3月4日，由香港科技大学主办，香港科技大学上海中心承办的“AI for Discovery：从范式革命到产业重构”学术峰会在港科大上海中心举办，众多院士、顶尖学者与产业领袖齐聚一堂，探讨人工智能赋能科学研究的前沿进展。与会学者普遍认为，人工智能正从单纯的辅助工具，演变为科学发现的“合伙人”。

近来，国内高校围绕围绕人工智能赋能科学研究（AI4S：AI for Science），已纷纷展开系统化布局，并推动平台、工具建设，正推动科研范式发生变革。

国内多所高校加速布局AI4S

2026年初，中国高校AI4S领域密集展现工作进展，一批以科研智能体为核心的新型科研基础设施相继落地，AI从“辅助科研”迈向“深度参与甚至主导科研全流程”。

例如，复旦大学联合上海科学智能研究院全面升级的“星河启智科学智能开放平台”的超级科研合伙人“大圣”整合多模态科学大模型、300余个专家级科研技能模块（Skills）与长周期群体记忆架构，能够通过自然语言理解科研任务，自主完成“假设—实验—验证—迭代”的完整闭环。

更早些，上海交通大学发布通用科研智能体SciMaster及其底层科学基座模型Innovator，构建覆盖“搜、读、算、做、写”全链条的一体化能力体系。该平台不仅能自动调用各类科研工具，还配套建立智能体评测系统，为未来规模化部署科研智能体提供标准化基础设施。

记者在会上获悉，港科大正推进“AI for Lab”计划，开发实验室智能体AINA，推动主动推理与自动化实验深度融合，让AI能“动手”能“思考”。

效率大幅提升，跨领域协同突破

AI4S已展现突破传统科研效率瓶颈的优势，让人工智能承担重复性工作，释放科学家的创新精力，实现科研周期的大幅压缩，科研成果的高效转化。

郭毅可院士分享了一个案例：他们开发的智能体系统，仅用两天时间就自动生成了一个关于“活化污泥水处理”的完整实验室工作流程，包括任务拆解、报告生成、授权批准、自动修改直至最终报告，实现了从教授指令到成果产出的全自动运行，大幅提升实验室科研效率。

复旦大学“大圣”智能体凭借96%的RNA分类与设计准确率，在siRNA设计中将实验成功率提升超50%，还支撑了转化价值2000万元的新型补锂剂研发与潜在价值5亿美元的FIC类药物发现，实现科研成果的高效产业化。

上海交通大学通用科研智能体SciMaster展现出极致的科研效率，其6小时的运行成果即可比肩资深理论物理学博士1至3个月的饱和工作量，为科研工作提供“自动驾驶”般的体验。

不仅如此，AI4S还实现了跨领域的科研能力突破：香港科技大学副教授、香港科技大学潘乐陶气候变化与可持续发展中心主任陆萌茜的团队通过AI技术颠覆了地球系统科学的可预报性认知，提前1个月预报台风数量的实测误差仅0.5个；中国科学院院士、上海大学材料基因组工程研究院创院院长张统一的团队通过AI多目标优化，破解了材料强度与韧性相互制约的行业难题，推动新材料研发取得新进展。

起步阶段，存在诸多瓶颈

与会学者普遍认同，人工智能正从单纯的工具演变为科学发现的“合伙人”，正在重塑知识生产方式与科研方法论。

从理论底层来看，AI的科学发现能力源于对人类大脑认知逻辑的模拟与超越。郭毅可院士提出，人的大脑本身就是一个基于贝叶斯原理工作的生成模型，通过预测和捕捉误差来更新认知。而主动推理是AI做科学研究的核心逻辑，是消除认知误差的手段，而这正是面向“发现”的机制原理。

这一观点与伦敦大学学院教授汪军的研究形成呼应，汪军提出，强化学习作为主动推理的核心技术，能高效解决科学研究中的高维空间搜索与优化决策问题，让AI智能体通过“读写学习”实现持续自演化，进一步强化了AI的科学发现能力。

同时，与会专家也直言，当前AI4S发展仍处于起步阶段，诸多瓶颈亟待突破，成为制约其规模化落地的关键因素。首先，硬件掉链子与实验反馈慢是急需解决的问题。汪军教授指出，科学实验中的机械臂损坏、设备故障等问题会导致实验停滞，而化学、材料等领域的实验结果反馈周期长，与AI的快速推理形成矛盾，缺乏新的理论和方法支撑。其次，模型的可解释性与物理融合不足。陆萌茜副教授表示，纯数据驱动的AI模型难以捕捉气候、材料等复杂系统的物理规律，超15天的气象预报稳定性较差，需要实现AI与物理模型的深度融合。AI4S的发展需要既懂专业领域知识，又掌握AI技术的复合型人才，因此跨学科人才的稀缺，成为行业发展的重要制约。