川海智库

报告概述

本报告系统梳理了科研智能（AI for Research and Development）的战略地位、发展历程、全球政策布局、关键技术体系（科研数据、计算、模型、智能体和自动化实验室）以及典型应用案例。研究对象覆盖基础科学（生命科学、化学、地球与空间科学、数学）和产业研发（医药、材料、先进制造、半导体）等关键领域。报告综合采用文献研究、案例调研与专家访谈方法，旨在为政府部门、科研机构与产业界把握趋势、制定战略提供参考。

报告的核心结论

科研智能推动科研范式向第五范式跃迁

报告指出，人工智能与科研活动深度融合，推动科研范式从以人为中心的线性流程，迈向数据—模型—计算—实验协同的闭环体系，即第五范式。这一跃迁通过科研智能体将理解、规划、工具使用与环境交互贯通为可迭代的工作流，并通过自动化实验室实现干湿闭环，显著提升知识发现与技术创新的效率。

全球主要经济体系统性布局科研智能政策

报告显示，美国启动创世纪计划以国家工程化牵引，欧盟发布科学人工智能战略并整合资源，中国将人工智能+科学技术列为国家行动首位，英国、日本、韩国等也相继推出战略与基础设施计划。各国通过顶层战略、算力数据底座和专项项目群，形成面向基础科学突破与产业研发转化的系统性支持框架。

科研模型从通用大模型走向专用增强体系

报告认为，科研模型正从通用大语言模型演进为面向科学知识表达、科学推理与科学对象表征的专用/增强模型体系，包括科研大语言模型、领域科研大模型（如AlphaFold 3、ESM3）和多模态科研大模型。这些模型在生命科学、材料、天气预测等领域取得突破性进展，并开始与自动化实验室形成闭环。

产业研发中AI显著降低成本、缩短周期并提高成功率

报告以医药、材料、先进制造、半导体等领域为例，指出AI在早期发现、实验验证和设计优化等环节带来可量化的效率提升。例如，AI设计的分子在临床试验中的I期成功率达87.5%，A-Lab在17天内成功合成41种新材料，生成式设计使航空航天结构设计效率提升一个数量级，验证了AI在解决高成本、长周期、低成功率等产业痛点中的实际价值。

报告回答的关键问题

什么是科研智能？

科研智能（AI for Research and Development, AI4RD）是以人工智能为核心支撑，对科学研究与产业研发活动进行系统性升级的方法与工程体系。它面向问题提出、知识获取、建模推理、计算求解、实验验证到结果沉淀的全过程，将数据、知识、模型、算力和实验条件纳入统一任务框架，形成可追溯、可复现、可持续迭代的研发流程。

AI如何加速新药研发？

报告指出，AI在医药研发中从三方面提效：前端通过数据驱动的靶点识别和生成式分子设计加速候选分子发现，例如英矽智能用AI将特发性肺纤维化候选药物从靶点发现到临床前候选缩短至18个月；中端通过自动化实验室形成设计-合成-测试闭环；后端用大模型优化患者招募和临床试验匹配，如TrialGPT显著缩短筛查时间。

自动化实验室如何实现干湿闭环？

自动化实验室通过机器人、自动控制和信息化系统执行实验，并与AI决策系统无缝对接，形成设计-执行-分析-再设计的闭环。例如A-Lab整合主动学习、机器学习、文献知识和多机器人合成线，在17天内自主合成41种新材料；分布式实验室协作网络则实现跨时区、跨设施的云端协同，显著提升实验效率与可重复性。

科研智能在气象预报中有哪些突破？

报告提到，AI模型如GenCast可生成50个集合预报，15天预报仅需8分钟；NeuralGCM结合可微动力学与机器学习，兼顾预报技巧与长期稳定性；ECMWF已上线AI预报系统AIFS并推出集合版本。AI模型在速度上优势显著，但在极端事件刻画上仍存在系统性低估，传统数值预报在极端尾部风险上更稳健。

报告中的代表性数据

87.5%

AI发现药物的I期临床试验成功率

截至2023年底，根据对24个AI发现药物样本的统计，从I期成功进入下一阶段的比例为87.5%，显著高于BIO行业平均的52.0%。

41种，71%

A-Lab自主合成新材料的成功数量与成功率

2023年，加州大学伯克利分校的自动化实验室A-Lab在约17天连续运行中，从58个目标中成功合成41种化合物，成功率达71%，验证了生成-验证-迭代闭环的有效性。

220万（其中38万热力学稳定）

GNoME预测的新晶体结构数量

2023年，DeepMind的GNoME项目利用图网络和主动学习对无机晶体进行高通量稳定性预测，提出约220万个新晶体结构，其中38万个被评估为计算热力学稳定。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 全球主要经济体（美、欧、中、英、日、韩等）关于科研智能的顶层战略、重大计划及政策对比分析。
  • 科研智能的五类关键技术详解：科研数据（采集、治理、知识图谱）、科研计算（异构计算、资源调度）、科研模型（分类与典型工作）、科研智能体（架构与案例）、自动化实验室（硬件、调度、数据管理）。
  • 生命科学领域典型案例：AlphaFold 3、ESM3、AlphaProteo、RFdiffusion等模型的结构预测、变异效应与蛋白设计进展。
  • 化学领域的自动化实验室与自主合成闭环，包括ChemCrow、A-Lab、移动机器人化学家等系统，以及反应建模与逆合成规划的新方法。
  • 地球与空间科学中的AI天气预报模型（GenCast、NeuralGCM、AIFS）、基础模型（Aurora、Prithvi-EO-2.0）以及空间天气预测（Surya模型）。
  • 数学领域AI进展：形式化定理证明（LeanDojo、DeepSeek-Prover V2）、IMO竞赛级求解（AlphaProof、Gemini Deep Think）以及猜想自动生成（FunSearch、LeanConjecturer）。
  • 产业研发应用：医药（AI分子临床成功率、Recursion与Exscientia合并案例）、材料（GNoME、MatterGen逆向设计）、先进制造（DAPS系统、宝马数字孪生工厂）、半导体（Synopsys DSO.ai、谷歌AlphaChip）。
  • 科研智能面临的五大发展挑战（数据、算法、工程、组织、治理）与五项未来展望（自主科研、大小模型协同、RaaS平台、千亿赛道、可信治理）。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告