一款新药从研发到上市，平均耗时十年、耗资数十亿美元。一种新材料从实验室发现到产业应用，往往需要跨越数十年甚至半个世纪。传统科研范式下高昂的"试错成本"正在逼近可承受的极限。2026年7月，上海仪电集团携手上海思朗科技、上海市人工智能行业协会等单位联合编制的《科学计算与AI4S基础设施白皮书》正式发布，为科研范式从"数据驱动"向"智能驱动的全面跃迁提供了清晰的路线图，也为正在加速落地AI4S产业提供了权威的参考坐标。
白皮书首次系统定义了AI4S的完整技术架构：底层是专用科学计算硬件，中间层是AI4S基础模型和科学数据平台，顶层是面向药物发现、材料设计、气候预测等具体领域的应用服务。传统科研遵循"实验观察—理论建模—计算仿真—数据分析"的路径，而AI4S的核心逻辑是利用深度学习、强化学习等技术自主处理海量多模态数据，自主构建模型，自主优化参数，甚至自主提出新的科学假设，实现全流程自动化。从AlphaFold精准预测蛋白质结构，到英伟达与礼来共建全球最大的AI制药工厂，AI4S正在从技术突破、基础设施到产业应用三个层面系统性地重塑科学发现的方式。
白皮书指出，当前AI4S产业正处于从"概念验证"到"规模落地"的临界点。全球AI制药市场2025年规模已达120亿美元，预计到2028年将突破400亿美元。AI材料研发市场保持年均超过30%的增长速度。中国在AI4S领域的论文数量全球第二，但在高质量数据集、专用算力基础设施和产业转化率方面仍落后于美国和欧洲。白皮书特别强调，中国在生物医药、新材料等战略领域的AI4S自主能力建设，已经到了刻不容缓的阶段，这不仅仅是技术竞赛，更是关乎产业安全和国家竞争力的战略选择。
白皮书中最具冲击力的论断出现在数据与算力章节。不同于通用大模型可以从互联网获取海量训练数据，科学智能所依赖的训练数据多来自产业一线的科研实验与生产实践，获取难、整合难、核心数据保密难。这些数据分散于不同企业的"信息孤岛"中，可直接用于模型训练的有效数据极为有限。数据集的匮乏正在成为制约AI4S规模化落地的关键瓶颈，没有高质量的数据，再强大的AI模型也只是"巧妇难为无米之炊"。
如何补齐这一短板？白皮书指出，科学计算是破局的关键手段。依靠数值仿真与微观机理模拟，可以获取传统实验无法观测的底层数据。在生命科学领域，分子动力学仿真可以精准模拟药物分子与靶点蛋白的微观结合过程；在新材料领域，第一性原理仿真可以精确表征原子、电子层面的运动规律。这种"以算代试"的能力，是实现高质量数据规模化供给的核心路径。白皮书特别引用了上海思朗科技自主研发的MaPU架构科学计算机的实测数据，在分子动力学模拟任务上，其相比传统二维架构超算性能提升2至4个数量级，展示了专用芯片架构在科学计算领域的巨大潜力。
白皮书详细梳理了全国AI4S基础设施的最新布局。长三角地区已形成以上海科学智能研究院、张江AI新药研发联盟为核心的科学智能创新集群，Golab物质科学智能研发工厂已实现零人工干预的科研全流程闭环。成渝地区西部首个生物医药专用科学计算中心在成都启动运营，投资超过2亿元，引进了国产3D科学计算机。白皮书建议，应在全国建设5到8个区域性科学计算中心，形成"算力+数据+算法+场景"四位一体的协同网络。
在产业化路径上，白皮书将AI4S的商业化分为三个阶段：第一阶段（2025-2027）以AI辅助药物发现和材料筛选为主，这一阶段的价值在于缩短早期研发周期；第二阶段（2027-2030）AI开始深度参与实验设计和工艺优化；到第三阶段（2030年以后），AI驱动的自主实验室将实现"无人科研"。白皮书最后强调，AI4S的产业化不仅需要技术突破，更需要跨学科人才、开放数据生态和长期资本的协同投入。
白皮书在最后章节提出了六项具体建议：一是加快建立国家级的科学数据共享平台，打破企业之间的数据壁垒；二是推动专用科学计算芯片的国产化替代，降低对进口算力的依赖；三是设立AI4S人才培养专项基金，支持高校与企业联合培养交叉学科人才；四是建设开放的科学智能评测基准，AtomWorld等标准的发布是重要的第一步；五是推动AI4S成果的产业化转化，设立专项基金支持从实验室到工厂的跨越；六是加强国际合作，在气候变化、传染病防控等全球性议题上发挥AI4S的独特价值。白皮书特别强调，这些建议的落地需要政府、企业和学术界的协同努力，仅靠单一力量无法完成从数据到知识再到产业化的完整闭环。上海仪电集团表示，将基于白皮书提出的框架，牵头建设开放的科学计算平台，为国内科研机构提供标准化的AI4S工具、数据和服务，大幅降低科研工作者的AI应用门槛。