摘要：2026 年，AI for Science 被英伟达列为与大语言模型、具身智能并列的三大 AI 关键方向。从 AlphaFold 破解蛋白质折叠难题，到中科院"全科科学家"AI 横跨多学科自主研究，再到 WAIC 2026 首度系统性展示中国 AI4S 完整能力图谱——人工智能正在从一个"更好的计算器"变成"科学家本人"。这不是某个实验室的炫技，而是一场正在发生的科学范式革命。

---

一、科学发现的"第五范式"

2024 年的诺贝尔化学奖和物理学奖，都颁给了与 AI 紧密相关的工作。这在科学史上是第一次。

不是"AI 帮科学家得了奖"，而是"AI 本身就是获奖理由"。诺贝尔委员会用这种方式宣告了一个事实：以 AI 驱动科学发现的时代，正式到来了。

这个方向的学名叫 AI4S（AI for Science）——人工智能驱动的科学研究。学术界将它称为继实验科学、理论科学、计算科学、数据密集型科学之后的"第五科研范式"。

为什么是"范式"而不仅仅是"工具"？因为这次不一样。以前的每一次范式升级，都是人类用更好的方法去做科学研究。而 AI4S 的不同在于——它开始自己做科学研究了。

---

二、从 AlphaFold 到"全科科学家"：AI 科学能力的四次跃迁

第一次跃迁：预测蛋白质结构——一个 50 年难题的终结

2020 年，DeepMind 的 AlphaFold 2 在 CASP14 蛋白质结构预测竞赛中将精度提升至原子级。这被《科学》杂志评为年度突破，被许多结构生物学家形容为"职业生涯最震撼的时刻"。

意义在哪？在 AlphaFold 之前，解析一个蛋白质的三维结构需要数月到数年，耗资数万到数十万美元。AlphaFold 把这个过程压缩到了几分钟，成本几乎为零。

到 2026 年，字节跳动在 Apache 2.0 协议下开源了 Protenix-v1，北大伊成器课题组基于 AlphaFold 3 建立了精准碱基编辑 AI 框架，AI 在蛋白质相关任务上的覆盖率已超过 81% 的人类蛋白质组。

第二次跃迁：从"看蛋白质"到"设计蛋白质"

天鹜科技在 WAIC 2026 上展示的一站式蛋白质研发平台 Matwings Venus（晓鹜），让用户通过自然语言对话完成从挖酶、定向进化到从头设计的全流程。这不是"AI 帮你搜索文献"，而是"你跟 AI 聊天，AI 设计出自然界中不存在的蛋白质"。

这家由上海交大团队 2021 年创建的公司，已成功交付三十余款蛋白质项目，获得启明创投、本草资本等四轮融资。它的价值在于打破了"AI 出想法、人工做实验"的断层——用对话就能驱动的干湿闭环。

第三次跃迁：AI 气象模型精度超越传统数值预报

华为云的"盘古"气象模型将全球天气预报速度提升了 1 万倍以上。AI 气象模型的精度已经在多个指标上超越了传统的数值天气预报方法——而后者是人类花了半个多世纪、投入了无数超级计算机才建立起来的。

从"天数"到"秒级"的跨越，改变的不仅是天气预报的精度，更是整个人类对气候系统的认知方式。

第四次跃迁：中国科学院"全科科学家"——一个 AI 横跨所有学科

过去几年，AI 在科学上的进步走的是"专科"路线：有专门看蛋白质折叠的 AlphaFold，有专门做分子生成的模型，有专门处理医学图像的工具。每个模型精通自己的一亩三分地，但没法跨领域协作。

中国科学院的研究团队打破了这个格局。他们研发的"全科科学家"AI 能看懂蛋白质、预测药效、画医学图像，在一个统一的"科学大脑"架构下处理跨学科问题。

这意味着什么？一个研究癌症的团队，可能同时需要蛋白质结构信息、药物分子动力学模拟、医学影像分析和基因组学数据。以前，这需要调用四五个完全不同的 AI 模型，每个模型之间的数据格式、输出规范都不一样。现在，一个模型全包了。

---

三、WAIC 2026：中国 AI4S 完整能力图谱首次亮相

2026 年 7 月的世界人工智能大会（WAIC），科学智能板块的规模与深度远超往届。它从三个维度系统展示了中国 AI4S 的完整能力：

维度一：科学发现范式——AI 如何从"计算工具"升级为"发现引擎"

在科学前沿论坛上，麻省理工学院物理学家、未来生命研究所主席 Max Tegmark 从全局视角提出"更好的 AI 之路"——AI 的发展必须与安全、伦理和人类长期福祉并驾齐驱。图灵奖得主姚期智院士与另一位图灵奖得主 Gilles Brassard 同台，探讨 AI 如何重塑科学发现与人类社会的发展范式。

实质性的突破同样震撼。从 60 毫秒完成 2024 个量子比特的无缺陷排布，到自主发现并验证癌症治疗新靶点，从分钟级实现全球气候变化分析到追踪太空多碎片——AI 正在刷新科学发现的底层逻辑。

维度二：平台与生态——补齐人才和数据的基础短板

传统科研模式的线性流程繁琐、迭代速度慢、成果难以复用。WAIC 2026 聚焦落地实操，搭建了"人才支撑 + 平台赋能 + 标准生态共建"的体系。

上海期智研究院已与多所高校建立联合培养机制，累计培养了 300 余位联培博士生和科研实习生。复旦大学和上海科学智能研究院在"科学智能开放论坛"上，邀请诺贝尔奖得主、图灵奖得主领衔，从各自的重大科学突破出发，追问科学发现的第一性原理。

维度三：垂直产业赋能——从实验室到工厂

AI4S 不能停留在论文和算法层面，必须深入能源、材料、生命科学等真实场景。

能源领域：中国科学院近代物理研究所发布了 AI for ADANES 技术路线，为数据稀缺的核能领域首次构建了具备物理本征属性的 AI 可用模型，从底层破解核能 AI 的"黑箱"难题。

材料领域：深度原理 Mira 平台已通过 40 项实验性质预测验证，将材料研发从"数年"压缩至"数月"。材料发现不再是"偶然试错"的结果，而是"AI 主动设计"的产物。

生命科学领域：从蛋白质设计到癌症靶点发现，AI 已经进入"动手做实验"的阶段，而不仅仅是"读论文"。

---

四、市场与玩家：千亿美元赛道正在成型

AI4S 的市场前景正在被越来越多的机构认可。英伟达将其列为与大语言模型、具身智能并列的三大 AI 关键方向，远期市场规模有望达千亿美元。

OpenAI 在 2025 年 10 月成立了专门的科学团队"OpenAI for Science"。负责人 Kevin Weil 在接受《麻省理工科技评论》专访时说了一句意味深长的话：“2026 年对于科学的意义，就像 2025 年对于软件工程。2025 年初，用 AI 写大部分代码的人还是少数；12 个月后，不用 AI 写代码的人已经落后了。科学领域现在正处于同样的拐点。”

在中国，这条赛道的布局同样密集：

领域	代表机构/平台	关键成果
蛋白质结构预测	字节跳动 (Protenix-v1)、北大伊成器团队	开源模型 + 精准碱基编辑框架
蛋白质设计	天鹜科技 (Matwings Venus)	自然语言驱动的干湿闭环
材料科学	深度原理 (Mira 平台)	研发周期从"年"压缩到"月"
气象预报	华为云 (盘古气象模型)	速度提升 1 万倍，部分精度超越传统方法
核能 AI	中科院近物所 (ADANES)	数据稀缺领域的 AI 可用模型
跨学科通用	中国科学院"全科科学家"	统一架构下的多学科研究

---

五、三重瓶颈与中国的破局尝试

尽管前景宏大，AI4S 的落地仍面临三重核心瓶颈。

瓶颈一：算力架构碎片化。 科学计算的负载与通用 AI 训练负载差异巨大。气象模型需要超大规模并行计算，分子动力学需要超高精度浮点运算，基因组学需要海量 I/O 吞吐。一个通用的 AI 基础设施很难同时满足所有这些需求。

瓶颈二：科研数据孤岛化。 高质量的科研数据分散在各个实验室、机构和国家中，格式不统一、标准不一致、共享机制不完善。没有高质量的数据，再好的 AI 模型也无从训练。

瓶颈三：AI 与真实科研流程的端到端打通。 目前的多数 AI4S 应用，还处于"AI 给建议、人类做实验、人类反馈结果、AI 再优化"的半自动阶段。真正的"自主发现"需要 AI 能够设计实验、执行实验、分析结果、迭代优化——全流程自主闭环。

中国的破局思路体现在 WAIC 2026 的布局中：从科学发现范式（解决流程打通）、自主发现平台（解决数据孤岛）、垂直产业赋能（验证真实价值）三个维度同时发力。这不是单点突破，而是体系化的推进。

---

六、当 AI 成为科学家，被改变的不只是效率

讨论 AI4S 的价值，如果只停留在"更快""更便宜"的维度，就错过了真正重要的部分。

想想这个场景：在肿瘤学研究里，一个博士生需要三年才能读完的文献，AI 在几分钟内消化完毕，并且自动生成了一份研究方案——指出了该领域最被忽视的 5 个可能方向。博士生拿着这份方案，设计实验，两年后发了一篇改写教科书的论文。

问题是——这篇论文的第一作者，应该写谁的名字？

这不是一个遥远的假设。当 AI 不仅在做"辅助计算"，而是开始执行"提出假设 → 设计实验 → 分析结果 → 得出结论"的全流程时，"谁是科学家"这个问题的答案就变得模糊了。

更深一层的问题是：AI 发现的科学知识，人类能理解吗？

AlphaFold 可以精准预测蛋白质结构，但它不会"解释"为什么这个结构是稳定的。它给出的是一组坐标和置信度分数，而不是一套可以被人类直觉把握的物理原理。如果未来的物理学突破来源于一个能解出人类永远看不懂的方程的 AI，我们还是否能自信地说"我们理解了宇宙"？

Max Tegmark 在 WAIC 2026 上提出的"更好的 AI 之路"，正是对这种担忧的回应。他的核心主张是：技术的发展不能脱离人类的理解与控制。但当一个系统的推理能力已经超越人类的理解水平，"理解"和"控制"之间的张力就会越来越大。

这不是危言耸听，而是需要认真对待的现实问题。科学的本质从来不只是"知道结果"，更是"理解过程"。如果 AI 绕过了"理解"这一步，直接抵达"结果"——那我们还算是科学家吗？

---

七、2026：科学领域站在了 2025 年软件工程的同一条起跑线上

回到 Kevin Weil 的那个判断：2026 年对于科学，就像 2025 年对于软件工程。

在 2025 年初，不用 AI 写代码的程序员还理直气壮。到了 2026 年初，不用 AI 的程序员已经开始焦虑——因为用 AI 的同事效率是你的三到五倍。科学领域正在重复同样的轨迹。

目前 AI4S 还处于"少数先行者使用"的阶段，但它从"可选"变为"标配"的速度，可能比软件工程领域更快。因为科学的竞争从来不是温和的——第一个发现新靶点的团队发表论文，第二个发现的团队只能发表"我们也发现了"的尴尬声明。在这种赢家通吃的竞争格局下，任何能提供显著优势的工具，都会以惊人的速度普及。

对于那些正在读博士、做博后、或者刚进入科研领域的年轻科学家来说，这个转折点的实际含义是：你未来的竞争力，不取决于你会不会用 AI，而取决于你会不会比 AI 更善于提出好问题。 因为回答问题的能力正在被 AI 迅猛追赶，而提出问题的能力——那种对自然世界深层规律的好奇、直觉和洞察——才是人类科学家最后的不可替代的堡垒。

AI4S 给科学带来的最大改变，也许不是"更快地找到答案"，而是"让我们有机会去问以前不敢问的问题"。当蛋白质可以在几分钟内被预测、材料可以在数月内被设计、气候可以在秒级被模拟，人类的想象力终于可以突破计算能力的限制——去问那些真正宏大的问题。

这才是第五科研范式真正令人兴奋的地方。

---

本文基于 WAIC 2026 官方资料、中国科学院、OpenAI、DeepMind 公开发布信息及多家科研机构研究成果综合撰写。