”的定位差异，构成了AI4S与既有范式之间的分水岭。 因此，把AI4S理解为一个独立范式而非一次普通的技术升级，是判断其长期价值的前提。它既继承了计算科学对算力的依赖与数据密集型科学对数据的依赖，又在“认知”这一层面引入了新的主体。范式变迁本身也提醒我们：新范式的成熟往往滞后于新工具的诞生，AI4S当前所处的阶段，更像是基础设施初具形态、但完整闭环尚未打通的过渡期。后续各章所讨论的技术路线、应用领域与产业格局，本质上都是这一范式变迁在不同维度上的展开与验证。 1.2 定义边界：AI4S的内涵、外延与相邻概念 要给AI4S划定清晰边界，需要回答三个层次的问题：它解决什么问题、借助什么手段、与相邻概念如何区分。从目标看，AI4S指向的是用人工智能加速科学发现本身，而不仅是提升科研流程的效率；从手段看，它以数据、模型与算力为杠杆，试图在传统方法难以处理的复杂系统中取得突破。当AI从单点工具演化为科研基础设施、人机协同成为常态时，“AI for Science”的外延也随之扩张，从最初的算法辅助计算，延伸到假设生成、实验设计与自主发现等更高阶的科研环节[1]。 在其外延的诸多形态中，科研智能体是最具代表性的一种。科研智能体被定义为可自主完成从假设提出、方案规划、计算仿真、实验验证到成果发现的自主科研系统，其核心能力包含感知理解、推理决策、执行操作与反馈优化四个方面[2]。这一定义的意义在于，它把AI在科研中的角色从“工具”明确推进到“可承担完整任务的行动者”，也勾勒出AI4S的能力边界：是否能够形成从感知到反馈的自主闭环，成为衡量一个系统是否属于科研智能体的关键标尺。由此，AI4S不再等同于某个具体模型或算法，而是一套覆盖数据、模型、实验与决策的系统工程。 概念边界的另一面来自政策与制度语境。政策层面，2025年8月国务院《深入实施“人工智能+”行动的意见》提出加快探索人工智能驱动的新型科研范式；2026年6月北京印发实施方案，系统布局科研智能体研发等任务[15]。这表明AI4S已从学术倡议上升为国家层面的科研战略方向，其内涵也被赋予了推动科研范式变革、强化算力与数据基础设施建设的政策含义。政策文件的介入，使AI4S的边界进一步向“新型科研基础设施”延伸，与产业投资、区域创新体系等议题交织在一起。 厘清边界还需避免两种极端：一是把AI4S窄化为某个标志性模型或某类任务的自动化，忽视其作为范式变迁的整体性；二是无限扩延外延，把一切使用AI的科研活动都归入AI4S，反而模糊了它“以AI驱动科学发现”的核心。较为稳妥的界定是：AI4S是以人工智能为核心驱动、以人机协同为组织方式、以形成科研发现闭环为目标的科研新范式，其外延既包括各类科研模型与智能体，也包括支撑它们的算力、数据与实验平台。这一界定为后文分析技术路线与产业生态提供了统一的分析起点。 1.3 关键发展阶段与标志性节点 AI4S从理念走向世界关注，经历了一条由技术突破牵引、由标志性事件放大的演进路径。其中最具分量的节点，是2020年AlphaFold2实现由氨基酸序列预测接近真实的蛋白质三维结构——这一成果首次让外界直观感受到AI在解决长期悬而未决的科学难题上的能力[4]。蛋白质结构预测此前高度依赖昂贵耗时的实验手段，而AI方法在精度上的跃升，使“用算力替代部分实验”从设想变为现实，也奠定了AI4S在生命科学领域的样板地位。 此后技术路线继续向更复杂的对象扩展。2024年AlphaFold3登上《Nature》，把预测能力从单一蛋白质扩展至蛋白质、DNA、RNA与小分子配体复合物的一体化预测[4]。这一扩展意味着AI模型开始处理真实生物体系中多分子相互作用的复杂场景，与药物设计、材料筛选等应用的距离被显著拉近。可以说，从AlphaFold2到AlphaFold3，AI4S经历了从“证明可行性”到“拓展适用面”的关键一步。 真正将AI4S推向公共议题中心的，是2024年的诺贝尔化学奖。2024年10月，蛋白质设计与AlphaFold2研发者获诺贝尔化学奖，AI4S由此站上科研范式的转折点[3]。诺奖的背书不仅是对具体成果的认可，更标志着AI方法获得了自然科学最高级别的合法性承认。随后，产业侧的反馈迅速显现：晶泰、英矽、剂泰先后在港股上市，AI参与设计的药物进入III期临床[3]。学术认可与产业落地在同一时间窗口叠加，构成了AI4S加速扩散的重要推力。 与之并行的是制度与政策的持续加码。2025年8月国务院《深入实施“人工智能+”行动的意见》提出加快探索人工智能驱动的新型科研范式，2026年6月北京印发实施方案、系统布局科研智能体研发等任务[15]，为AI4S提供了自上而下的制度支撑。从AlphaFold证明技术可行，到诺奖确认范式价值，再到政策确立战略方向，AI4S完成了从“单点突破”到“体系化推进”的阶段跨越。回看这一脉络，其演进逻辑清晰可辨：技术突破提供了可能性，标志性荣誉与资本放大了关注度，政策与基础设施则决定了能否从个案走向常态。这也解释了为何AI4S在近两年被反复冠以“元年”之类的表述——它正处于从范式宣示向基础设施落地过渡的关键阶段，而这一阶段能否顺利跨越，取决于后文将要讨论的技术闭环、应用成果与产业生态能否同步成熟。 第2章 技术路线与核心方法体系 AI4S的技术栈自上而下可分为科学大模型、科研智能体、仿真求解与数据驱动、自动化实验闭环四个相互衔接的环节。本章沿这一链条拆解各层的方法内核、代表性进展与尚未闭合的约束，为后续章节的应用与产业分析提供技术坐标。 2.1 科学大模型：从通用模型到学科基座 科学大模型是AI4S技术栈的底座，其任务是把多模态、异构的科学数据转化为可计算、可迁移的表征。与面向自然语言的通用大模型不同，科学基座模型需要同时处理序列、三维结构、谱图、方程组与实验记录等异质输入，并要求输出满足物理与化学约束。因此其典型训练路径是"通用预训练—科学语料继续预训练—物理对齐"三阶段：先获得通用语义与推理能力，再用学科语料注入领域分布，最后以物理规律、守恒关系或模拟数据作为约束进行对齐，抑制纯统计拟合带来的非物理输出。 数据可用性是第一约束。国家数据局《全国数据资源调查报告（2025年）》显示，2025年全国科学研究和技术服务业数据生产量达1.96ZB，可用于AI训练与分析的科学数据占比13.43%，同比增长50.32%[14]。这组数字包含两层含义：一方面科学数据总量已进入ZB量级，规模不再是主要短板；另一方面真正可训练的比例仍不足七分之一，说明大量数据以非结构化、不可复现的形态存在，可用性的提升更依赖数据治理与标准化，而非单纯扩大采集。 在模型形态上，科学基座模型正从单一权重走向"模型+工具+知识库"的一体化平台。中国科学院联合团队发布的磐石·科学基础大模型2.0，其配套的一体化科研智能平台已汇聚8000余个专业科研工具[5]，表明模型不再只是一个检查点文件，而是一个能够调用专业软件、数据库与计算资源的复合体。这种耦合部分回应了科学计算对精度与可验证性的严苛要求，也使基座模型的评价标准从"生成得像不像"转向"算得对不对、能不能用"。 在表征方法层面，当前主流路线包括以对比学习、掩码重建为代表的自监督预训练，以及将几何对称性、等变性等先验嵌入网络结构的归纳偏置设计。前者解决标注稀缺问题，后者解决数据效率与物理一致性。值得注意的是，通用大模型依赖的缩放规律在科学领域未必线性成立：科学任务的样本量与标签质量往往比参数规模更能决定性能上限，盲目放大模型可能只提高拟合能力而降低外推可靠性。 真正的瓶颈出现在跨域泛化。面向AI4S的实验数据须区分可重复、标准化与可迁移三层属性；2026年《Nature Catalysis》刊出的四实验室联合比对显示，部分在单个实验室内清晰可见的输入输出关系，在计入实验室间变异后失去统计显著性[7]。这意味着模型在单实验室数据上拟合良好，并不等于能跨实验室迁移，基座模型的普适性最终受制于实验数据的标准化程度，而非参数规模。 2.2 科研智能体：从辅助工具到自主科研系统 科研智能体是AI4S中成长最快的一层。其总体趋势是AI正从单点辅助工具向科研基础设施演进，人机协同成为新范式的底色[1]。这里的"智能体"并非更大的模型，而是以大模型为推理内核、叠加规划、工具调用、代码执行与记忆机制的复合系统，其目标是把"提出假设—设计实验—执行—分析—迭代"的科研流程封装成可自主推进的闭环，而非停留在单轮问答。 从架构看，科研智能体通常分为四层。一是感知与理解层，负责解析文献、实验数据、谱图与实验协议；二是推理与决策层，负责提出假设、规划技术路线、选择方法与工具；三是执行层，负责调用计算工具、仿真求解器乃至机器人实验平台；四是反馈与优化层，负责依据结果更新假设与策略。四层之间通过工具接口与记忆模块传递状态，形成可分步审计的流水线。 与"大模型+提示模板"的浅层用法相比，智能体的关键差异有三点：可调用外部工具，从而突破模型自身知识的边界；可长程多步执行，从而处理需要连续数十步决策的任务；可基于中间结果自我纠错，从而在错误累积前回退重来。正是这三点，使科研智能体从"问答助手"迈向"数字科研同伴"，也使其成为承接上游科学大模型与下游自动化实验的中间枢纽。 按成熟度，科研智能体大致可分三档：辅助型，承担文献综述、代码生成与数据分析；协作型，与人类研究者共同完成证明、设计与筛选；自主型，尽可能端到端地完成从问题到发现的全过程。当前多数落地处于前两档之间，完全自主仍属探索阶段，其推进速度取决于工具生态的完备程度与实验结果的可验证性。 需要正视的是，智能体的自主性与可靠性之间存在张力。科学结论要求可复现、可追溯的证据链，而现有智能体的中间推理与工具调用记录往往不完整，导致过程难以审计、错误难以定位。因此在科研场景中，人机协同而非完全替代，仍是最稳妥的工程选择[1]。 2.3 仿真求解、数据驱动与自动化实验闭环 科学计算长期由两条范式主导。一是仿真求解，即基于第一性原理与数值方法求解物理方程，如密度泛函、分子动力学与有限元模拟，其结果是高置信、可解释的，但计算成本随体系规模急剧上升，限制了可探索的化学与材料空间。二是数据驱动，即以仿真或实验数据训练代理模型与机器学习势函数，用极低的推理成本近似昂贵求解器，实现"以学代算"，从而在同等算力下把可搜索的候选空间放大若干量级。 两条范式正在融合为"计算—学习—验证"内循环：由高精度仿真批量生成训练数据，训练代理模型快速筛选候选，再对少数优选结果回到高精度仿真或实验加以验证，验证结果又回流为新的训练数据。这一循环的意义在于把算力从"穷举"重新分配到"筛选与确认"，是当前材料、药物发现效率提升的主要技术来源。其可靠性高度依赖仿真数据与真实实验之间的一致性，一旦代理模型外推到训练分布之外，误差可能被系统性放大。 更大的挑战在于由"计算闭环"走向"干湿闭环"。有产业观点提出，AI4S的干湿闭环覆盖算力、数据、模型、实验四个层级与六个环节，并指出实验层存在执行断点、协议断点、数据断点三大核心断点，是闭环落地最关键的瓶颈[6]。换言之，算力与模型侧相对容易打通，而以实验设备为节点的物理层，因协议不统一、接口不开放、数据格式各异，往往成为闭环上最脆弱的一环。 自动化实验平台正是为弥合这一断点而生。北京大学邓宏魁团队的智能细胞化学重编程与克隆筛选平台，可在6平方米设备内完成从指尖采血到干细胞培育的120多个步骤，全程无人工干预，效率提升3倍，误差从最高10%降至1%以下[17]。这一案例的启示不在于单点指标，而在于把长链条、多步骤、易波动的实验流程整体交给机器与算法，用一致性换取效率与精度，从而让实验输出具备成为训练数据的前提条件。 归根结底，技术路线的收敛方向是"模型—智能体—实验"三层贯通，而制约贯通的并非算法本身。实验数据须同时满足可重复、标准化与可迁移三层属性[7]，单实验室内的规律一旦计入实验室间变异便可能失去显著性[7]，这直接决定了自动化实验产出能否沉淀为可复用的数据资产。因此，未来一段时间的竞争焦点将从模型与算法，转向数据资产的标准化程度与实验接口的开放程度。 第3章 重点应用领域与阶段性成果 AI4S的落地并非在各学科匀速铺开，而是先在最容易用数据与算力替代人工试错的方向形成突破，再向依赖实验闭环、表征精度与跨主体协作的领域扩散。本章按生命医药、材料化学、物理数学与地球系统三条主线，梳理已被公开证据支持的阶段性成果，并标出各领域成果的成熟度差异。 3.1 生命医药：从结构预测走向临床与自动化细胞工程 生命医药是AI4S中最早形成可验证成果、也最接近产业变现的领域。其公认的技术起点是结构生物学难题的突破：AlphaFold2于2020年实现由氨基酸序列直接预测接近真实的蛋白质三维结构，把过去依赖冷冻电镜与多年实验积累的结构解析，转化为可在算力上批量完成的计算任务[4]。这一能力随后向"设计"端延伸——AlphaFold3于2024年登上《Nature》，把预测对象从单一蛋白扩展到蛋白质、DNA、RNA与小分子配体复合物的一体化预测，使"理解结构"与"生成结构"在同一工具链上形成闭环[4]。对药物研发而言，这意味着靶点—分子相互作用的评估可以前置到计算阶段，实验资源的投入顺序随之前移。 该路线最具标志性的外部认可来自奖项：2024年10月，蛋白质设计与AlphaFold2的研发者获诺贝尔化学奖，AI首次获得自然科学类诺奖的正式承认，被普遍视为AI4S站上科研范式转折点的信号[3]。比奖项更能说明落地程度的，是产业侧的连续性——此后晶泰科技、英矽智能、剂泰医药先后在港股上市，AI参与设计的药物陆续进入III期临床阶段[3]。对科研管理者与投资决策者而言，这一节点的意义在于：该领域的成果已不再停留于论文指标，而是进入受监管、需承担临床与商业责任的验证环节，评价标准从"预测精度"转为"临床与注册结果"。 在细胞治疗方向，自动化平台提供了另一类阶段性成果。北京大学邓宏魁团队的智能细胞化学重编程与克隆筛选平台，可在约6平方米的设备内完成从指尖采血到干细胞培育的120多个步骤，全程无需人工干预，效率提升约3倍，误差从最高10%降至1%以下[17]。这一案例的价值不在于单项指标刷新，而在于把"AI决策"与"机器人执行"压缩进同一物理空间，使实验重复性与通量同时获得数量级改善，为后续干湿闭环从概念走向产线提供了可观测的样板。 3.2 材料化学：对齐工业任务的模型与超导等前沿发现 材料与化学是AI4S当前竞争最密集、工业价值最易直接度量的领域。与生命医药较多依赖公开基准不同，该领域的核心评价指标已转向真实工业任务的对齐程度。深度原理发布的材料基座模型MPA，引入物理对齐的中期训练与Hybrid Readout混合输出头，在40个真实工业任务数据集上达到SOTA，被业界视为"材料版AlphaFold"的探索方向[8]。其意义在于验证了一种可能：通用材料表征能力可以在离散的工业场景之间迁移，而不必为每个配方、每种物性单独建模，从而显著降低企业采用AI的边际成本。 产业主体的密集入场，是这一领域阶段性成果的第二个特征。字节跳动拆分AI4S制药业务并启动SEEDSTEM科学家计划，小米招募材料方向CORE团队负责人，阿里达摩院联合中国人民大学、国科大发布超导材料发现智能体ElementsClaw；宁德时代、万华化学、协鑫光电等制造企业也在材料端落地AI4S应用[9]。这组动作表明，材料的AI化已从学术竞赛扩散为产业主体的自主研发竞争，并呈现"制药—结构材料—能源材料"多点并进的格局；超导这类长期依赖理论直觉与试错的高价值方向，开始出现由智能体主导候选筛选的尝试[9]。 需要强调的是，材料化学的成果高度依赖实验闭环，因而瓶颈也暴露得更早、更具体。面向AI4S的实验数据须区分可重复、标准化与可迁移三层属性；2026年《Nature Catalysis》的四实验室联合比对显示，部分在单一实验室内清晰可见的输入输出关系，一旦计入实验室间变异便失去统计显著性[7]。这提示材料AI的SOTA结论在跨实验室复现时可能存在系统性折扣，"实验室内的成功"与"可迁移的知识"之间仍有明显落差，这也解释了为何该领域的产业化更倾向于由具备自有实验条件的企业主导。 3.3 物理数学与地球系统：能力已验证，证据密度不均 物理与数学方向的阶段性成果，形态与前两个领域明显不同：其价值更多体现为科研效率的数量级提升与人机协同的可行性，而非单一产品或化合物。在高能物理相关基础设施上，高能同步辐射光源的"智慧光源大脑"平台将衍散射数据解析从数天缩短至数秒[18]，这类加速不直接产出新发现，却实质性地改变了实验的排程方式——原本受制于离线分析周期的机时，可以被更快地迭代利用。北京市亦瞄准高能物理、材料科学、医疗健康、生命科学、量子科技、生物育种六大重点领域推动AI落地科研一线[18]，显示出政策层面对跨领域扩散的布局。 数学作为抽象程度最高、反馈最困难的方向，其进展更多体现为组织形态而非单点成果。学界围绕"AI for Math时刻"能否复制展开讨论，上海人工智能实验室主任周伯文提出从AI for Science（For）到In再到And的演进路径，并倡导AGI4S与"科学智能高原"[10]。与之相对，中科院院士田中群则指出AI4S存在"感而不知、知而不动、动而不联、联而难用"四大断点[10]，这一判断实质上是对当前跨学科落地能力的负面清单：感知、决策、执行与联结四个环节各自可通，但全程贯通仍受限。这种争论本身即是阶段性特征——该领域尚未收敛出可被广泛复用的成功范式。 在地球系统等大规模观测驱动的方向上，公开信息中可比的量化里程碑相对有限，现有证据更多指向通用化的数据处理与分析能力，尚不足以支撑与结构预测同等级别的单点突破判断；判断气候、地球领域的AI4S成熟度，需要比生命医药与材料化学更强的证据支撑。综合三个方向可以看到，AI4S的成果密度与学科的"数据可及性×实验可闭环性"高度相关：越容易获得标准化数据、越容易用自动化设备完成验证的方向，阶段性成果越扎实；而依赖长周期观测、跨机构协作或抽象推理的方向，仍处在能力验证阶段，其突破时点具有较高不确定性[7][10]。 第4章 关键产品与平台生态 AI4S的产品层已形成三条并行的主线：以AlphaFold系为代表的科学大模型、以工具与实验为核心的科学平台、以及面向流程级任务的科研智能体。三者并非互相替代，而是分别覆盖"算得准""用得上""自动做"的环节，共同构成从模型能力到科研生产力的转化通道。 4.1 AlphaFold系与科研大模型 AlphaFold系列是AI4S产品化进程中认知度最高的标杆，也是"模型即产品"路径的典型样本。AlphaFold2于2020年实现由氨基酸序列预测接近真实的蛋白质三维结构，把原本依赖实验解析的结构测定问题，转化为可规模化批量计算的推断任务[4]。这一转变的意义不止于效率：它第一次让"预测先于实验"成为结构生物学的常规工作方式，大量后续衍生产品与工具链都建立在同一技术底座之上。 AlphaFold3于2024年登上《Nature》，把能力边界从单一蛋白质扩展到蛋白质、DNA、RNA与小分子配体复合物的一体化预测[4]。从产品演进的角度看，这条路径具有可复制的示范意义：先以专用模型在单点任务上逼近甚至超越实验精度以建立可信度，再通过架构改进与训练数据扩展完成向多组分、多模态体系的迁移。对科研管理者而言，判断一个科学大模型是否具备长期价值，关键指标之一正是它能否沿着这条曲线持续扩展适用边界，而不是停留在某一基准的高分上。 沿同一逻辑，材料科学领域出现了被类比为"材料版AlphaFold"的探索。深度原理发布的材料基座模型MPA，引入物理对齐的中期训练与Hybrid Readout混合输出头，在40个真实工业任务数据集上达到SOTA[8]。与AlphaFold专注结构预测不同，MPA以"基座模型+多任务"的方式覆盖材料性质预测，说明科研大模型正从单一领域的专用工具向可迁移、可复用的基座演进。其训练策略的取向也值得关注：物理对齐的中期训练意味着在数据驱动之外引入领域先验，试图在样本效率与泛化能力之间取得平衡。不过基座化同时带来新的评价难题——任务越多，单一指标越难反映真实能力，使用方的选型成本随之上升。 中国科学院联合团队发布的磐石·科学基础大模型2.0，代表另一条路线：以通用科学基座承载多学科任务，并通过配套平台向外输出能力[5]。综合来看，当前已形成一个层次清晰的产品谱系：以AlphaFold系为代表的专用突破模型、以MPA为代表的领域基座模型、以磐石为代表的通用科学基座模型，三者共同构成从单点精度到跨域泛化的能力阶梯。需要指出的是，这一阶梯目前并不平滑——专用模型的精度优势与基座模型的通用性之间仍存在张力，能否在同一框架内同时具备尚无定论，产品层因此呈现"多点开花、尚未收敛"的格局。 对使用方而言，三类产品的选择并不取决于模型规模，而取决于任务的可分解程度与容错空间。结构预测类任务目标明确、结果可自动校验，最适合由模型端到端承担；面向新材料、新反应的任务往往需要与实验迭代耦合，模型只能承担其中一段。这一差别决定了专用模型与基座模型在短期内的分工：前者追求在确定任务上做到最好，后者追求在不确定任务上保持可用。 4.2 科学平台与自动化实验室 如果说模型层回答的是"算得准不准"，平台层回答的则是"用不用得上"。在AI4S的落地链条中，模型能力必须经过工具、流程与协作机制的封装，才能真正进入科研人员的日常工作流。当前可见的平台形态大致可分为三类：工具聚合型、实验操作型与开放社区型，它们分别对应对工具可得性、实验可达性与协作可信性的不同诉求。 工具聚合型的代表是磐石·科学基础大模型2.0配套的一体化科研智能平台，其汇聚了8000余个专业科研工具[5]。这一数字的意义在于把分散在各学科、各实验室的方法与软件整合为可被模型调用的工具集，使科研人员不必逐一掌握底层实现，就能完成跨学科的计算与验证。工具规模本身也构成一种壁垒：生态越丰富，使用者迁移到其他平台的成本越高，平台黏性越强。不过，工具的质量与接口一致性往往比数量更影响实际体验，而这一层面的评估目前仍缺少公开的统一标准。 第二类是面向实验环节的操作系统。深势科技推出的Uni-Lab-OS自主实验操作系统[5]，其定位是把实验设备、实验流程与数据记录纳入统一的调度与管理框架，为自动化实验提供底层支撑。这类产品的难点不在算法，而在与异构设备的对接以及流程的可复用性，因而推进速度通常慢于纯软件平台，但一旦跑通，对实验效率的提升也更为直接。它同时也是"干湿闭环"能否真正成立的关键环节——只有当实验侧可以被稳定调度，模型侧的输出才有可能被自动验证，闭环才不至于停在纸面。 第三类是开放社区型平台。玻尔科研空间站服务全球超150所高校与科研机构[5]，其衡量标尺是用户与机构规模，而非单点性能指标。这反映出科研基础设施评价标准的迁移：工具的可用性、可复现性与协作便利性，正变得与算法精度同等重要。对科研机构而言，选择平台时需要考虑的已不只是功能是否够强，还包括数据主权、成果归属与长期可用性等非技术因素，这些因素在实际决策中的权重往往被低估，也直接影响平台的长期生命力。 三类平台并非彼此替代，而是分别卡在"工具可得""实验可达""协作可信"三个环节，共同决定AI4S从模型到生产力的转化效率。任何一环缺失，链条都会在对应位置断开，这也是各地推进AI4S时普遍同时布局平台、算力与工具生态的原因。 4.3 科研智能体产品 科研智能体是当前产品竞争最活跃、形态也最不稳定的方向。按公开定义，科研智能体是可自主完成从假设提出、方案规划、计算仿真、实验验证到成果发现的自主科研系统，其核心能力包括感知理解、推理决策、执行操作与反馈优化[2]。这一定义把产品评价标准从"单步准确率"推向"端到端自主完成度"，也意味着它与科研大模型、自动化实验平台之间的边界正在变得模糊——一个完整闭环往往同时包含模型、工具与实验三类要素，很难再按传统的产品类别切分。 2026年，科研智能体产品进入密集发布期[16]：上海科学智能研究院与复旦大学发布"大圣"，深度原理推出AI Scientist平台Mira，通用决策智能研究所发布Memento-Science[16]。这些产品的命名与定位各不相同，却共同指向同一目标——让系统在最小人工干预下完成一段完整的科研流程，而非仅仅提供某个环节的辅助。发布节奏的密集，一方面说明底层模型能力已足以支撑流程级应用，另一方面也提示市场尚未形成公认的形态与标准，多数产品仍处在探索期。 更具说服力的证据来自可量化的发现能力。AutoSOTA在机器学习领域自主发现105个超越人类SOTA的模型[16]。这一结果的价值在于，它提供了"智能体能否产生真实增量发现"的直接证据：系统产出的不是对人类已有方案的复述，而是在公开基准上被验证为更优的新方案。相较于演示性案例，这类可复现的自主发现更容易转化为对能力的信任，也为判断智能体产品是否名副其实提供了可对照的标尺。 从产品形态看，当前科研智能体大致可归为通用型科研智能体、垂直领域AI Scientist平台，以及面向特定任务的自主搜索系统三类。三者的差异集中在三点：可自主执行的任务链条长度、可调用的工具与数据范围、以及人类介入的频次与位置。由于评价体系尚未统一，"智能体"标签被广泛使用，实际自主程度参差不齐，选型时需要回到任务链条长度与失败成本两个维度做具体判断，而非依赖名称。任务链条越长、允许失败的空间越小，智能体越难独立承担，人工介入点也就越要靠前。 产品层的这种分散状态，与模型层相对集中的格局形成对照。可以预期，下一阶段的生态整合将主要发生在平台与智能体之间：谁能同时握住工具生态与实验接口，谁就更有可能把分散的产品能力收拢为可交付的端到端方案。 第5章 领军人物与研究机构版图 AI4S的推进并非只依赖模型与算力的单点突破，而是由一批学者、国家实验室、高校新型机构与企业研究院共同编织的网络所驱动。本章从代表性学者、承载机构与协同机制三个层面，勾勒这一版图的构成与结构特征。 5.1 代表性学者与学术带头人 上海人工智能实验室主任周伯文提出的三阶段判断，是理解当前AI4S定位的重要坐标。他把这一进程拆解为从AI for Science（"For"）、到AI in Science（"In"）、再到AI and Science（"And"）的演进，并进一步倡导面向通用人工智能的科学智能（AGI4S）与"科学智能高原"的理念[10]。这一提法的价值在于，它把评价尺度从单个模型的分数转移到科学体系能否形成可持续的能力积累上：追求的不是几座孤立的高峰，而是整片研究基础的高原。与之相呼应，中国科学院院士田中群从落地角度指出，AI4S当前存在"感而不知、知而不动、动而不联、联而难用"四大断点[10]，即数据被采集却未被理解、认知形成却缺少行动、行动之间缺乏联通、联通之后又难以真正可用。两位学者一"高"一"实"，共同界定了当前阶段的核心议题——表征能力与系统贯通能力，而非单纯的计算规模。 在数学与人工智能的交叉地带，已形成若干具有代表性的学术团队。中国科学院数学机械化重点实验室的高小山、支丽红团队延续数学机械化传统，将符号计算与自动推理同机器学习结合；北京大学AI4Math方向由董彬牵头，聚焦数学问题求解与形式化；清华大学丘成桐中心的FormaTheoria团队参与有限单群分类的形式化工作；上海人工智能实验室许地生团队则完成了三维吉斯猜想的人机协同证明[11]。这些工作把数学既当作待攻克的难题来源，也当作检验推理系统可靠性的试金石，使数学成为AI4S的方法论底座；由此形成的"数学+人工智能"学术群落，也成为国内AI4S中组织化程度最高的方向之一。 在生命科学一端，北京大学邓宏魁团队的智能细胞化学重编程与克隆筛选平台，可在约6平方米的设备内完成从指尖采血到干细胞培育的120多个步骤，全程无需人工干预，效率提升约3倍，误差由最高10%降至1%以下[17]。这类成果说明，领军学者的贡献已不止于提出算法，而延伸到把算法、仪器与实验流程重构为一体化系统，也印证了实验端"手"的能力正成为衡量AI4S深度的重要标尺。综合来看，从顶层范式构想、断点诊断到具体难题攻关与实验系统搭建，代表性学者的分工已初步覆盖AI4S的主要环节。 5.2 国家级科研机构与高校平台版图 从机构层面看，国家级科研力量与顶尖高校构成了AI4S的主要承载者。中国科学院体系内，数学机械化重点实验室代表了以基础数学方法驱动智能推理的路径，其长期积累的符号计算与自动推理能力，为形式化数学与定理证明提供了人才与方法储备[11]。上海人工智能实验室则以"平台+团队"的方式运行：除主任周伯文主导的AGI4S方向外，还设有许地生等聚焦具体数学难题的攻关团队，形成从顶层理念到具体证明的完整链条[10][11]。这种"以基础学科立身、以AI方法贯通"的定位，使国家实验室在算力与数据之外，获得了稳定的问题来源与验证标准。 高校侧，北京大学同时布局计算与实验两端——董彬牵头的数学与AI交叉方向，以及邓宏魁团队面向细胞重编程的自动化平台，分别代表"计算端"与"湿实验端"的探索[11][17]。清华大学丘成桐中心的FormaTheoria团队则把形式化方法引入大规模数学分类问题[11]。这些机构的共同特征，是以数学、生命等基础学科为切口，而非以通用大模型为唯一入口，从而在国家实验室与高校之间形成"基础学科+AI"的双轮结构。 机构版图在2026年出现明显的组织化升级。2026年10月，清华大学牵头成立丘成桐数学与人工智能实验室联盟，由八家机构联合发起，并计划在北京、上海、深圳、南京、香港五地落地数学AI实验室[12]。这意味着研究力量从零散课题组走向跨机构、跨地域的协同网络，五地的选址也显示出对京津冀、长三角、粤港澳等科研与产业密集带的针对性布局。总体而言，国家级科研机构提供长期基础与方法，高校提供人才与实验场景，而联盟式组织则尝试解决单点团队难以覆盖的表征与贯通问题，与前述四大断点形成呼应[10][12]。 5.3 校企协同机制与实验室布局 企业力量进入AI4S版图，主要通过校企联合实验室的形式留下可核查的记录。南开大学与字节跳动成立数学与智能联合实验室，是这一模式的典型样本[12]：高校贡献数学与理论人才，企业提供工程化能力与算力资源，双方在数学推理这一AI4S关键底座上共建研究单元。这类合作的兴起，与基础理论突破更依赖长期学术积累、而工程与算力更集中于企业的现实分工有关，也使得大学在AI4S链条中的角色从"人才供给方"扩展为"共研方"。 协同的另一条主线是区域布局与网络化组织。清华大学牵头的实验室联盟计划在京沪深宁港五地落地[12]，把研究力量嵌入不同区域的科研与产业生态：北京依托密集的高校与国家级机构，上海依托人工智能实验室与生物医药基础，深圳、南京与香港则分别对接产业转化、基础研究与国际化通道。这种多点布设的思路，意在让理论团队与实验、工程资源在地理上彼此靠近，缩短从假设到验证的链路；八家机构联合发起的结构，也为跨单位的任务分工、数据与工具共享提供了制度接口。 值得留意的是，从"人"与"机构"的关系看，领军学者往往是网络中的关键节点：他们既是理念的提出者，也是平台的召集者与资源组织者，个人声誉与机构能力在此高度耦合[10][11][12]。这也带来一个结构性特点——机构版图目前仍以少数核心人物与核心单位为锚点，网络的密度与稳定性尚在形成之中。至于国际组织维度，现有可核查材料对其在AI4S中的协调机制覆盖相对有限，其角色更多体现为学术交流与标准讨论的场所，尚未呈现出与国内联盟式组织同等清晰的机构化安排，相关判断仍需后续观察。 第6章 产业格局与竞争态势 6.1 商业模式与价值链分层 AI4S的产业格局尚处早期成形阶段，市场口径尚未统一，但已可沿"算力与数据基础设施—模型与平台—场景应用与交付"三段价值链识别出清晰的分层竞争。上游以算力硬件与科学数据资产为核心供给；中游承载科学基础大模型、科研智能体与自动化实验操作系统；下游则是面向生命医药、材料化学、气候地球等垂直领域的交付与验证。由于各层的技术门槛、资本强度与回报周期差异明显，不同背景的玩家事实上被推向了差异化的能力组合。 在此分层之上，目前已出现三类相对可辨的商业模式。其一是平台与工具型，以科学大模型接口、科研智能体平台与仿真计算工具的形式提供订阅或授权，边际成本低、扩张快，但强依赖模型能力的持续领先；其二是交付型，以"干湿闭环"的方式把模型能力打包进自动化实验与工艺环节，按项目或按产出收费，收入确认更重、周期更长，却最贴近真实生产；其三是基础设施型，提供算力调度、液冷集群与实验操作系统等底层能力，向中下游"收租"。 各类玩家的能力差异也因此更明显。生命医药方向的先行者率先跑通了"上市融资—管线里程碑"的商业闭环：晶泰、英矽、剂泰先后在港股上市，AI参与设计的药物已进入III期临床[3]，为整个赛道提供了可验证的估值锚。大型科技企业与制造业龙头则以资源换时间，字节跳动拆分AI4S制药业务并启动SEEDSTEM科学家计划，小米招募材料CORE团队负责人，阿里达摩院联合人大、国科大发布超导材料发现智能体ElementsClaw，宁德时代、万华化学、协鑫光电则在材料端落地应用[9]。科研机构与新型研发机构一侧产品发布密集：上海科学智能研究院与复旦大学发布"大圣"，AutoSOTA在机器学习领域自主发现105个超越人类SOTA的模型，深度原理推出AI Scientist平台Mira，通用决策智能研究所发布Memento-Science[16]。此外，算力侧有科华数据与上海微观纪元的战略合作[13]，产学研侧有清华大学牵头的丘成桐数学与人工智能实验室联盟、南开大学与字节跳动的数学与智能联合实验室[12]，共同构成了当前竞争图谱的主要板块。 6.2 投融资动态与产业资本布局 投融资层面，AI4S正从"概念驱动"切换为"里程碑驱动"。二级市场上，晶泰、英矽、剂泰先后登陆港交所，构成了AI4S首批可公开定价的资产，而AI参与设计的药物进入III期临床[3]意味着估值逻辑开始从技术叙事转向管线兑现。这类"上市—临床里程碑—再融资"的路径，为后来者提供了参照模板：能否给出可核查的研发产出，正取代模型参数与论文数量，成为资本市场定价的核心依据。 一级市场的主线则是产业资本进场。与纯财务投资者不同，大型科技企业与制造业龙头更倾向以自建团队、战略投资与场景绑定三条腿并行：字节跳动将AI4S制药业务拆分独立并启动SEEDSTEM科学家计划，小米招募材料CORE团队负责人，阿里达摩院联合人大、国科大发布超导材料发现智能体ElementsClaw[9]。宁德时代、万华化学、协鑫光电等制造企业在材料端的直接落地[9]则揭示了产业资本的共同逻辑——AI4S的产出（新分子、新材料、新工艺）恰是其主业的上游，投资与采购的边界因此高度模糊，这使得产业资本比财务投资人更愿意容忍较长回报周期。 产学研侧的资本化以"联合实验室"为主要形态。清华大学牵头成立丘成桐数学与人工智能实验室联盟，八家机构联合并计划在京沪深宁港五地落地数学AI实验室；南开大学与字节跳动成立数学与智能联合实验室[12]。这种模式把算法、数据与人才绑定在同一实体中，实质是一种长期的人才与知识产权投资，也在一定程度上缓解了高校成果与产业需求之间的错配。 政策则构成投融资节奏的外部节拍器。2025年8月国务院《深入实施"人工智能+"行动的意见》提出加快探索人工智能驱动的新型科研范式；2026年6月北京印发实施方案，系统布局科研智能体研发等任务[15]。政策明确方向后，地方配套、国资基金与企业投资往往同步跟进，使AI4S的融资热度呈现"政策发布—地方落地—资本涌入"的阶梯式特征，也让赛道在早期阶段就带有较强的政策牵引色彩。 6.3 算力与数据基础设施 AI4S的产业底座是算力与科学数据，其供给特征直接决定了上层竞争的边界。数据侧，国家数据局《全国数据资源调查报告（2025年）》显示，2025年全国科学研究和技术服务业数据生产量达1.96ZB，可用于AI训练分析的科学数据占比13.43%，同比增长50.32%[14]。这组数字揭示了一个结构性事实：数据总量庞大，但真正"可训练"的比例仅一成出头。科学数据的标注成本、格式异构与实验不可复现性，使其难以像互联网文本那样被直接规模化利用。 正因如此，数据资产的治理能力本身成为竞争壁垒。面向AI4S的实验数据须区分可重复、标准化与可迁移三层属性（这一方法论问题在第2、7章展开），而如何在数据生产端就嵌入标准化采集，已成为基础设施厂商与科研机构合作的核心议题。谁能把实验过程直接转化为可训练资产，谁就掌握了闭环的入口，这也解释了为何越来越多的平台厂商愿意向"湿实验"环节延伸、与实验室共建数据管线。 算力侧的竞争则围绕"适配科学计算"展开。科学计算对数值精度、并行规模与长时间稳定性有特殊要求，通用GPU集群未必最优。科华数据与上海微观纪元的合作给出了一个样本：以液冷POD、风冷微模块与全国算力调度网支撑AI4S科学计算，液冷集群实测PUE低至1.08[13]。低PUE意味着在电力成本敏感的科研场景中，算力供给的边际成本被显著压低，这正是算力厂商从"卖硬件"转向"卖服务"的立足点。 基础设施的另一端是与大科学装置的结合。高能同步辐射光源的"智慧光源大脑"平台将衍散射数据解析从数天缩短至数秒[18]，说明算力与数据基础设施的价值不只是"提供资源"，而是把装置产生的海量原始数据实时转化为科学结论。地方层面同样在系统布局，北京市瞄准高能物理、材料科学、医疗健康、生命科学、量子科技、生物育种六大重点领域，推动AI落地科研一线[18]。叠加2025年8月以来国家层面对新型科研范式的政策倡导，以及2026年北京实施方案对科研智能体研发的布局[15]，算力与数据基础设施的建设正呈现出"国家定方向、地方给场景、企业做交付"的协同结构，也构成了当前产业格局中最具确定性的投资方向。 第7章 挑战风险与未来趋势 7.1 可复现性、标准化与干湿闭环断点 AI4S 热潮之下，制约其从示范成果走向规模化生产力的关键，往往不是模型能力本身，而是科研数据与实验流程的可复现性。面向 AI4S 的实验数据必须区分三层属性：可重复、可标准化与可迁移。可重复指同一实验在同一条件下能被稳定复现；可标准化指数据以统一格式、元数据与质控口径被记录；可迁移则要求模型习得的规律能跨越样本批次、仪器平台乃至实验室边界继续成立。三者缺一，模型所学的"规律"就可能只是特定场景下的噪声拟合，而非可外推的科学知识。 2026年《Nature Catalysis》刊载的四实验室联合比对提供了一个警示性样本：部分在单一实验室内清晰可见的输入输出关系，在计入实验室间变异后失去了统计显著性[7]。这意味着，仅凭单一实验室数据训练出的"科学大模型"，其外推能力可能被系统性高估；跨实验室一致性验证理应成为面向科学发现的模型评估的前置环节。对科研管理者而言，这提示在评估 AI 成果时，应追问其验证数据的来源广度与批次覆盖，而非只看到报告中最优的那个指标。 从闭环流程看，欧世盛将 AI4S 干湿闭环拆解为覆盖算力、数据、模型、实验四个层级、六个环节的链条，并指出实验层存在执行断点、协议断点与数据断点三大核心瓶颈，认为这是闭环落地最关键的一环[6]。与之呼应，中科院院士田中群以"感而不知、知而不动、动而不联、联而难用"概括 AI4S 的表征与系统断点[10]：仪器能采集数据却难以理解其科学含义，理解之后难以及时驱动实验动作，动作之间缺乏联动，联动产生的数据又难以被统一利用。两套表述方向一致，指向同一结构性问题——AI4S 的短板集中于湿实验执行与表征环节，而非算法侧。 这些断点的根源具有共性：实验协议尚未被机器可读化，仪器接口与数据格式高度碎片化，表征信号与科学语义之间存在鸿沟。因此，可复现性挑战不应被理解为单纯的"数据质量问题"，而是实验科学长期存在的隐性变异，在 AI 放大效应下的显性化。它既是技术问题，也牵涉科研组织与协作方式的调整。 7.2 数据与算力门槛及伦理治理 数据与算力构成 AI4S 的另一重门槛，且与可复现性问题相互纠缠。国家数据局《全国数据资源调查报告（2025年）》显示，2025年全国科学研究和技术服务业数据生产量已达1.96ZB，但其中可用于 AI 训练与分析的科学数据占比仅为13.43%，同比虽增长50.32%，绝对水平依然偏低[14]。换言之，科学数据的"体量优势"尚未转化为"可训练优势"：大量数据分散在各实验室私有存储中，格式异构、元数据缺失、负面结果不被记录，难以汇聚为模型可用的高质量语料。与此相关，数据若不具备可迁移属性，跨域复用就会失真[7]。 算力侧的门槛则体现为"精度—能耗—成本"的三角约束。科学计算对高精度、长周期仿真与大规模采样的需求，远高于常规文本推理；支撑 AI4S 的算力基建须在单位算力效率上做文章。产业实践中，液冷集群实测电能利用效率可低至1.08，被作为 AI4S 算力基建的能效标杆[13]。这说明算力门槛不只是"有没有卡"，更是"单位科学产出的算力与能耗成本能否被科研预算长期承受"。对中小型科研机构而言，算力可得性与使用成本可能比模型能力更具决定性。 伦理与治理问题则随自动化程度上升而凸显。当人机协同成为新范式的底色[1]，责任归属、成果署名、模型可解释性与实验安全便不再只是技术细节。自动化实验系统若出现误操作或危险反应，责任如何在算法提供方、平台运营方与科研人员之间划分，目前尚无成熟共识；AI 生成的假设与结论若缺乏可追溯的推理链，同行评审与科研诚信机制也将面临新考验。政策层面已开始回应：2025年8月国务院《深入实施"人工智能+"行动的意见》提出加快探索人工智能驱动的新型科研范式，2026年6月北京印发实施方案、系统布局科研智能体研发等任务[15]。但现有框架更多指向"鼓励探索"，针对 AI 参与科学发现的具体治理规则、验证标准与责任界定仍处于形成期，其最终形态需保留不确定性。 7.3 前景与情景判断 从趋势看，业界与学界较为一致的判断是，AI 正从"单点辅助工具"向"科研基础设施"演进，人机协同成为新范式的底色[1]。这一判断意味着 AI4S 下一阶段的竞争焦点，将从单模型性能转向平台化能力：谁能把数据、算力、模型与实验装置组织成可复用的科研基础设施，谁就更可能定义规则并占据价值链的高位。 在范式路径上，上海人工智能实验室主任周伯文提出从"AI for Science"（For）到"In Science"再到"AI and Science"（And）的演进，并倡导以 AGI4S 与"科学智能高原"作为长期目标，同时强调跨学科落地的表征瓶颈需要系统性解法[10]。这一路径判断内含一个关键前提：AI 与科学的融合不是单向的"AI 赋能科学"，而是双向塑造——科学问题的结构会反过来约束模型设计与评测标准。理解这一双向关系，是判断长期走向的基础。 据此可以给出三种情景判断。乐观情景下，湿实验断点被逐步打通，标准化数据与机器可读协议成为主流，AI4S 在制药、材料等领域形成可复制的产出流水线；基准情景下，算法侧持续快速迭代，但受限于实验执行与数据标准，闭环仅在少数头部实验室与大型企业内跑通，行业整体呈"示范多、规模化少"的格局；审慎情景下，若可复现性危机与治理缺位相互叠加，AI 生成结论的信誉受损，投资与政策支持趋于保守。综合现有证据，基准情景的概率相对最高：模型与算力的进展速度，明显快于实验与数据基础设施的补齐速度[6][7]。 可供持续观察的信号包括：跨实验室一致性验证是否成为默认评估环节、可训练科学数据占比是否持续提升[14]、干湿闭环的执行与协议断点是否被标准化方案消解[6]，以及面向 AI 参与科学发现的治理规则是否由原则倡导走向可操作条款[15]。这些信号的方向，将比任何单一成果更能决定 AI4S 从"元年叙事"走向常态生产力的时间表，也决定了它对科研组织方式与产业格局的实际重塑力度。 参考资料 [1] 新华社. 科研的边界正在重塑——北京人工智能赋能科学研究一线观察[EB/OL]. 新华网, 2026-08-24. [2] 科研智能体[EB/OL]. 百度百科, 2026-10-31. [3] 搜狐科技. AI for Science：AI走向物理世界的第一站[EB/OL]. 搜狐, 2026-10-29. [4] 一文读懂AlphaFold：诺奖+Nature双加冕[EB/OL]. CSDN, 2026-09-09. [5] 新华社. 科研的边界正在重塑——北京人工智能赋能科学研究一线观察[EB/OL]. 新华网, 2026-08-24. [6] 欧世盛. 干湿闭环，链路已通：AI4S智能平台在催化、制药、新材料等多场景落地交付[EB/OL]. 搜狐, 2026-10-29. [7] 面向AI4S的实验数据资产：可重复、标准化与可迁移[EB/OL]. 网易, 2026-10-30. [8] 量子位. 材料版AlphaFold来了！40个工业任务全方位SOTA，AI4S迎来大突破[EB/OL]. 百家号, 2026-06-01. [9] 经济观察报. AI盯上新材料[EB/OL]. 百家号, 2026-07-25. [10] 科创板日报. "AI for Math时刻"能否复制？学界热议AI4S跨学科落地的表征瓶颈与系统解法[EB/OL]. 百家号, 2026-09-14. [11] 国内「数学+人工智能」实验室/研究团队完整名录[EB/OL]. 微信公众号, 2026-10-31. [12] 国内「数学+人工智能」实验室/研究团队完整名录[EB/OL]. 微信公众号, 2026-10-31. [13] AI4S爆发元年！科华数据×微观纪元强强联手，引爆2026科学智能算力革命[EB/OL]. 搜狐, 2026-10-29. [14] 科研智能体[EB/OL]. 百度百科, 2026-10-31. [15] 科研智能体[EB/OL]. 百度百科, 2026-10-31. [16] 科研智能体[EB/OL]. 百度百科, 2026-10-31. [17] 新华社. 科研的边界正在重塑——北京人工智能赋能科学研究一线观察[EB/OL]. 新华网, 2026-08-24. [18] 新华社. 科研的边界正在重塑——北京人工智能赋能科学研究一线观察[EB/OL]. 新华网, 2026-08-24.

宜禾城市观察 THE CITY NEWS   城 市 动 态 盘 点   2026/10 十月丹枫，提质谋远。天津生态城伴着深秋枫红，以创新深耕产业势能、以精治夯实城市基底，激活假日文旅消费市场，做强生物医药原创研发、零碳园区示范、新能源文创跨界特色产业，升级智慧应急管控、自然资源配置创新治理效能，深化科创育人体系与实景教育特色，拓展中新绿色金融合作深度，稳步推动国家绿色发展示范区建设迈上新高度。 01 城市 十月的生态城城市发展方面，聚焦教育品牌塑造、自然资源配置创新与数字治理提效多点发力，创优实景教育模式，探索资源供应新机制，升级智慧应急体系，持续夯实城市高质量发展支撑。 央视《名师有名堂》播出生态城专题 实景课堂彰显教育发展特色 2026年10月10日，中央广播电视总台少儿频道大型全媒体教育品牌栏目《名师有名堂》播出中新天津生态城专题节目，节目同步登陆央视频等总台全媒体平台。 《名师有名堂》秉持“思想+艺术+技术”融合传播理念，打破传统课堂边界，将教学场景延伸至实景现场，引导青少年在真实体验中感知发展、厚植家国情怀。本期节目分为《天地大课堂》与《校长有名堂》两大板块。 《天地大课堂》中，南开大学师生与生态城中小学师生走进国家海洋博物馆、南湾公园实景课堂，以“区域协调发展生态文明共行”为主题，追溯盐碱地到生态新城的发展变迁，探秘海洋生态科学，解读京津冀协同发展背景下的绿色转型实践，诠释城市与生态共生的发展内涵。《校长有名堂》环节，生态城教体局及学校负责人围绕“开放融智育英才优质均衡强生态”主题，分享区域优质教育均衡发展、提质扩容的实践路径与思考。 节目通过实景研学与深度访谈结合的形式，全方位展现生态城教育融合生态资源、落实立德树人的发展成果，彰显区域教育的独特优势与发展活力。 天津首宗“土地+地热”组合地块挂牌 生态城探索自然资源配置新路径 10月22日，天津市首宗“土地+地热”组合供应项目在中新天津生态城中心渔港正式挂牌公示，组合挂牌总金额4013万元，是滨海新区继首宗海陆统筹地块后，优化自然资源资产配置的又一创新举措。 本次挂牌包含面积66581.8平方米的国有建设用地，规划为港口用地，可混合不高于45%的工业用地；以及面积1.2139平方千米的地热勘查探矿权，其热储层资源禀赋优质，可实现地热清洁供热，达成资源综合增值效应。 项目遵循“统一规划、统一交易、统一取得、分别登记”原则，采用“双竞价”出让模式，兼顾资源所有者权益与市场主体效益。下一步，当地将持续探索跨门类自然资源组合供应机制，为区域高质量发展夯实要素保障。 生态城智慧应急场景入选天津市公共数据应用示范名单 近日，天津市数据局公布第二批公共数据 “跑起来” 示范场景评选结果，经单位申报、部门推荐、专家评审等程序，全市共 10 个场景获评市级示范，中新天津生态城应急管理局申报的 “智慧应急数据要素融通赋能应急管理” 场景成功入选。 近年来，生态城推动数字技术与应急管理深度融合，综合运用物联网、大数据、云计算及智能算法模型，搭建智慧应急综合管理平台。平台可实时监测雨量、潮位、行洪河道水位、水系水位、易积水路段、泵站运行状态等核心数据，实现防汛监测信息与应急处置资源底数清晰、数据动态更新、研判精准高效，为城市风险预警、应急指挥与处置调度提供坚实技术支撑。 下一步，生态城将持续挖掘公共数据创新应用场景，促进公共数据融合应用与价值释放，以数据要素赋能治理增效、产业升级与民生改善，持续提升区域数字治理水平。  02 产业 十月的生态城产业发展方面，聚焦生物医药原创攻坚、新能源文创跨界融合、零碳园区模式创新多维突破，助力企业抢占全球赛道，探索绿色金融赋能路径，持续培育产业高质量发展新优势。 杰科生物创新药获中美临床双批准 跻身全球肿瘤免疫赛道 近日，中新天津生态城企业杰科（天津）生物医药有限公司自主研发的 JL19001 注射液获美国食品药品监督管理局临床试验批准，该产品此前已取得国家药监局临床许可，实现中美临床双获批，标志企业全球化研发迈入新阶段。 JL19001 注射液是聚焦 IL-15 免疫靶点的创新药，为杰科生物核心管线产品。依托自有的人血清白蛋白融合蛋白平台技术，该药物可延长体内作用时长，精准激活两类抗肿瘤免疫细胞，助力人体识别清除肿瘤细胞，为多种难治复发肿瘤提供全新治疗路径，属于全球肿瘤免疫治疗前沿研究方向。 目前该药物已形成多适应症全球研发布局：非肌层浸润性膀胱癌适应症此前已先后获中美临床许可；本次获批的晚期实体瘤、复发难治性 B 细胞非霍奇金淋巴瘤适应症，已于今年 3 月获国内临床批准。 杰科生物扎根生态城十余年，是区域生物医药产业从跟随创新迈向自主原创、从本土研发迈向全球布局的典型缩影。生态城将持续优化产业创新生态，为企业提供全周期发展支持，推动生物医药产业高质量发展。 比亚迪科创嘉年华落地生态城国家动漫园 跨界融合赋能产业创新 近日，比亚迪迪空间・新能源汽车科普馆（天津馆）与中新天津生态城国家动漫园达成战略合作，双方联合打造的比亚迪 “科创嘉年华” 于 10 月 16 日至 18 日在国家动漫园动漫大厦前广场举办。 本次合作立足 “新能源科技 + 数字创意” 定位，围绕文化共建、场景共建、产品共建、资源共享、生态共建五大方向，推动文创产业与人工智能、元宇宙、新能源等新兴技术深度融合。嘉年华采用 “室内主题科普展陈 + 室外动态演示” 双空间模式，室内依托互动装置、数据可视化呈现新能源汽车前沿技术，室外将实验室技术成果转化为可视可感的应用场景，同步开设 “新能源第一课” 科普互动，点燃青少年科创热情。活动期间还配套举办第九期 “AI+OPC 沙龙”，邀请行业专家探讨科技与文化融合路径。 此次活动是双方探索场馆互通、体验互享的首次实践，未来将持续落地研学课程、品牌赛事、数字展陈等项目，搭建多元产业交流平台，为区域高质量发展注入创新动能。 生态城生物医药产业园光伏电站并网 打造零碳园区中新合作样板 近日，中新天津生态城生物医药产业园分布式光伏电站正式并网发电，配套光储充一体化微电网同步投用，为园区绿色低碳转型注入绿电动能。 该项目由天津生态城绿色建筑研究院联合四川协鑫锦天新能源投资建设，分布式光伏总装机容量 2 兆瓦，预计年发电量约 240 万千瓦时。配套储能调峰系统可实现发电、储电、配电、用电协同调度，优先保障园区企业就地消纳，余电存入储能或并入公网，同时可实时监测能耗与碳排放数据，预计年减排二氧化碳约 2000 吨。 园区以 “五步降碳法” 分阶段推进零碳建设，涵盖建筑节能、能源优化、光储充协同、材料技术增效、碳抵消中和全路径。同时创新绿色金融模式，将减排成效与信贷利率挂钩，减排效果越好利率越低，该模式获中新绿色金融工作组重点支持，打造绿色信贷赋能产业转型的跨国合作示范样本。 并网至今园区已减排二氧化碳 130 吨，后续将持续导入降碳技术，输出可复制的零碳园区建设方案。 03 教育 十月的生态城教育发展方面，聚焦科创育人体系升级，落地“翔宇”科创书院平台，深化校企产学研协同育人，贯通科技后备人才培养链路，持续筑牢区域教育创新发展优势。 南开中学滨海生态城学校成立“翔宇”科创书院 深化科创育人体系建设 2026 年 10 月 17 日，在建校十周年节点，天津市南开中学滨海生态城学校 “翔宇” 科创书院正式揭牌成立。生态城党委书记、管委会主任李龙为书院揭牌，党委常委、管委会副主任李静为首批导师团颁发聘书。 书院以 “公能铸魂、协同育人、智创未来” 为核心理念，定位 “未来科学家 — 卓越工程师” 培育基地，标志学校从知识型科学教育向科技后备人才贯通培养升级。书院创新实行 “书院制 + 项目制 + 双师课堂” 模式，依托家校社馆企 “五位一体” 协同机制，带领学生围绕真实科研课题开展实践；同时聘请科技、产业、教育等多领域专家组成导师团，提供跨领域智力支撑。 活动现场，学校与丹娜生物签署党建共建协议，启动 “种子计划” 科技研究项目，首批推出真菌显微图像识别、AI 辅助抗真菌药物研发等三大前沿课题，将企业研发一线转化为科创育人课堂。丹娜生物负责人带来书院首讲，勉励学子投身科技创新。 建校十年来，该校已构建起完整的递进式科创育人链条。此次书院成立，将进一步夯实区域科创教育特色，为基础教育创新提质输出可复制经验。 04 文旅 十月的生态城文旅发展方面，聚焦假日产品供给、业态融合创新与消费潜力释放多点发力，推动客流规模稳步攀升，落地惠民演出进场景，持续激活滨海文旅消费新活力。 国庆假期生态城文旅市场量质齐升 接待游客超百万人次 2026年国庆假期，中新天津生态城整合全域文旅资源，围绕海洋探秘、国防体验、国风潮玩、亲子休闲等主题推出系列特色活动，打造兼具家国情怀与滨海特质的假日文旅产品。数据显示，辖区10个重点监测文旅场所累计接待游客109.15万人次，同比增长31.49%。 假期期间，“惠民演出进场景”公益活动覆盖景区、街区与公园，将文艺表演融入游览全程，推动文旅深度融合。各重点场馆景区亮点纷呈：国家海洋博物馆延时开放，推出三大主题特展与科普互动；泰达航母主题公园上演国风巡游与特色演艺，增设国防科普体验；方特欢乐世界打造明代市井街区，开放夜场光影秀；津翔野生动物园、滨海鲤鱼门、亲海公园也同步推出萌宠互动、海边戏剧、露营休闲等多元业态，覆盖不同客群需求。生态城各部门协同联动抓实服务保障，全力营造安全有序的游览环境，助推区域文旅市场持续升温。 丹枫凝韵启新程，提质谋远行致远。生态城紧扣深秋发展契机、锚定绿色升级航向，蓄能聚力、纵深提效，在产业攻坚上突破进阶，在治理提效上精耕细作，在教育文旅上提质增色，持续释放中新绿色金融合作独特优势，以稳进务实的实干姿态、质效并举的发展格局，擦亮绿色低碳、科创赋能的生态新城样板。 数据及图片来源：津云、滨海发布、中新生态城发布等 -THE END- REVIEW ◆ ◆ 往期 回顾 ● 宜小禾 | 官方社群正式亮相，与美好宜路同行 ●宜禾·春江府｜以藏峰 见层峰 「新院制人居」产品发布会圆满落幕！ ● 宜禾·锦棠 | 滨海楼市“夺金”红盘的硬核实力 ● 宜禾·半岛观邸︱沉浸式体验 立方园境里的美好生活 ● 宜禾·海月府︱有配套，有风景，有细节，约106㎡三居，即将加推，恭迎品鉴 喜欢这篇推送，点这里↓↓↓

中经记者 郝亚娟 杨井鑫 上海 北京报道 从实验室研发到临床试验，再到获批上市，一款创新药的诞生往往需要多年持续投入。 2025年1月，银诺医药（02591.HK）自主研发的“依苏帕格鲁肽α注射液”获国家药品监督管理局批准上市，用于成人2型糖尿病治疗。从2018年至2024年开展相关临床试验，再到2025年产品正式上市，银诺医药走过了漫长的研发历程。 《中国经营报》记者在调研中了解到，创新药企业融资需求贯穿研发、临床试验、产业化及商业化等多个环节。随着科技金融政策持续推进，银行对创新药企业的授信评价体系也在逐步调整，由主要依赖抵押物和传统财务指标，向综合考量技术实力、研发能力及未来成长潜力转变，为创新药企业提供更加多元化的金融支持。 创新药企业融资需求凸显 创新药是生物医药产业创新发展的重要方向，也是培育新质生产力的重要领域。银诺医药邱阳坦言，对于中国创新药行业而言，坚持源头创新至关重要，否则国产创新药获得大额对外授权交易收入的发展势头将难以持续。一直以来，银诺医药专注于糖尿病、肥胖及代谢功能障碍相关适应证的研发管线，坚持所有管线均为自主研发，拥有全球专利，并积极布局全球研发和市场销售。 从前期持续投入研发，到上市后扩大生产规模、加快市场布局，企业在各个阶段都需要相应的资金支持。 致同咨询生命科学与健康行业领导合伙人、融资与并购财务顾问服务合伙人董慧慧告诉记者，创新药企业的价值几乎完全取决于研发管线。从临床前研究到Ⅰ、Ⅱ、Ⅲ期临床试验，再到获批上市，每个关键里程碑都可能带来估值的大幅调整，且研发结果具有显著的“二元性”：一项关键临床试验成功可能推动企业价值成倍增长，失败则可能导致相关管线价值大幅缩水甚至归零。 董慧慧指出，创新药企业具有“重研发投入、轻有形资产、长亏损期”的特点，核心资产主要是专利和研发管线，估值及质押难度较大，产品上市前普遍缺乏经营现金流，与传统银行信贷的风险偏好存在一定错配。这使得创新药企业的资金来源长期高度依赖股权融资和资本市场。回顾行业发展历程，中国创新药产业早期的融资热潮主要由美元基金主导的私募股权资本推动，资本投入和较高估值助推行业实现从0到1的突破。此后，随着资本市场周期调整、美元基金投资放缓，行业经历了较大幅度的估值回调。据致同咨询的跟踪研究，目前创新药一级市场融资水平相较其他战略性新兴产业仍处于较低位置，资金主要向头部企业以及ADC（抗体偶联药物）、细胞治疗、小核酸等具备全球定价能力的差异化研发管线集中，多数早期同质化项目融资仍较为困难。 邱阳对此有切身感受。他坦言，受研发周期长、资金投入大、缺乏传统抵押担保等因素影响，创新药企业按照传统银行信贷标准获得贷款的难度较大，过去主要依赖私募股权投资（PE）、风险投资（VC）等股权融资渠道。近年来，随着银行科技金融服务持续深化，创新药企业获得信贷支持的渠道逐步拓宽。据其透露，银诺医药近期获得广发银行上海分行约1亿元的授信额度，为企业下一阶段发展提供资金支持。 金融创新破解融资难题 在政策引导和科技企业融资需求的双重推动下，银行也在持续创新授信模式。 广发银行上海分行公司金融部总经理潘海峰坦言，银诺医药目前处于快速发展阶段，营业收入持续增长，但短期内尚未实现盈利。由于缺乏稳定的盈利表现和传统抵押担保条件，按照传统信贷评价体系，企业获得银行信用贷款存在一定难度。 如何突破传统信贷评价模式，更加精准地识别创新药企业的技术价值和成长潜力，成为银行提升科技金融服务能力的重要方向。 潘海峰表示，针对创新药企业的经营特点和融资需求，广发银行持续完善科技金融服务体系，通过推出“新质贷”之类的金融产品，优化授信准入条件和评价机制，将企业科技创新能力、研发成果及成长潜力等因素纳入综合评估。银诺医药的“依苏帕格鲁肽α注射液”是国家重大科技专项之一，企业还凭借创新能力获得上海市相关生物医药专项资助。这些创新成果均被纳入银行授信评价体系。 在授信安排上，此次广发银行给予银诺医药的授信额度有效期为两年，授信品种涵盖流动资金贷款、国内信用证、国内信用证福费廷等多类产品，以满足企业不同发展阶段的金融需求。 潘海峰介绍，广发银行上海分行已经形成专业专注、科技赋能、综合评估的金融服务方式。在专业化研究方面，分行今年协助总行制定了2026年度医药医疗行业授信指引，为不同类型医药企业明确授信策略。目前，奉贤支行已将医药行业作为业务拓展重点，今年年初落地的首例“新质贷”也是针对医药企业。在科技赋能方面，银行借助总分行大数据系统，对企业不同场景的数据进行综合分析，更全面地了解企业经营情况。在综合评估方面，银行不仅关注企业当前盈利状况，还会考察融资能力、现金流以及长期资本投入等因素。 银行授信评价体系的调整，源于创新药企业经营特点与传统信贷评价模式之间的差异。天府立言金融研究院院长曾刚表示，创新药研发前期投入集中、回收周期极长，往往需经历靶点发现、临床试验、注册审批和商业化等多个阶段，任何一个环节受挫都可能使前期投入难以收回。企业在较长时间内普遍缺少稳定收入和经营现金流，亏损并不一定意味着经营能力弱，却会触及传统信贷的风险边界。 对此，南开大学金融学教授田利辉认为，银行信贷评价逻辑正经历从基于历史信用的资金流评价向基于未来潜力的技术流评价转变。这一变化并不意味着银行不再看财报，而是在财报之外建立识别创新价值的新评价体系。银行应将研发管线进度、核心团队背景、知识产权壁垒等纳入考量，通过科技创新评价体系，将专利质量、临床试验批件等信息转化为可量化的信用依据。 需要注意的是，创新药企业从早期研发到产业化、商业化，不同阶段的资金需求和风险特征存在较大差异，仅依靠银行信贷仍难以满足其全生命周期的融资需求。 曾刚建议，银行可与创投、产业资本建立项目筛选、信息共享和投后服务机制，形成“股权先行、信贷跟进、资源协同”的接力式支持：早期研发主要依托股权资本，进入临床和产业化后匹配研发贷、设备贷、供应链融资及并购贷款；与保险机构合作，可发展临床试验责任、关键研发人员、知识产权、产品责任和出口信用等保险，并以保单增信、风险共担提升融资可得性；针对企业国际化发展需要，还应整合跨境结算、汇率避险、海外并购、许可交易和出口信保服务。银行可依托园区、龙头药企和专业服务机构，构建覆盖研发、注册、生产、销售及出海的生态化金融支持网络。 董慧慧提到，近年来，创新药行业的资金来源结构发生深刻变化，BD出海（商务拓展，在医药领域特指将自主研发药物的海外权益授权给跨国药企）正成为重要的融资渠道。据医药魔方统计，2026年上半年，中国创新药对外授权（license-out）交易总额约997亿美元，接近2024年全年的两倍；1—9月交易总额已突破1200亿美元，同比增长约36%，其中首付款规模超百亿美元，历史上首次超过同期一级市场股权融资总额。跨国药企支付的BD首付款以及NewCo（新公司）模式引入的国际资本，正部分发挥传统一级市场股权融资的作用。这一变化不仅拓宽了中国创新药企业的融资渠道，也推动其融资模式向更加多元化、国际化的方向发展。