当AI不再只是科研的辅助工具，而是能够自主推进科研任务的"搭档"，科学发现的节奏正在被重新定义。8月21日至22日，2026科学智能大会在北京举办，来自中科院、高校与产业界的专家学者围绕人工智能驱动的科学研究展开深度讨论。大会传递出的核心信号是：AI4S正由单点预测、候选生成向科研智能体与自驱动实验室演进，AI逐步覆盖假设生成、实验设计、自动执行、结果分析与迭代优化，科研的"干湿闭环"开始形成。中国科学院自动化研究所研究员李林静在会上表示，科研智能体已经能够完成文献研读、实验规划、参数迭代、结果分析的闭环自主科研流程，AI与科学家的关系正在从"工具"走向"搭档"。
AI4S的演进路径，正在经历从1.0到3.0的代际跃迁。1.0阶段是单点预测：AI在蛋白质结构预测、分子性质计算等单一任务上超越传统方法；2.0阶段是候选生成：AI批量生成候选分子、候选材料，供科学家筛选验证；而当前正在进入的3.0阶段，则是科研智能体与自驱动实验室：AI不再局限于某一环节，而是形成"假设、实验、反馈、迭代"的自动化循环，全程自主推进科研任务。大会发布的《AI for Science创新图谱2026》显示，近五年全球AI4S相关论文发表量增长了一倍多，航空航天、量子科技、材料科学等领域的年均增速超过30%，技术积累正在转化为科研范式的实质变革。
科研智能体的能力边界，在具体场景中已经相当可观。以往研究人员可能需要花费半年时间阅读数百篇论文才能完成一篇文献综述，如今借助AI只需要几小时；面对海量数据，传统方法耗时数天甚至数周的计算任务，现在几秒钟便能得出结果。中科院软件研究所研究员黄进指出，在以AI驱动的科研范式下，学科融合成为趋势，AI4S已经深入到许多重大科研计划和基础科研项目的核心环节。AI掌握的知识量远超人类个体，不仅能将科研人员从重复、耗时的工作中解放出来，还能拓展视野边界，发现更多新奇现象，提供更多探索灵感。
本次大会反复提及的"干湿闭环"，是理解AI4S 3.0阶段的关键概念。"干"指仿真与计算：AI在虚拟环境中生成分子、设计配方、预测性质；"湿"指真实实验：物理实验室对AI的预测结果进行验证。干湿闭环意味着，AI生成的每一个候选都要经过真实实验检验，实验结果再回流到模型进行迭代优化，形成"设计、构建、测试、学习"的循环。过去，AI制药公司普遍面临"算法强但验证弱"的困境，AI设计的分子缺乏足够的真实实验数据反馈，模型的进化速度受限。而自驱动实验室的兴起正在改变这一局面：自动化实验机器人可以7乘24小时运行，把传统低频的科研实验重构为高频高通量的数据生产。
干湿闭环的产业价值已经在上游科研服务环节显现。海外基因合成巨头Twist披露，2025财年新增订单增长中约2500万美元来自AI药物发现，占同期新增订单增长约38%，公司预计2026财年AI药物发现订单将实现三位数增长，"AI序列生成、DNA蛋白构建、高通量实验、数据回流"的闭环服务模式正在成型。国内方面，金斯瑞等基因合成与蛋白表达服务商的AI相关订单快速增长，华大智造等自动化实验设备厂商的多组学业务收入同比大增。当AI制药从"算得快"走向"做得快"，具备自动化实验、标准化数据与干湿闭环能力的科研服务企业，正在成为AI4S产业扩张的重要基础设施。
AI4S的战略地位，已经从科研圈层上升到国家竞争层面。中国发布了《关于深入实施"人工智能+"行动的意见》，将"人工智能+"科学技术列为6大重点行动之一，从政策层面为AI4S提供制度保障；美国推出"创世纪计划"，统筹整合全国科研基础设施，依托人工智能全面提速前沿科学突破，推动超算、AI模型与实验设施的融合；欧盟则发布专项战略，汇集资源研发AI并将其应用于科学。三大经济体同步加码，标志着AI4S进入"国家竞赛"阶段，算力基础设施与实验设施的结合度，成为衡量一国AI4S实力的关键指标。
全球AI4S的成果密度也在快速攀升。谷歌DeepMind使用AI工具预测出220万种新的晶体结构，其中38万种具有稳定结构；在生命科学领域，AI设计的候选药物已有多款进入临床阶段；在材料领域，AI辅助设计催化剂与配方组合，推动材料研发从经验试错走向数据与机理协同驱动。产业界与学术界的共振愈发紧密，头部AI公司纷纷将科学能力作为差异化竞争点，而科研机构则借助AI大幅提升产出效率。可以预见，随着算力成本下降、实验自动化成熟，AI4S的成果转化速度将进一步加快，谁能在"干湿闭环"上跑通全流程，谁就有机会在下一轮科学突破中占据先机。
在肯定AI4S进展的同时，大会也呈现了不容回避的挑战。DeepMind预测出的220万种新晶体中，得到实验验证的不到0.2%，这一数据揭示了AI4S的普遍困境：预测能力已大幅领先，验证能力却严重滞后。AI可以快速生成大量"看似合理"的候选方案，但真实实验的周期与成本决定了验证速度无法同步提升，大量预测结果停留在理论层面。中国科学院自动化研究所研究员李林静坦言，AI在可形式化、可验证的科学任务上效率远超人类，但"验证瓶颈"依然是科研成果落地的主要障碍。
这一冷思考指向AI4S下一阶段的核心任务：补齐实验验证的自动化与高通量能力。无人实验室、自动化实验机器人、标准化数据体系，正在成为AI4S竞争的新焦点。业内判断，2025至2026年或成为AI4S由技术验证走向产业化落地的重要窗口期，全球政策与算力基础设施同步加码，AI4S有望加速向生物医药、新材料等高价值领域渗透。从"工具"到"搭档"的转变已经发生，但要让AI真正成为科学发现的引擎，还需要跨越验证瓶颈、数据标准与产业协同的多重门槛。正如大会所传递的共识：AI4S的下半场，比拼的不只是模型的聪明程度，更是整个科研基础设施的运转效率。