研发科学计算模型，支持相关主体建设科学智能创新中心，加速 人工智能 技术赋能 新材料 、 生物医药 、生物育种等领域科学研究……当前，多方正积极部署，探索和推动 人工智能 在科学研究领域示范应用。

　　在业内人士看来，当前 人工智能 驱动的科学研究（AI for Science）加速了科学研究的范式变革，需要进一步加强系统布局和统筹指导，以促进人工智能与科学研究深度融合、推动资源开放汇聚、提升相关创新能力。

　　科研应用不断拓展

　　在北京材料基因工程高精尖创新中心，一台台计算服务器与先进的材料研发设备有序运转，这里正致力于打造面向前沿的共性技术平台，并在先进金属结构材料、高效能源催化材料、可降解医用金属材料等几类关键材料上开展示范应用。

　　“数据是 新材料 研发的基础。"北京材料基因工程高精尖创新中心、国家材料腐蚀与防护科学 数据中心 张达威教授告诉记者。以往 新材料 研究主要以实验驱动，又被称为“试错式"研究方法，通过改变材料成分、合成手段、工艺参数等条件制备系列样品，选出其中性能最合适的材料。如今，“材料基因工程"通过计算技术、 大数据 技术和 高通 量自动化实验等关键技术，可实现新材料的快速筛选和材料数据的快速积累，大幅提升新材料的研发效率，促进工程化应用。

　　以耐蚀材料研发为例，张达威介绍，材料腐蚀过程机理十分复杂，考虑温度、湿度、应力等环境因素，成分、加工、结构等材料因素，科学家要在成千上万种组合中筛选最合适的材料配方和工艺。“有了数据的支撑，利用人工智能技术，通过不同的腐蚀预测模型，对材料性能进行仿真测试，可以快速得到材料在不同环境下的服役效果，如在高温高湿强辐射甚至微生物滋生的环境下，哪些材料具有更好的耐蚀性和更长的寿命。"

　　数智融合加速新材料研发，离不开计算平台的支撑。目前，北京材料基因工程高精尖创新中心联手 浪潮信息 打造的材料基因工程先进计算平台，成为该中心创新变革的关键基础设施。

　　不仅在新材料研发，人工智能驱动的科学研究正加速应用于物理、化学、生物、医学等研究领域，成为科学研究的一种新范式。“AI在推动科研创新、提升研究效率、解决复杂科学问题方面的巨大潜力。"腾讯研究院资深专家袁媛对记者表示，例如AI与基因计算融合已经开始进入加速阶段，有望在生物育种、医疗健康、 生物医药 等领域开辟广阔的技术创新和产业应用前景。

　　“AI驱动科学研究，将突破传统科学研究能力瓶颈。"张达威说，以数据和计算为支撑，科研人员可以从繁琐的实验试错中解脱出来，让实验观察变成无人实验，仿真模拟变成现象生成，数据驱动变成数据增强，让“算"出更多科技创新成果成为可能。

　　政策积极推进

　　值得一提的是，从部委到地方也在积极推进人工智能驱动的科学研究。

　　日前，国家数据局等部门印发《“ 数据要素 ×"三年行动计划（2024-2026年）》，其中提出实施“ 数据要素 ×科技创新"重点行动，包括“以科学数据支撑技术创新，聚焦生物育种、新材料创制、药物研发等领域，以数智融合加速技术创新和产业升级"等。

　　2023年上半年，科技部会同国家自然科学基金委启动“人工智能驱动的科学研究"专项部署工作，紧密结合数学、物理、化学、天文等基础学科关键问题，围绕药物研发、基因研究、生物育种、新材料研发等重点领域科研需求展开，布局前沿科技研发体系。

　　与此同时，北京、上海、四川、广东、浙江等多地也纷纷展开部署。例如《上海市推动人工智能大模型创新发展若干措施（2023-2025年）》提出，推进科学智能大模型应用。支持相关主体建设科学智能创新中心、算法创新基地等平台，协调算力资源和科研数据集，推动科学智能大模型在生命科学、工程计算、气象等领域应用，打造科学研究新范式。《北京市促进通用人工智能创新发展的若干措施》也明确，发展科学智能，加速人工智能技术赋能新材料和 创新药 物领域科学研究。

　　加强系统布局和统筹指导

　　不过业内专家也表示，人工智能在我国在科学研究中虽然取得了显著的进展，但仍然面临着多方面的难点，需要加强系统布局和统筹指导，支持相关主体建设科学智能创新中心、协调算力资源和科研数据集，持续探索人工智能在科学研究领域示范应用。

　　袁媛表示，高质量数据获取、算法的可解释性、治理和伦理等是当下主要难点。其中，深度学习等AI模型的决策过程往往不透明，人们常比喻为“黑盒"。在科学研究中，理解模型的工作机制至关重要，直接关系着模型预测的准确性以及科学发现的有效性。

　　赛智产业研究院院长赵刚对记者表示，许多科学问题具有高度的非线性、多维度和不确定性，需要更多学科领域的密切合作，需要更精细、更实时、更多投入来获取数据，需要开发更强大、更灵活的算法来应对复杂科学问题。

　　为进一步支持和促进人工智能在药物研发、基因研究、生物育种、新材料研发等科研领域的应用，袁媛建议，加强数据的标准化，推动建立高质量科学数据集，推动科学数据有序开放共享，同时确保数据的隐私和安全；支持建立产学研用多方合作机制，将AI前沿科技成果与不同学科需求紧密结合，高效解决实际科研难题；加强对AI专业人才的培养，支持培养与汇聚跨学科人才，促进不同领域人才的交流与合作。

　　“下一步，需要全面加强面向科技创新的人工智能生态建设。"赵刚认为，一是围绕国家科技创新的重大领域，加快智能芯片在科研领域应用，建设面向科学研究和科技创新的智能算力中心，提升我国科研大模型训练和推理总体水平。二是加强高质量科学数据集、技术创新数据集建设，建立科学数据目录，推动科学数据有序开放共享，鼓励开源科学数据集建设，促进各类科学数据互联互通。三是加强科研大模型的研发和应用，面向生命科学、脑科学、材料科学等领域研发场景，开展多学科数据关联分析和融合应用，推进跨学科、跨领域的交叉研究和协同创新，促进颠覆式技术创新。