刚刚落幕的2026世界人工智能大会上,AI for Science几乎成为每个论坛的必选话题。从催化剂设计的效率跃升到药物研发的时间压缩,从神经科学的突破到材料基因组学的规模化应用,国产AI4S正在多个维度展现出惊人的落地潜力。多名与会专家判断,未来两到三年将是科学智能产业化的关键窗口期,而在这个窗口打开之前,一个瓶颈正在浮现。
中国科学院自动化研究所研究员徐楠在大会上分享了一个标志性案例:通过应用中国科学院发布的磐石科学基础大模型2.0,催化剂设计时间从几个月缩短到30分钟,成功发现了一种活性提高38%的新型催化剂。这种新材料已经具备产业价值。清华大学教授俞立在生命科学论坛上更进一步:原来做一款药要花10年投入10亿美元,而现在的目标是3个月300万美元。两人的发言引发了全场的热烈讨论。
AI4S对科研效率的重塑,正在同时改写多个行业的成本公式。在生物医药领域,越来越多的AI全流程药物进入临床验证阶段。以英矽智能为代表的企业已经走通了从靶点发现到分子设计的AI制药全链条,其核心管线已进入III期临床。与此同时,Isomorphic Labs等国际玩家的高调入场,也为国内AI4S企业提供了参照样本和竞争压力。
在材料科学领域,AI的应用正在从单点工具向系统性平台演进。小米材料CORE团队负责人俞之奡在论坛上展示了一个引人注目的应用:材料追求多维度均衡性能,传统方式很难同步兼顾全部指标,但AI可以统一优化性能、原材料成本、量产工艺和制造制程,快速收敛到高潜力研发方向。小米公司已通过项目验证了AI辅助材料研发的可行性,相关成果已进入产品级应用阶段。
在神经科学领域,智源研究院发布的"悟界Brainμ1.0"是全球首个生成理解统一的多模态神经科学大模型。它将脑电波、钙成像、脑磁等异构信号统一编码,使原本互不相通的神经信号能在同一框架下实现对齐与理解。由该模型支撑的研究首次证实记忆可反向调控睡眠,为抑郁症和焦虑症等睡眠障碍的干预提供了全新思路,相关成果已发表于Science期刊。
在多个论坛交叉讨论中,一个共识逐渐清晰:AI4S产业化所需的基础设施正在快速完善,但高质量科学数据的稀缺已成为最核心的制约因素。深圳河套学院副院长欧阳万里直言:科学表征需要大量专业知识和不同仪器协同,AI让设备互联互通,但前提是有足够且高质量的数据去喂养这些模型。
上海人工智能实验室在大会上发布的科学发现平台"书生·端砚",是基础设施建设的典型代表。该平台面向真实科研任务,连接了科学大模型、专业分析工具、实验数据与具身自动化设备,覆盖从假设提出到实验验证的完整科研流程。它的核心价值在于:为AI4S提供了一个标准化的操作环境,让不同领域的科学家可以在同一个框架下验证自己的AI模型。
然而,数据瓶颈的严峻性远超外界想象。在神经科学领域,可用于模型训练的数据可能不到目标数据的万分之三。北京智源人工智能研究院研究员雷博的这句话,让在场很多听众倒吸一口凉气。更棘手的是,科学数据与互联网数据有着本质区别——地震波、蛋白质结构、晶体数据,这些高度专业化的观测数据分散在不同机构中,需要经过科学家的专业标注和加工才能成为AI可学习的语料。
多位受访专家同时对市场前景给出了积极判断。未来两到三年将是AI4S真正赋能产业的爆发期,很多新材料、新分子、新药物会迸发出来。从WAIC 2026的讨论风向来看,AI4S产业化的技术路径已经基本清晰,资本和政策也在加速到位。但能否突破数据瓶颈,将决定中国AI4S能否在这场全球竞赛中占据有利位置。智源研究院的应对策略或许代表了行业方向:他们构建了BrainToken平台,统一预处理超过20个平台的开源神经科学数据,只共享Token层数据,让数据更容易被AI模型直接使用。这种将原始数据标准化为AI可读格式的思路,正成为突破数据瓶颈的主流方案。
回顾AI4S的发展历程,它正在复刻三年前AI编程的商业化轨迹。AI编程从辅助工具变成核心生产力只用了不到三年,而AI4S的商业化验证也正在加速。所不同的是,AI4S面对的数据更稀缺、行业壁垒更高,这也意味着率先跑通商业模式的企业将获得更深的护城河。AI编程从辅助工具变成核心生产力只用了不到三年,而AI4S在药物发现、材料研发等领域的商业化验证也正在加速。所不同的是,AI4S面对的数据更稀缺、验证周期更长、行业壁垒更高,这也意味着率先跑通商业模式的企业将获得比AI编程领域更深的护城河。从WAIC 2026的讨论来看,科学数据的采集和标注正在成为国家级战略资源,未来谁能掌握高质量的科学数据集,谁就能在AI4S的竞争中占据决定性优势。从更长远的角度来看,AI4S产业化的真正爆发需要学术界、产业界和政府三方的协同努力。WAIC 2026上多位专家呼吁建立国家级的科学数据中心和标准化评测体系,为AI4S的规模化落地奠定制度基础。在这些基础设施逐步完善之后,AI4S的商业化前景才真正值得期待。