導(dǎo)讀

2025年，人工智能在科學(xué)界的角色發(fā)生了決定性轉(zhuǎn)變，它已超越單純的“分析工具”，成為一個能主動作為的科研伙伴，能夠提出新穎假說、從頭設(shè)計全新分子，并以前所未有的精細度預(yù)測行星系統(tǒng)。

2025年，人工智能在藥物發(fā)現(xiàn)、氣候科學(xué)和材料工程等關(guān)鍵領(lǐng)域取得了突破性進展，大大加速科學(xué)發(fā)現(xiàn)，由人工智能引領(lǐng)科學(xué)革命的浪潮已經(jīng)到來。

值得一提的是，中國雖然沒有選一例入選，但許多關(guān)鍵領(lǐng)域都接近行業(yè)領(lǐng)先水平。本文結(jié)合行業(yè)專家、ChatGPT、Gemini、Deepseek等模型的分析，對2025年最具代表性的研究案例進行分析總結(jié)。

深究科學(xué)｜來源

01

BioEmu-1：模擬蛋白質(zhì)復(fù)雜構(gòu)象

BioEmu-1模型由微軟研究院AI for Science團隊開發(fā)，今年發(fā)表在Science雜志上，團隊核心成員包括SarahLewis、TobiasHempel等。

BioEmu采用擴散模型架構(gòu)，結(jié)合AlphaFold的Evoformer編碼器和二階積分采樣技術(shù)高效地從蛋白質(zhì)構(gòu)象分布中采樣，通過結(jié)合AlphaFold數(shù)據(jù)庫中的靜態(tài)結(jié)構(gòu)、超過200毫秒的分子動力學(xué)（MD）模擬數(shù)據(jù)，以及50萬條蛋白穩(wěn)定性實驗數(shù)據(jù)，訓(xùn)練后能夠在單張GPU上每小時生成上千個獨立蛋白質(zhì)結(jié)構(gòu)。

BioEmu模型示意圖

BioEmu能模擬蛋白質(zhì)在功能過程中出現(xiàn)的關(guān)鍵結(jié)構(gòu)變化，如隱性口袋、局部解折疊和結(jié)構(gòu)域重排，模擬成功率分別達到70%、75%、80%。

BioEmu以前所未有的效率和精度模擬了蛋白質(zhì)的構(gòu)象變化，這為理解蛋白質(zhì)功能機制和加速藥物發(fā)現(xiàn)打開了新路徑。應(yīng)用場景包括藥物研發(fā)、蛋白質(zhì)工程、結(jié)構(gòu)生物學(xué)等。

02

MatterGen：材料設(shè)計突破性工具

MatterGen是基于擴散模型的晶體材料生成模型，該模型由微軟研究院
團隊完成，并發(fā)表在Nature發(fā)表，團隊核心成員包括謝天等。

MatterGen是材料逆向設(shè)計的突破性工具，可大幅提升新型穩(wěn)定材料的生成效率與定向可控性。應(yīng)用場景包括新型能源材料、功能材料設(shè)計等。

與現(xiàn)有生成模型相比，MatterGen生成的穩(wěn)定、獨特且新穎材料的比例提高了2.9倍，接近局部能量最小值程度提升了17.5倍。

在合成材料驗證中，模型生成的結(jié)構(gòu)與實際材料高度一致，并且模型能夠識別具有相同成分無序結(jié)構(gòu)的不同材料。

03

Aurora：精準預(yù)測大氣

Aurora是一款大氣預(yù)測模型，該模型由微軟研究院與劍橋大學(xué)等機構(gòu)聯(lián)合開發(fā)，論文發(fā)在Nature雜志上，核心團隊成員包括Paris Perdikaris等。

Aurora模型基于超百萬小時天氣氣候模擬數(shù)據(jù)訓(xùn)練，采用3D SwinTransformer與Perceiver編碼器解碼器架構(gòu)，能處理多維度大氣變量，訓(xùn)練周期僅4-8周，遠短于傳統(tǒng)基線模型的數(shù)年時長。

Aurora架構(gòu)示意圖

相較于最先進的數(shù)值預(yù)報系統(tǒng)IFS，Aurora計算速度提升約5000倍，且成本更低，其在空氣質(zhì)量、海浪、熱帶氣旋路徑及高分辨率天氣預(yù)報四大領(lǐng)域均達SOTA水平，如5天熱帶氣旋路徑預(yù)報全面超越7個業(yè)務(wù)預(yù)報中心。

Aurora可靈活微調(diào)適配多樣預(yù)測任務(wù)，可讓數(shù)據(jù)稀缺地區(qū)獲得精準氣象信息，可助力農(nóng)業(yè)、能源、災(zāi)害應(yīng)對等領(lǐng)域應(yīng)對氣候變化挑戰(zhàn)，為構(gòu)建全地球系統(tǒng)綜合模型奠定了基礎(chǔ)。

04

Quantum Echoes：量子物理模型

Quantum Echoes是一款基于超時序關(guān)聯(lián)器（OTOC）的量子算法，由谷歌Quantum AI團隊及其合作者開發(fā)，論文于2025年10月發(fā)表于Nature雜志。

其核心原理是通過量子系統(tǒng)正向演化—擾動—反向演化的流程，借助相長干涉放大信號、抵消噪聲，將難測量的量子關(guān)聯(lián)轉(zhuǎn)化為可觀測的“量子回聲”，從而實現(xiàn)高靈敏度的系統(tǒng)結(jié)構(gòu)與動力學(xué)映射。

Quantum Echoes算法不僅在量子多體動力學(xué)模擬上比Frontier超級計算機快約13000倍（2小時完成經(jīng)典機3年任務(wù)），更首次達成可驗證、可復(fù)現(xiàn)的量子優(yōu)勢。在分子結(jié)構(gòu)測定實驗中，其結(jié)果與成熟技術(shù)高度一致。其應(yīng)用覆蓋量子多體物理、材料科學(xué)、量子化學(xué)等領(lǐng)域，可為相關(guān)研究提供高效工具，并助力加速量子計算實用化進程。

05

RFdiffusion2：全新蛋白設(shè)計

RFdiffusion模型是華盛頓大學(xué)David Baker團隊開發(fā)的深度學(xué)習(xí)驅(qū)動的蛋白質(zhì)結(jié)構(gòu)從頭設(shè)計工具。2025年，基于該模型Baker團隊發(fā)了一系列高水平論文。

簡單來說，RFdiffusion2模型基于RoseTTAFold All-Atom架構(gòu)，可自動推斷側(cè)鏈構(gòu)象與序列索引，高效生成蛋白支架，其核心優(yōu)勢在于可僅基于功能基團原子坐標設(shè)計酶，無需規(guī)定殘基順序或逆向旋轉(zhuǎn)異構(gòu)體枚舉，能直接適配無序列索引原子、部分配體等復(fù)雜活性位點需求。

RFdiffusion2蛋白質(zhì)設(shè)計示意圖

2025年，Baker團隊在Nature雜志的一項研究顯示其設(shè)計的抗體與流感血凝素、艱難梭菌毒素B等靶點結(jié)合構(gòu)象契合度高，CDR環(huán)設(shè)計達原子級精度，經(jīng)親和力成熟后可實現(xiàn)個位數(shù)納摩爾級結(jié)合強度。

另外，Baker團隊使用RFdiffusion從頭設(shè)計針對三指毒素（3FTx）蛇毒中和蛋白，獲得了具有顯著熱穩(wěn)定性、高親和力以及與計算模型近乎原子水平一致性的蛋白質(zhì)，論文同樣發(fā)表于Nature雜志上。

RFdiffusion強大的功能使得其成為當(dāng)前計算蛋白設(shè)計領(lǐng)域的核心工具之一。

06

Evo-2：基因組模型

Evo-2模型由來自 Arc研究所、斯坦福大學(xué)及NVIDIA等團隊聯(lián)合推出，核心成員包括Brian L. Hie、Patrick D. Hsu等，可廣泛應(yīng)用于疾病基因組學(xué)、合成生物學(xué)等領(lǐng)域，助力臨床變異評級、基因組設(shè)計等任務(wù)。

Evo-2是一款兼顧預(yù)測與生成的基因組基礎(chǔ)模型，覆蓋原核、古菌等全生命域，具備單核苷酸分辨率，支持100萬bp超長上下文窗口。其核心能力突出，零樣本即可精準預(yù)測非編碼致病變異、BRCA1臨床變異等，還能生成高自然度基因組序列，自主習(xí)得外顯子-內(nèi)含子邊界等生物特征。

相較于同類模型，Evo-2數(shù)據(jù)覆蓋更全、架構(gòu)更高效，零樣本性能優(yōu)異且完全開源，大幅降低落地門檻。

07

DeepMind全自動實驗室

DeepMind Automated Labs是DeepMind公司提出的一項研究新范式和物理科研設(shè)施，它基于通用模型Gemini架構(gòu)，由AI系統(tǒng)基于現(xiàn)有數(shù)據(jù)生成假設(shè)并負責(zé)實驗設(shè)計，機器人系統(tǒng)執(zhí)行實驗，機器學(xué)習(xí)模型分析結(jié)果以確定下一步流程。設(shè)施全流程自動化，可7×24小時運行。其中Gemini作為核心智能層，負責(zé)多模態(tài)理解、實驗規(guī)劃、代碼生成與多智能體協(xié)作。

DeepMind自動化實驗室旨在加速涉及復(fù)雜的化學(xué)和物理相互作用、需要大規(guī)模迭代實驗的新材料研發(fā)進程，特別是超導(dǎo)體和先進半導(dǎo)體材料。

人工智能系統(tǒng)則以規(guī)模化的方式執(zhí)行的新范式，并有望擴展到制造、藥物發(fā)現(xiàn)、能源優(yōu)化，甚至工業(yè)研發(fā)等任何依賴重復(fù)測試和優(yōu)化的領(lǐng)域。

08

MAGE：抗體全新設(shè)計范式

MAGE是首個無需模板即可設(shè)計多種靶標抗體的序列型蛋白質(zhì)語言模型，由Vanderbilt大學(xué)Ivelin S.Georgiev團隊提出并發(fā)表在今年的Cell雜志上。

MAGE基于十億級蛋白序列上預(yù)訓(xùn)練的自回歸解碼器模型Progen2微調(diào)，經(jīng)18507對抗體-抗原序列訓(xùn)練，可僅輸入抗原序列，直接生成配對人源抗體的重鏈和輕鏈抗體可變區(qū)序列，且生成抗體具備多樣化序列特征與新型互補決定區(qū)序列。

MAGE模型示意圖

在MAGE模型生成的1000條抗體序列中，99.1% 通過結(jié)構(gòu)完整性與人源性篩選。與訓(xùn)練集中最相似序列相比，重鏈平均差異 11.7 個殘基，輕鏈差異 1.4 個，這顯示其創(chuàng)新性。在針對新冠病毒抗體設(shè)計中，20種生成抗體中9種具結(jié)合特異性，1種中和效價優(yōu)于10納克/毫升。

MAGE為新興病原體快速響應(yīng)提供可能，未來結(jié)合結(jié)構(gòu)預(yù)測等技術(shù)，有望重塑抗體發(fā)現(xiàn)與疫苗設(shè)計范式。

09

AlphaEvolve：通用算法

AlphaEvolve是一款由Gemini系列大語言模型驅(qū)動的進化式編碼智能體，專注于通用算法的自主發(fā)現(xiàn)與迭代優(yōu)化，由Google Deepmind提出，預(yù)印本發(fā)表于arxiv平臺。

其核心依托Gemini Flash與Gemini Pro協(xié)同工作，前者拓展思路廣度，后者深挖優(yōu)化要點，結(jié)合自動化評估器與進化算法，實現(xiàn)“提示生成-程序創(chuàng)作-評估篩選-迭代進化”的全鏈路自主運行，確保解決方案的準確性與優(yōu)質(zhì)性。

AlphaEvolve工作流程

應(yīng)用層面，AlphaEvolve已深度賦能谷歌計算生態(tài)：優(yōu)化數(shù)據(jù)中心調(diào)度提升資源利用率，優(yōu)化芯片設(shè)計Verilog代碼，成果融入下一代TPU芯片；提升AI訓(xùn)練效率，使Gemini核心矩陣運算提速23%，F(xiàn)lash Attention機制運算最高提速32.5%。

在學(xué)術(shù)領(lǐng)域，它突破4×4復(fù)矩陣乘法最優(yōu)解，為“接觸數(shù)問題”等50余個開放性數(shù)學(xué)問題提供解法，20%案例超越現(xiàn)有最優(yōu)解。AlphaEvolve突破單點函數(shù)局限進化完整代碼庫，為數(shù)學(xué)領(lǐng)域及計算實用場景提供了高性能算法解決方案。

未來，其通用架構(gòu)有望拓展至材料科學(xué)、藥物研發(fā)等領(lǐng)域，推動更多行業(yè)創(chuàng)新。

10

Future House：人工智能科研代理

Future House是由MIT博士山姆·羅德里格斯（Sam Rodriques）和安德魯·懷特（Andrew White）建立的一家多智能體代理平臺。

平臺核心為四款專業(yè)代理：Crow通用檢索，提供簡明學(xué)術(shù)答案；Falcon深耕文獻綜述，覆蓋多專業(yè)數(shù)據(jù)庫；Owl聚焦“前人是否做過X”的問題；Phoenix（實驗性）助力化學(xué)實驗規(guī)劃。另有一款尚未發(fā)布的專為實現(xiàn)生物學(xué)領(lǐng)域數(shù)據(jù)驅(qū)動的自動化發(fā)現(xiàn)而設(shè)計的智能體Finch。

這些平臺智能體基于其擁有240億參數(shù)的開源化學(xué)推理模型ether0模型。經(jīng)基準測試，前三者檢索精度與準確性優(yōu)于主流模型，且超越博士級研究人員。

不同模型搜索精度與準確性比較

未來，這一平臺應(yīng)用場景包括可快速挖掘疾病機制、識別文獻矛盾、批判分析研究方法，還能通過API定制流程，助力蛋白靶點篩選與化學(xué)空間分析等，大幅加速科學(xué)發(fā)現(xiàn)進程。

簡而言之，2025年不僅有更好的模型，更是“科研伙伴”崛起的一年。像AlphaEvolve和谷歌最新科研智能體這樣的系統(tǒng)，能夠識別藥物重定位候選者，并在數(shù)天內(nèi)預(yù)測抗菌素耐藥性，其工作成果可媲美人類團隊過去數(shù)年的努力。

隨著人工智能從工具轉(zhuǎn)變?yōu)楹献骰锇?，科學(xué)方法本身正在被改寫——其進程加速了百倍，唯一的限制僅在于實驗室驗證的速度。

人工智能已深度參與科研過程的各個環(huán)節(jié)，并將在今后仍會帶來一系列突破。

Deep Science預(yù)印本