在2026年7月17日至20日举行的世界人工智能大会上，AI for Science成为全场最受关注的议题之一。从北京智源人工智能研究院的悟界Brainu1.0多模态神经科学大模型到中国科学院发布磐石2.0科学基础大模型，从深圳河套学院的Owl灵鉴多智能体自动化科研系统到清华大学展示的AI驱动实验流程，科研人员在向业界展示一个全新的图景：AI正在从辅助计算的角色跃升为自主参与科学发现的核心伙伴。科研发现的周期从年向天的演进正在加速。这一趋势在WAIC 2026的AI for Science媒体圆桌论坛上得到了集中呈现和深入讨论。多位科学界和产业界代表一致认为AI4S正在经历从概念验证到规模化应用的关键转折。
北京智源人工智能研究院在WAIC 2026上发布的悟界Brainu1.0，是全球首个多模态神经科学大模型。它能够将脑电波、钙成像和神经探针等原本互不相通的异构神经信号在同一个框架下实现对齐与理解。过去神经科学研究面临的一个核心困难是不同实验手段采集的数据格式完全不同，脑电数据、钙成像数据和神经探针数据来自不同的仪器，记录的是不同的物理量，研究人员难以将它们放在一起分析和建模。悟界Brainu1.0的核心创新在于设计了一个统一的数据编码架构，将各种异构神经信号映射到同一个表征空间中，使得不同模态的神经数据可以在同一语义层面上进行比较和分析。该模型训练已经覆盖超过7万晚的睡眠记录，已持续支撑合作实验室超过12个月的自动化分析。2026年6月，悟界Brainu1.0支撑的研究发表于《科学》期刊，首次证实记忆可反向调控睡眠：正向记忆优化睡眠质量，负向记忆加剧睡眠碎片化。这一发现为抑郁症和焦虑症等睡眠障碍的干预提供了全新的思路。智源研究院研究员雷博在圆桌论坛上表示神经科学的数据标准化程度仍然不足，AI4S在该领域的能力尚处早期，但科学家的使用反馈已经非常积极。需求走在能力前面，应用验证反过来推动模型迭代，这种发展比原来的大模型发展更健康、更有未来。
中国科学院在WAIC 2026上发布的磐石·科学基础大模型2.0代表了AI4S的另一个重要方向：跨学科的科学基础模型。与只服务于一个领域的专用模型不同，磐石2.0覆盖了数学、物理、材料、天文等八个学科，采用科学数据统一编码、自然世界知识对齐和领域任务定向解码的三层架构。该模型依托全球1.7亿篇科技文献进行预训练，集成了8000余个专业科研工具和技能库。这意味着一个模型即可完成跨学科的数据理解、科学推理与内容生成。中科院自动化研究所研究员徐楠在论坛上介绍磐石2.0的研发目标不是一次简单的模型升级，而是对科学基础模型本质的重新思考，让模型像科学家一样思考。在实际应用中，磐石2.0已经展现了显著的效率提升：将文献调研从数周压缩到20分钟，报告制作效率提升5到10倍。目前AI for Science在中国科学院内部已落地上百个科研场景。在药物研发场景中，磐石2.0可以帮助科研人员在几分钟内完成对数千篇相关文献的系统梳理和关键信息提取，然后基于这些信息自动生成研究综述和假设验证方案。在材料科学领域，该模型可以同时调取物理、化学和工程学的知识库，协助研究人员跨学科思考材料设计问题。这种跨学科的整合能力在传统科研模式中极为罕见，因为单一学科的专家通常难以同时掌握多个领域的前沿知识。
深圳河套学院联合苏州国家实验室推出的Owl灵鉴多智能体系统代表了AI4S在实验自动化方向的最新突破。该系统实现了从样品操作到数据解析的全流程自动化，其独特之处在于不依赖仪器的开放接口，而是通过智能体以与人类专家相同的方式操作界面。AI智能体观察屏幕上的数据、点击按钮执行操作、读取结果进行判断，这种方式打通了软件智能体、科学具身智能体与仪器之间的协同链路。这一设计思路的巧妙之处在于通用性。绝大多数科研仪器没有开放的API接口或软件SDK，传统方法要实现仪器自动化必须与每一家仪器厂商逐一对接，成本极高且难以推广。Owl灵鉴通过模拟人的操作方式解决了这一难题，理论上任何有人机界面的科研仪器都可以接入系统实现自动化运行。在WAIC现场展示中，Owl灵鉴系统完成了一个从样品制备到数据分析的完整实验流程：智能体首先控制自动移液工作站完成样品配置，然后将样品转移到检测仪器中启动测试，读取检测数据后自动进行数据分析和图表生成，最后将实验结果存入数据库。整个流程完全无需人工干预。河套学院副院长欧阳万里在论坛上指出科学表征需要大量专业知识和不同仪器协同，但目前很多设备仍依赖人工操作，不同仪器之间的数据和软件体系相互割裂。团队希望通过AI实现仪器无人化和智能化，让设备能够协同工作并释放科研人员的时间用于更高层次的科学思考。
尽管WAIC 2026上展示的AI4S成果令人振奋，但与会专家也坦承这一领域仍处于早期阶段，面临多重挑战。相比通用大模型，科学领域的数据标准、实验流程和知识体系更加复杂。如何让AI真正理解科学规律并形成可持续迭代的科研体系，仍是下一阶段的核心挑战。通用大模型的数据来源主要是互联网文本，量大但质量参差不齐。科学AI需要的数据则是高精度的实验数据和经过严格验证的科学知识，这类数据的获取成本极高，同时不同实验室和不同设备产出的数据往往存在格式不一致和质量差异大的问题。数据标准化和互操作性是AI4S规模化推广必须跨越的门槛。清华大学生命科学学院教授俞立也在论坛上分享了AI融入实验流程的实践经验。团队近两年开始将大模型引入实验流程，让学生在实验前利用AI讨论设计方案，并进一步引入Agent管理实验流程推动自动化实验室建设。俞立提出了暗实验室的重要方向：通过将大模型、自动化设备和科研数据结合，减少大量重复性的实验操作，让科研人员更多关注实验设计和科学判断。在他看来，AI4S的核心价值不是取代科学家的创造力，而是把科学家从繁琐的重复劳动中解放出来，让他们可以更专注于提出洞见和设计实验，这才是AI for Science的真正意义所在。