AI+科研是人工智慧技術與科研結合的新模式，通過算法驅動實現科研全鏈條重塑。
該模式在天文數據清洗、蛋白質結構解析、文獻知識圖譜構建、藥物虛擬仿真等領域廣泛套用，典型案例包括阿爾法摺疊2模型實現蛋白質秒級預測、OpenBioMed平台將藥物研發周期縮短至小時級、星火科研助手提升文獻調研效率10倍，以及2026年1月清華大學團隊研發的DrugCLIP平台將新藥篩選速度提升百萬倍並實現基因組級別全覆蓋篩選。此外，施普林格·自然於2025年12月將生成式AI功能集成到protocols.io平台提升實驗方案管理，有研究團隊藉助AI與超算設計出新一代抗炎蛋白。全球AI for Science論文在2019-2023年間年均增長27.2%，生命科學領域場景最為豐富。
該模式發展面臨技術可解釋性、數據共享機制與智慧財產權分配等挑戰。中國科學院開發的智慧型化工大模型2.0在化工領域十大評測維度平均準確率達61.94%，哈爾濱工業大學設立“AI+先進技術領軍班”培養複合型人才。為解決數據管理問題，需構建可信流通平台並建立共享聯盟“AI+科研”，清華大學等高校計畫推進117門AI賦能試點課程。
基本介紹
- 中文名：AI+科研
- 出現時間：2025年
簡介,專家解讀,平台支持與社區驗證,
簡介
“AI+科研”是人工智慧技術和科研結合的一種新模式。例如，2026年1月9日，清華大學智慧型產業研究院（AIR）蘭艷艷教授聯合團隊在《科學》雜誌發表題為《深度對比學習實現基因組級別藥物虛擬篩選》的論文，介紹了其研發的AI驅動藥物虛擬篩選平台DrugCLIP，該平台將新藥篩選速度提升百萬倍，單日可完成31萬億次匹配計算，並首次實現對人類基因組內約1萬個靶點、2萬個關鍵位點的全覆蓋篩選，分析了5億餘個候選小分子。其精準度在實際套用中得到驗證，例如針對抑鬱症靶點篩選出的分子中，有12個結合效果優於常用抗抑鬱藥。該平台與AlphaFold協同，打通了從蛋白結構解析到新藥研發的全鏈條。依託該平台建成的藥物靶點匹配資料庫已面向全球免費開放共享。施普林格·自然於2025年12月將生成式AI功能集成到protocols.io平台。AI技術被套用於科研的多個環節。
2026年3月10日，國家超算網際網路推出了相關活動，提供了算力資源。該平台支持用戶部署AI工具鏡像並接入協作軟體。
專家解讀
受訪學者普遍認為，“AI+科研”的全面落地需系統性破解技術、數據、制度三方面挑戰。
從技術層面看，AI大模型常被視作“黑盒”，其決策過程往往不透明，而科研工作卻要求嚴謹性。但問題所在之處也蘊含著潛力，一些科研團隊已通過研究開發可解釋的AI模型，使用決策樹、規則學習等方法提高模型可解釋性，增加模型透明度，使科研人員能更好理解和信任模型。例如，中國科學院大連化學物理研究所聯合科大訊飛等單位推出的智慧型化工大模型2.0，在化工領域知識理解、催化劑性質、化工設備等十大評測維度上，平均準確率達61.94%。受訪學者認為，儘管“AI+科研”面臨諸多技術難題，但通過採取針對性解決方案，有望逐步克服困難，助力各領域取得更多創新性成果。
從數據層面看，“AI+科研”面臨數據管理與共享難題。為解決這一難題，哈爾濱工程大學計算機學院教授王巍建議，可構建可信數據管理與流通平台。由政府、科研機構和行業協會共同制定科研數據的標準格式和元數據規範，使不同來源的數據能夠在同一平台上進行整合和共享，提高數據的可信性和可用性。同時，可成立數據共享聯盟，制定數據共享的規則和激勵機制，給予數據貢獻者一定經濟獎勵或學術認可，同時保護數據安全和隱私。
從制度層面看，智慧財產權與權益分配爭議也是“AI+科研”不得不解決的問題。王巍認為，應完善智慧財產權與權益分配規則，明確科研數據的著作權歸屬、AI模型的專利申請條件、科研成果商業化進程中的各方權益等。
受訪專家認為，通過構建有效的溝通機制、統一的數據平台和完善的政策法規，可以促進AI與科研深度融合，推動科研創新發展，從而實現從“工具輔助”到“範式革命”的跨越。
平台支持與社區驗證
國家超算網際網路推出了多項計畫以支持AI+科研的生態發展，其“萬卡超算領航計畫”為深耕AI及AI for Science領域的高校先鋒開設專屬資源池，提供最高1000卡時/月的萬卡超集群算力支持。同時，“核心節點邀測計畫”已有超3000位用戶加入，允許用戶基於真實研究需求申請最高萬卡級的大規模算力資源，對前沿模型與套用進行深度測試和創新驗證，優秀參與者可獲得產品技術互認證、官方榮譽認證等多重禮遇。
