在這一輪波瀾壯闊的人工智能浪潮中，我們常被算力、模型規(guī)模和顛覆式敘事所簇?fù)怼Ｈ欢?，真正值得記錄的變化，往往發(fā)生在那些遠(yuǎn)離喧囂的實驗室里、發(fā)生在一行行代碼與科學(xué)假設(shè)的碰撞中：AI 是如何從一種“使能技術(shù)”，演變?yōu)楦淖內(nèi)祟愅七M(jìn)科研的基本范式的？

2025年，AI4Science（AI4S）不再僅僅是論文中的愿景。它正以一種極其務(wù)實且具體的姿態(tài)，嵌入到每一位科學(xué)家的日常。

在這一年里，我們看到 AI4S 呈現(xiàn)出多維度的進(jìn)化：

它是高效的“科研加速器”： 從潤色論文到整理會議紀(jì)要，從自動化數(shù)據(jù)處理到啟發(fā)科學(xué)假設(shè)，正如吳琦教授與許東教授所言，AI 正在將科學(xué)家從低效的試錯中解放，讓他們重新聚焦于“創(chuàng)造性思維”本身。

它是認(rèn)知的“破局者”：無論是 AlphaFold 3 的持續(xù)震撼，還是 Noetik 的虛擬細(xì)胞模型，AI 開始突破傳統(tǒng)學(xué)科的藩籬。樊雋軒教授與張清鵬教授都觀察到，當(dāng)數(shù)據(jù)被轉(zhuǎn)化為 AI 可理解的要素，兩個獨立領(lǐng)域被真正貫通，認(rèn)知的“紅利”正加速轉(zhuǎn)化為科研的“生產(chǎn)力”。

它是未來的“自主探索者”： 盡管如張曉峰教授所指，AI Scientist 尚處初級階段，但“自動化發(fā)現(xiàn)”（Automation）已成為杜沅豈等年輕學(xué)者眼中的確定未來。

正如李國杰院士在寄語中所指出：AI4S 正在讓思維本身成為可工程化的對象。如果說 2024 年是 AI 獲得科學(xué)界最高榮譽(yù)諾貝爾獎的加冕禮，那么 2025 年則是 AI 深入科研的“現(xiàn)場記錄”。

步入 2026 年，我們不僅關(guān)注模型能力的突破，更期待“AI 專家”與“學(xué)科專家”的深度共融，期待鄂維南院士所構(gòu)想的“超級實驗室”與開源共享生態(tài)的落地。

為此，雷峰網(wǎng)邀請了來自頂級高校及一線科研機(jī)構(gòu)的多位AI 專家與學(xué)科專家，通過他們的親歷與洞察，還原一個真實、誠懇且充滿可能性的 AI4S 2025。這不僅是一次年度總結(jié)，更是一份通往“未來科學(xué)發(fā)現(xiàn)新模式”的航海日志。

寄語

AI4S 是人類認(rèn)知的一場革命，讓思維本身成為可工程化的對象。未來 10 年內(nèi) AI4S 將不只是“科研輔助工具”，而是會逐步演變?yōu)榭蒲械谋匾Ｊ?。AI4S 的核心價值是將人類從低效的試錯過程中解放出來，專注于創(chuàng)造性思維。未來科學(xué)發(fā)現(xiàn)將呈現(xiàn)“AI 提出候選方案-人類判定科學(xué)意義-協(xié)同優(yōu)化”的螺旋上升模式。

AI 的本質(zhì)是達(dá)到預(yù)期目標(biāo)的優(yōu)化技術(shù)，目前的人工智能主要還是一種使能（enable）技術(shù)，重點應(yīng)放在把“認(rèn)知紅利”轉(zhuǎn)化為“生產(chǎn)力紅利”上。在可預(yù)見的 10 年內(nèi)，AI4S 的最大潛力是成為“愛迪生”而非“愛因斯坦”。AI4S 能否真正見到成效，要看從研發(fā)到應(yīng)用全流程的總成本是否足夠低。要讓廣大的科研人員都能使用人工智能技術(shù)，必須提供豐富且使用方便的智能軟件工具，大幅度降低AI的使用門檻。

AI4S 最適合的區(qū)域并不是“純基礎(chǔ)科學(xué)”，而是靠近工程一側(cè)的領(lǐng)域，這也是國務(wù)院《人工智能+》行動意見中將“AI +科學(xué)技術(shù)”列為首要任務(wù)的原因。從問題結(jié)構(gòu)出發(fā)，當(dāng)前“AI +科學(xué)技術(shù)”最具突破潛力的應(yīng)用場景主要集中在兩大類：第一類是產(chǎn)品開發(fā)過程本身高度接近科學(xué)發(fā)現(xiàn)的問題域，即產(chǎn)品性能依賴于對物質(zhì)結(jié)構(gòu)、機(jī)理或規(guī)律的探索與建模，如制藥、先進(jìn)材料與化學(xué)工業(yè)等；第二類是高度依賴多學(xué)科協(xié)同、系統(tǒng)級權(quán)衡與復(fù)雜約束優(yōu)化的問題域，即單一學(xué)科難以主導(dǎo)整體性能的工業(yè)產(chǎn)品制造或工程系統(tǒng)，如半導(dǎo)體與汽車產(chǎn)業(yè)等。

——李國杰 中國工程院院士

2025.12.27

科學(xué)家和研究者們眼中的AI4S

這一年我最大的感受是：AI 真正成了我科研工作的“加速器”。在日常研究中，它已經(jīng)深入到各個環(huán)節(jié)：論文撰寫時幫我理清思路、潤色語言；準(zhǔn)備演講稿和 PPT 時一起打磨結(jié)構(gòu)、凝練要點；會議之后自動整理紀(jì)要和待辦事項；做項目總結(jié)、年度匯報、甚至繁瑣的郵件回復(fù)，都能生成高質(zhì)量初稿，極大節(jié)省了時間與精力。這樣我可以把更多注意力放在要研究的問題本身上。站在 AI4S 的角度，今年大模型和多模態(tài)技術(shù)的進(jìn)展，讓“AI 作為科研搭檔”真正落地，從輔助閱讀文獻(xiàn)到參與數(shù)據(jù)分析與結(jié)果解釋，再到文檔撰寫和PPT生成，都與我的研究緊密相關(guān)，也慢慢改變了我開展科學(xué)研究的方式與節(jié)奏。

——吳琦 阿德萊德大學(xué)副教授

以智能體為代表的 AI 在 2025 年已經(jīng)全面、廣泛深入到我們的教學(xué)、科研場景，對學(xué)生自學(xué)學(xué)習(xí)、教師的授課方式都帶來巨大挑戰(zhàn)。AI4S 在 2025 年取得較多進(jìn)展如 AlphaFold 3 及基礎(chǔ)科學(xué)大模型，這些進(jìn)展都非常振奮人心，我更關(guān)注的是斯坦福提出來的一個小工作 AI Scientist，簡單理解，它可以快速組織科研議題、討論、達(dá)成一致來快速構(gòu)建有意義的科學(xué)新嘗試，這意味著未來的科研范式會開始出現(xiàn)較大變革，科研人員可以用 AI 來輔助，甚至在 AI 幫助下啟發(fā)思路，從而能更聚焦創(chuàng)造性工作自身，這極大提升了科研效率。目前這一工作還較為初級，還有很多具體認(rèn)知能力是不能簡單依賴智能體或大模型來提升，比如無監(jiān)督環(huán)境下的認(rèn)知正確性，創(chuàng)造性思路如何能高效、準(zhǔn)確產(chǎn)生，我相信這些問題會在明年看到部分答案。

——張曉峰 哈爾濱工業(yè)大學(xué)（深圳）教授

二十多年前，互聯(lián)網(wǎng)與在線知識分享的興起，極大地提升了人類獲取知識的效率。而最近兩三年大語言模型的出現(xiàn)，則徹底改變了知識的傳播與獲取方式，解答復(fù)雜問題，甚至跨領(lǐng)域聯(lián)想，有望進(jìn)一步拓展我們所能觸及的知識深度。

2025 年尚未出現(xiàn)如 2024 年諾貝爾獎同時垂青AI領(lǐng)域研究那樣的里程碑事件，但以 DeepSeek、Gemini 為代表的大模型持續(xù)迭代，正在潛移默化地改變科學(xué)研究的方法。不過，我印象最深的仍是 AlphaFold，真正的研究范式變革，仍需要時間的積累。

在我看來，AI4S 可分為三個層次：一是用 AI 替代傳統(tǒng)分析方法；二是用 AI 大幅提升原有分析效率，但邏輯未變；三是像 AlphaFold 那樣，將蛋白質(zhì)數(shù)據(jù)轉(zhuǎn)化為自然語言處理的要素，真正貫通兩個獨立領(lǐng)域。AI4S 的發(fā)展需要這三個層次共同推進(jìn)，但研究范式的根本變革，最可能源于第三種。

——樊雋軒 南京大學(xué)地球與行星科學(xué)系副主任

Automation 代表 AI4S 的未來方向。相比較于提升計算方法，Automate open-world discovery 是一個完全開闊的領(lǐng)域，之前從來沒辦法做到的。所以如何做 Automation，做怎樣程度的 Automation，以及如何驗證，有非常多的機(jī)遇和挑戰(zhàn)。

——杜沅豈 康奈爾大學(xué)博士生、AI4S弄潮兒

對我來說，最大的改變是學(xué)習(xí)效率的提升。AI 幫助我快速梳理已有知識，構(gòu)建系統(tǒng)化認(rèn)知，過去需要花大量時間整理的內(nèi)容，現(xiàn)在可以高效完成。今年最值得關(guān)注的不是多模態(tài)大模型本身，因為它更多是高質(zhì)量數(shù)據(jù)驅(qū)動下的工程性演進(jìn)，而非理論突破。我更看重 Science for AI 的理論進(jìn)展，尤其是復(fù)雜系統(tǒng)理論在解釋大模型行為方面的探索，以及智能涌現(xiàn)背后的物理規(guī)律。這些研究嘗試用統(tǒng)計物理、網(wǎng)絡(luò)科學(xué)和相變理論來刻畫大模型的能力邊界，解釋為什么在參數(shù)規(guī)模和數(shù)據(jù)分布達(dá)到某個臨界點時，會出現(xiàn)“涌現(xiàn)”現(xiàn)象。這類工作不僅提升了模型的可解釋性，也為未來的架構(gòu)設(shè)計和資源分配提供了理論依據(jù)，對推動可信 AI 和科學(xué)驅(qū)動的智能發(fā)展意義重大。

2025年最讓我印象深刻的是“虛擬細(xì)胞”技術(shù)的突破。 通過多模態(tài)AI構(gòu)建個體細(xì)胞以及腫瘤微環(huán)境的虛擬模型，實現(xiàn)了對細(xì)胞行為的精準(zhǔn)模擬。這不僅突破了傳統(tǒng)實驗的局限，也讓我們可以在虛擬空間中探索藥物作用機(jī)制和患者差異，推動精準(zhǔn)治療和免疫療法的發(fā)展。

展望2026年，我認(rèn)為關(guān)鍵方向?qū)⑹抢碚撆c應(yīng)用的深度融合。一方面，復(fù)雜系統(tǒng)理論和智能涌現(xiàn)規(guī)律將繼續(xù)指導(dǎo)模型設(shè)計和解釋；另一方面，這類“生命系統(tǒng)世界模型”將逐漸成為科研的核心基礎(chǔ)設(shè)施，結(jié)合真實世界的多模態(tài)數(shù)據(jù)，開啟“虛擬實驗室”時代，加速藥物研發(fā)和個性化醫(yī)療。

——張清鵬 香港大學(xué)數(shù)據(jù)科學(xué)研究院和藥理藥學(xué)系副教授

過去一年，以 DeepSeek 的問世開局，全球人工智能發(fā)展格局發(fā)生了深刻變化。無論是技術(shù)路徑還是應(yīng)用場景，都呈現(xiàn)出前所未有的演進(jìn)態(tài)勢。對個人而言，AI 已深度滲透科研與生活的方方面面，從知識獲取、整合到更新，全方位提升效率，大幅縮短科學(xué)發(fā)現(xiàn)周期，成為不可或缺的助手。但這一切，僅僅是偉大變革的序幕——未來，AI 將從日常工作、社會生活，延伸至生命健康乃至國家安全，引發(fā)結(jié)構(gòu)性的深刻革命。與此同時，我們也看到，AI 發(fā)展正面臨兩大核心技術(shù)挑戰(zhàn)：能耗問題與通用智能問題。唯有在這兩個問題上取得根本性突破，AI 才能真正走向普惠，全面深度融入人類生活。

——黃典 廣東省智能科學(xué)與技術(shù)研究院副研究員

2025年從Deep Research工程化角度看已經(jīng)有了很好的基礎(chǔ)；2026年隨著模型科學(xué)能力的進(jìn)一步提升，AI4S在數(shù)學(xué)、物理、化學(xué)、生命科學(xué)和材料科學(xué)等領(lǐng)域會全面開展并推動關(guān)鍵場景的突破性成果。

——薛貴榮 之江實驗室科學(xué)模型總體部技術(shù)總師

對我而言，AI 最直接、最顯著的改變是極大地提升了科研與管理工作的效率。在我們的課題組，AI 在編程輔助、科研流程自動化以及各類 AI 輔助科研平臺中的應(yīng)用，使整體研發(fā)效率至少提升了 20%。作為教授，我每年需要為數(shù)十人寫推薦信、評估材料等，另外還有大量的郵件和學(xué)術(shù)文檔?，F(xiàn)在，我可以通過口述將自己的想法直接交給 ChatGPT 進(jìn)行結(jié)構(gòu)化整理，我再修改，內(nèi)容完全來自我本人，但寫作與編輯時間大幅縮短。此外，在論文寫作方面，AI 顯著減輕了語言和語法層面的負(fù)擔(dān)，尤其對國際學(xué)生幫助很大，使他們能將更多精力投入到科學(xué)問題本身，也大大節(jié)省了我修改論文的時間。

2025 年給我留下最深刻印象的是以 Gemini 為代表的一系列進(jìn)展，包括自動實驗室、AlphaEvolve 等通用算法體系。即使僅從用 Gemini 本身來輔助提出假設(shè)、拓展科研人員思路的角度來看，這類系統(tǒng)已經(jīng)展現(xiàn)出非常突出的價值。

展望 2026 年，我認(rèn)為 AI4S 的關(guān)鍵發(fā)展方向?qū)⒉辉僦皇悄Ｐ湍芰Φ膯吸c突破，而是 AI 與各學(xué)科領(lǐng)域?qū)＜遥―omain Scientists）的深度融合。目前，這種融合仍然明顯不足：懂 AI 的研究者往往對具體應(yīng)用領(lǐng)域理解有限，而具備深厚科學(xué)背景的研究者又未必熟悉 AI 方法。真正將這兩類能力緊密結(jié)合，形成長期協(xié)同的研究模式，可能會帶來遠(yuǎn)超單獨技術(shù)進(jìn)步的科學(xué)突破。

——許東 密蘇里大學(xué)電子工程和計算機(jī)科學(xué)系校董講座教授

AI對我日常最大的影響是文字材料處理更方便了，尤其是一些不重要的文字材料，AI能寫的很好，其次是一些娛樂向的內(nèi)容比如生成一些有趣的圖片，PPT目前完全依賴AI還很難，這其實符合AI發(fā)展趨勢，先語言單模態(tài)到多模態(tài)應(yīng)用。

我個人覺得2025年整體上AI4S并沒有革命性突破的工作，一些有特色和亮點的工作有：MatterGen、RFDiffusion2、AlphaEvolve、MAGE以及一些AI全自動科學(xué)實驗平臺等。2026年AI4S方向我保持著謹(jǐn)慎的樂觀態(tài)度，我希望AI4S應(yīng)該要從“AI讀論文/做預(yù)測與分析”（Predictive AI）跨越到“AI做實驗/搞發(fā)現(xiàn)”，目前的 AI4S 主要是“Copilot”模式（科學(xué)家想好idea，AI幫忙寫代碼、預(yù)測結(jié)構(gòu)）。

我理想中的AI4S科學(xué)家應(yīng)該是：自主提出假設(shè)到實驗設(shè)計與規(guī)劃，再工具調(diào)用或控制科學(xué)實驗的物理設(shè)備，最后自我反思，比如實驗失敗后，AI 能像人類博士生一樣分析“為什么失敗”，修正假設(shè)并開啟下一輪迭代，而不是只會報錯。這條路還很漫長，鏈路中間需要解決的問題還非常多，道阻且長，謹(jǐn)慎樂觀。

——袁粒 北京大學(xué)科學(xué)智能學(xué)院助理教授

AI 的引入顯著改變了我的科研思維范式和工作方式。一方面，它從“工具”升級為科研合作者，幫助我更快地梳理問題、驗證思路和探索設(shè)計空間；另一方面，大幅提升了文獻(xiàn)閱讀、方案推演和材料撰寫的效率，使我能夠?qū)⒏嗑ν度氲胶诵目茖W(xué)問題和創(chuàng)新方向上。

在我看來，AI4S 最具代表性的標(biāo)志性事件，是近一年多來諾貝爾物理學(xué)獎和化學(xué)獎都與 AI 深度相關(guān)，這在學(xué)術(shù)層面清晰地表明：AI 已經(jīng)從工具層面上升為推動基礎(chǔ)科學(xué)突破的核心方法之一。與我所在的計算機(jī)體系結(jié)構(gòu)領(lǐng)域最為相關(guān)的是，AI4S 的快速發(fā)展對算力、能效和系統(tǒng)可靠性提出了前所未有的要求，使計算機(jī)體系結(jié)構(gòu)從“性能支撐角色”轉(zhuǎn)變?yōu)椤翱茖W(xué)發(fā)現(xiàn)基礎(chǔ)設(shè)施”。

給我留下最深刻印象的是 DeepSeek 的相關(guān)工作，它表明模型層面的原創(chuàng)性創(chuàng)新本身就具有“破局能力”，在一定程度上可以突破算力與硬件受限所帶來的瓶頸，這對當(dāng)前 AI4S 的發(fā)展具有重要啟示意義。展望 2026 年，我認(rèn)為 AI4S 的關(guān)鍵發(fā)展方向?qū)⒉辉倬窒抻趩吸c模型或算法突破，而是走向科研全流程的開源化與共享化，包括數(shù)據(jù)、模型、工具鏈和實驗流程的協(xié)同演進(jìn)。這一趨勢與鄂維南院士提出的“超級實驗室”理念高度契合，有望通過開放、協(xié)作和規(guī)模化智能系統(tǒng)，顯著提升科學(xué)發(fā)現(xiàn)的效率與可復(fù)現(xiàn)性。

——冷靜文 上海交通大學(xué)計算機(jī)學(xué)院教授

對我個人最直接的改變，是把高頻但瑣碎的事情自動化了。比如以前我會用 Notion 記錄大量日程，每個月做一次復(fù)盤：這個月做了什么、推進(jìn)到哪、有哪些產(chǎn)出?，F(xiàn)在有了CodeX配合MCP之后，可以自動生成周度、月度、年度復(fù)盤與科研進(jìn)度追蹤，減少很多手工整理的成本。其他的事情也是一樣。

我認(rèn)為 2025 年 AI4S 里最關(guān)鍵的進(jìn)展，其實是評測與機(jī)制開始變得更可落地。因為科學(xué)發(fā)現(xiàn)本身非常難評估：novelty、影響力、長期價值都不是簡單指標(biāo)能覆蓋的。今年一個標(biāo)志性的趨勢是：我們開始看到AI 產(chǎn)出的論文/研究能進(jìn)入更真實的評審與傳播流程，例如出現(xiàn)了更面向 AI 投稿、AI 審稿的會議與流程，甚至在部分方向上，AI 獨立完成的工作能夠被人類 reviewer 認(rèn)可并接受。 從我做 agent 的視角看，另一個非常重要的點是動作空間（action space）：當(dāng)你給 agent 足夠可接入的工具與環(huán)境時，它才能真正閉環(huán)地做 research。比如在計算機(jī)領(lǐng)域，只要能接到計算資源與軟件工具鏈，AI 更容易端到端產(chǎn)出可驗證結(jié)果；但在生物、化學(xué)等依賴濕實驗的領(lǐng)域，如果沒有可被 AI 直接操控的實驗動作空間（或足夠強(qiáng)的具身/自動化實驗平臺接口），端到端的獨立科研就仍然很難成立。

最讓我印象深刻的是24年 AI Scientist 最開始的工作，實現(xiàn)了端到端的論文生成，之前沒有想過這個場景。 至于關(guān)鍵方向，可能會在兩個事情上： 更好的評測：從“刷靜態(tài)任務(wù)分?jǐn)?shù)”走向更能衡量發(fā)現(xiàn)能力、novelty 與長期貢獻(xiàn)的評價框架； 擴(kuò)展動作空間：把更多學(xué)科的研究流程工程化、接口化，形成可被 agent 直接調(diào)用的標(biāo)準(zhǔn) pipeline——尤其是在生物等領(lǐng)域，通過自動化實驗平臺或標(biāo)準(zhǔn)化流程，讓 agent 能更直接參與實驗與驗證，從而真正推動跨學(xué)科的閉環(huán)科研。

——張佳釔 香港科技大學(xué)（廣州）博士

AI最直觀的改變是科研提效，基金申報、論文潤色等日常工作能節(jié)省不少時間；但AI領(lǐng)域迭代太快，“學(xué)的趕不上發(fā)的”，難免有焦慮，也迫使自己思考如何平衡熱點跟風(fēng)與自身核心方向深耕；此外，AI帶來的信息變多，甄別有效信息成為一項關(guān)鍵的挑戰(zhàn)。

——周博宇 南方科技大學(xué)機(jī)械與能源工程系助理教授