科学的下一个百年，从2026年的北京开始|宇宙-百探网

2018年，中国科学院院士鄂维南和汤超院士提出了“AI for Science（AI4S）”这一概念,并始终笃定认为，这是“中国科技创新历史上最好的机会，没有‘之一’”。

鄂院士曾坦言，在长达三十多年的学术生涯中，自己一直没找到解决那些“真问题”的方法，直到AI的出现。

2024年，诺贝尔物理学奖和化学奖双双颁给AI相关的科学家，整个科学界都听到了那声迟来的回响。

这无异于一场最高规格的官方认证：用AI搞科研，不再是少数人的自嗨，而是通往未来的必经之路。

而当这个概念从学术圈走向国家战略时，北京站到了舞台中央。

6月30日，中共北京市委教育科技人才工作领导小组印发了《北京市x加快推进人工智能赋能科学研究实施方案（2026-2028年）》，明确提出到2028年建成“辐射全球的科学智能创新中枢”。

它或许宣告着，一场被称作“AI for Science”（AI4S）的科研范式革命，正在为科学的下一个百年，刻下新的起跑线。

图注：《北京市加快推进人工智能赋能科学研究实施方案（2026-2028年）》截图

有趣的是，当我们试图在地图上找到这场革命的“发生地”时，一个方框反复出现。

不久前，美团联合创始人王慧文在社交平台上画了一个圈——清华以南、北大以东、学院路以西、大钟寺以北。

他说，自己投过的项目里，落在这个框里的，业绩远超框外的。

这个被网友热议的“投资黄金方框”，恰好覆盖了海淀区规划建设的百年京张AI创新带核心区域。

而北京市AI4S大多数重点机构与平台，也恰恰密集分布在这个方框周围。

图注：王慧文在社交平台上画出的“投资黄金方框”

循着这个“框”的边界，我们试图拼凑出一幅AI4S从概念走向现实的完整图景。

到底什么是AI4S

这个方框的西北角，北京大学，正好是AI for Science的提出者——鄂维南和汤超院士的工作地点。

AI for Science，全称“人工智能驱动的科学研究”，简称AI4S。

简单来说，就是给科学家配上一个“超级外挂”。

它不是让你去跟ChatGPT聊天解闷，而是一头扎进物理、化学、生物这些最硬核、最“烧脑”的领域，去解决那些复杂问题。

要理解它的分量，得先说一个更大的背景。

人类科学史上一共经历过四次研究范式的革命：从最早的科学实验，到理论研究，再到计算仿真，最后到大数据分析。

而AI4S，正在开启被学界公认的“第五科研范式”。

与前四次不同，这一次，AI不再是科学家的工具，而是能直接参与科学发现的“合作者”——它能从海量数据中自主学习规律，提出人类从未想到过的科学假设，甚至设计实验去验证它们。

这意味着什么？不妨先看看没有AI的时候，科研是怎么做的。

过去，科研像一门手艺活，我们称之为“炼丹”。

尤其是研发新药、寻找新材料，简直就是一场旷日持久的“黑暗摸索”。

药物研发有一个残酷的“三十定律”：单药研发周期超过10年，投入超过10亿美金，临床成功率却不足10%。

一种新材料研发，可能要经历上万次试错，耗费科研人员毕生精力。

图注：该图片由豆包AI大模型生成

但AI的入场，彻底掀了这张牌桌。

它的核心武器，是破解了一个困扰科学界百年的“维数灾难”。

简单说，微观世界的规律，比如薛定谔方程，我们早就知道了，但它太复杂，复杂到哪怕用超算模拟十几个原子的运动，都能把计算机跑冒烟。

图注：薛定谔方程

而AI的解法，堪称“作弊”。

全球AI for Science领域的开拓者和引领者深势科技，其创始人兼首席科学家张林峰读博期间就和鄂维南院士一起搞出了个叫DeePMD的模型。

这个模型不跟你讲物理公式，而是直接“偷师”最精确的计算结果，然后用快上千倍甚至上万倍的速度，“猜”出上亿个原子的运动轨迹。

过去在超算上烧掉几千万人民币、算上好几周的任务，现在一个笔记本电脑，半小时搞定。

图注：深势科技创始人兼首席科学家张林峰（图左）中国科学院院士鄂维南（图右）——影像来自“中关村对话·AI迎春夜”

这哪是提效，这简直是给科研装上了火箭推进器。

它意味着，科学家们终于可以从“体力活”中解放出来，第一次能在数字世界里做无数次“虚拟实验”，让AI先当“侦察兵”，找出最优路线，再由人类完成最后的“定点爆破”。

这也正是斯坦福大学教授祁晓亮所说的，AI正在变成科学家的“合作者”，而不只是一个工具。

它甚至能从零开始，发现人类从未想到过的新规律。

2016年，AlphaGo击败李世石，那是AI在学习人类。

但后来的AlphaZero，完全不学人类棋谱，自己跟自己下，结果下出了人类历史上从未出现过的逆天棋路。

所有围棋高手看完都沉默了——这步棋，比我们任何人的脑洞都高明。

图注：AlphaGo与李世石比赛现场

这就是AI4S追求的终极形态：不仅要复现已知，更要发现未知。

从源头上看，AI4S的底层驱动力深深扎根于高校和科研院所的基础研究。

在北京，清华大学智能产业研究院（AIR）由张亚勤院士创建，其副院长兰艳艳教授团队研发的DrugCLIP模型，在国际药物发现挑战赛CACHE中成为全场唯一高置信度命中的方法，展现了从学术研究走向真实应用的可行性。

北京大学则由常务副校长张锦院士领衔，成立科学智能学院，推出“博雅AI4S拔尖人才培养计划”，从教育源头布局交叉人才。

而北京中关村学院和中关村人工智能研究院(简称中关村两院)自研的密度泛函模型MegaDFT，依托万亿级哈密顿矩阵分解核心算法，突破了十万原子级电子结构模拟瓶颈，让第一性原理计算迈入真实复杂体系研究阶段；

中关村两院联合清华大学研发的全球首个科研人才全流程培养智能体系统Omni Scientist及其AutoSOTA项目，则致力于通过科研智能体大幅加速繁琐而高强度的实验迭代优化过程。

图注：北京中关村学院和中关村人工智能研究院，位于北京市海淀区大牛房

可以说，是先有高校的长期基础研究积累，才生发出了华深智药、百图生科等一系列创业公司。

其中，华深智药依托清华大学的技术孵化，凭借全链路AI数字化研发体系，将传统需要3-5年的临床前候选分子开发周期压缩至10个月，其技术平台已获得国际药企超44亿美元的合作授权，成为全球大分子AI药物研发领域的重要力量。

高校的基础研究与产业应用之间，正在形成一种前所未有的快速转化机制。

今年，连“数学界诺贝尔奖（菲尔兹奖）”得主陶哲轩都坐不住了，与人联合发起了SAIR科学基金会，专门研究怎么用AI加速科学发现。

他形容现在的AI像个“掌握很多技巧的研究生”，虽然博学，但力还欠点火候。

不过，所有人都相信，那个能真正提出全新科学猜想的“AI科学家”，已经在拐角处等着我们了。

但要让这个“超级外挂”真正跑起来，光有聪明的算法还不够。

一道更隐蔽的瓶颈横亘在所有AI4S项目面前——数据。

AI搞科研，80%的功夫竟花在清洗数据上？

在这个方框的东侧，我们听中国科学院计算机网络信息中心的团队讲述了一个关键细节：AI要想在新材料发现等领域真正发挥作用，前提是必须先“喂”给它高质量的数据。

更准确地说，是一种被称为“AI-Ready”（AI就绪）的高质量数据。

在AI界，有一句著名的“谚语”：“Garbage in, garbage out.”（垃圾进，垃圾出）。

意思是，如果喂给AI的数据是一团浆糊，它学出来的结果也一定是在一本正经地胡说八道。

数据的质量决定了AI的上限。

而现实是，科研数据大多就是“一团浆糊”。

IBM 的研究显示，数据科学家们80%的时间不是在训练模型，而是在做“数据清洗”。

中国科学院计算机网络信息中心的团队介绍，一个数据集进入平台后，先要做元数据补全，再分析内容格式与质量，评估达标后才推入“就绪队列”。

整个过程涉及空值、格式错误等基础清洗，也包括对图片、文本的结构化标注，生成可供模型学习的问答对。

为什么这么费劲？因为大部分科研数据，对AI来说就是“天书”。

2016年，学术界提出了科学数据FAIR原则（FAIR Guiding Principles），要求数据“可发现（Findable）、可访问（Accessible）、可互操作（Interoperable）、可重用（Reusable） ”。

这套标准的核心，正是强调数据不仅要对人友好，更要对机器友好——比如使用标准化的通信协议、机器可读的格式，让AI能直接“读懂”。

图注：该图片由豆包AI大模型生成

然而，在AI4S的实战中，光“读懂”还不够，数据还得做到“能用”。

这就引出了一个更苛刻的概念——AI-Ready数据。

美国国家科学基金会对此有明确定义：它是针对AI应用进行优化的、可以“即拿即用”的高质量数据。

英国开放数据研究所进一步提出了一个包含四个维度的框架：数据集本身要符合标准规范、元数据必须是机器可读格式、基础设施要提供API接口和版本控制、治理层面还要明确数据所有权和伦理合规。

如果FAIR是“及格线”，那AI-Ready就是“优秀线”。

4月，习近平总书记在加强基础研究座谈会上明确强调，要体系化布局建设重大科技基础设施，建设智能化科研平台系统。

AI-Ready数据，正是这座“智能化科研平台”最底层的砖石。

国内顶尖力量已经开始行动。

中科院计算机网络信息中心与动物研究所联合构建的scCompass平台，就是一个标杆案例。

这个面向生命科学的AI数据集，覆盖了人、小鼠等13个关键物种、超过1.04亿个单细胞，从原始数据到标准化AI训练数据，实现了全流程转化。

它深度适配主流单细胞基础模型，研究者可以按物种、器官、样本等多维度筛选，做到真正的“即取即用”。

这一数据基座，已经直接支撑了国际上首个知识与数据联合驱动的亿级参数多物种生命基础大模型GeneCompass的研发。

图注：中国科学院计算机网络信息中心，位于北京市海淀区中关村中国科学院软件园区

而scCompass背后的数据底座，正是中科院计算机网络信息中心运营的科学数据银行（ScienceDB）。

在实地探访中我们了解到，这个平台已获得施普林格·自然等国际顶刊的推荐认可，汇聚了全球100多个国家和地区科研人员上传的超15000个数据集。

在此基础上，团队构建了刚刚上线的“磐石·壹科学”智能化科研平台，科学家可通过对话式科研助手直接调用AI-Ready数据，将过去数周的实验方案筛选压缩到半天以内。

不过团队坦言，从千万级原始数据中精选出的几十万条AI-Ready数据，仍是其中最稀缺的“燃料”。

在化学领域，同样的问题也在被攻克。

在走访中我们了解到，清华大学罗三中教授团队正在构建国内化学领域规模领先的AI-Ready数据库，其团队发展的多模态算法框架，能自动从文献中提取分子与反应关系，形成结构化数据。

罗三中认为，“要建成一个适配AI的数据生态，让所有做实验的课题组都愿意去共享他们的数据”，这是AI4S在化学领域走向深入的关键一步。

美国也在抢跑。

就在去年8月，NOAA（美国国家海洋和大气管理局）与NASA联合发布了NNJA-AI数据集，专门为训练AI气象模型而重新格式化气象观测档案。

他们把原本用1980年代二进制格式存储的海量气象数据，全部转换为现代的Apache Parquet格式，还开发了开源工具包，让全球研究者能像查字典一样方便地调用数据。

这盘棋的背后，是一场关于“谁能定义下一个时代科学数据标准”的竞逐。

算力和算法决定AI4S能跑多快，但数据的质量，决定了它最终能跑多远。

数据，才是这场AI4S竞赛中，看不见的“石油”和“地基”。

当数据和算法都已就绪，接下来的问题是：这场变革究竟会在哪里落地，又能在哪些产业里产生真实的价值？在这个方框周围，AI4S到底催生了哪些看得见、摸得着的产业变化？

AI4S是如何穿透产业肌理

在全球范围内，AI4S正从实验室走向产业化加速期。

美国凭借AlphaFold、ESMFold等基础模型仍占据算法源头，中国则在应用落地和管线推进上快速追赶——以AI制药为例，位于方框的东北角的晶泰科技，位于方框南部的百图生科、华深智药等企业已跻身全球第一梯队。

欧洲以开源和细分领域见长，英国在AI-CRO和材料设计领域有一定积累。

以下是小编整理的全球AI4S核心领域的头部企业图谱，从中可以一窥这场竞赛的全球版图。

图注：数据来源于公开市场信息、企业公告、行业研报整理，截至2026年7月。

选取各领域具代表性的企业，非穷举。

理论的价值，最终要由实践来检验。

当我们把目光从榜单移向真实的产业一线，会发现AI4S正在多个领域从“概念”走向“产线”。

最先沸腾的，是生物医药。

这绝对是AI4S最火热、也最赚钱的应用场。

传统新药研发，有着恐怖的“三十定律”。

而AI一来，直接把桌子掀了。

它可以凭借原子级的模拟，在虚拟世界里瞬间筛选数百万种分子，把发现候选药物的时间从3-5年，直接砍到18个月甚至更短。

就在今年，国内已经有第一款由AI全程赋能的新药，走完了III期临床试验。

位于方框中心区域的哲源科技也是其中的实践者，其自研的胰腺癌靶向创新药，从分子设计到获得临床试验批准，历时不到两年，已进入临床一期。

在国际赛场，来自中关村的AI力量同样引人注目。

由北京科学智能研究院联合北京大学、深势科技推出的DPA系列大原子模型，其最新版本DPA4在材料发现领域国际权威榜单Matbench Discovery上综合性能位列世界第一，将大规模原子模拟的计算成本大幅降低，可广泛应用于电池材料、催化剂设计、半导体探索等前沿领域。

这一成绩，标志着中国在AI驱动的材料科学领域，已经站到了全球第一梯队的位置。

图注：Matbench Discovery官方截图，数据截至2026年5月22日

在微生物领域，中国科学院微生物研究所张寿悦团队依托国家微生物科学数据中心8PB的海量数据，构建了一套面向蛋白质功能挖掘的专属大模型。

这套模型不仅能看蛋白质的“长相”，还能分析其局部电荷分布和亲疏水性等细微差别，精准区分“双胞胎”酶之间的差异。

张寿悦告诉未来图灵，该团队利用该模型，近期发现了一种有工业应用潜力的新型酶，可“一步”合成关键前体，目标前体生成量较对照提高10%以上。

如果说医药领域是AI4S最成熟的应用场，那在航天和材料领域，它正在开辟更“硬核”的战场。

在航天领域，临界航天这家由北京大学陈帜教授创办、位于中关村的AI原生航天科技企业，联合北京科学智能研究院推出了“Prime一行”火箭发动机研发智能体平台，打通了“AI设计-多场仿真-增材制造-冷热试车”的全闭环。

整套流程由智能Agent自主协同完成参数生成、仿真评估与试验数据回传，将发动机迭代周期从传统的以年为单位压缩至两周量级，实现了研发模式从“物理试错”向“数据算法求解”的转变。

成立仅半年，该公司已完成2亿元天使轮融资，其自研的2.5吨推力液体火箭发动机正在推进3D打印试制。

而在材料与能源领域，AI搞的就是“降维打击”。

过去找一种新材料，就像玩史上最难的乐高，得把不同元素瞎拼乱凑一个个试。

谷歌DeepMind的AI工具GNoME，一次性就预测出220万种理论上能稳定存在的新晶体结构，抵得上人类科学家800年的实验工作量。

下一代能续航一个月的手机电池、能让飞机起飞的新能源，可能就藏在这220万种可能性里。

在海淀，深耕AI4S的实干家不止一种路径。

位于这个方框东北角的量智开物——国内首家专注AI与量子科技深度融合产业化的实体公司，依托清华万级原子自主捕获技术与讯飞大模型AI底座，已首发“追风”万原子高速重排算法、“扁鹊”AI量子纠错解码器两大核心成果，正在打造下一代量子智能计算底座。

更有趣的是一家叫素源矩阵的创业公司，他们居然把AI塞进了水泥厂。

过去，水泥烧制全靠“老师傅”的经验，质量忽高忽低，能耗巨大。

现在，AI模型把原料、炉温、能耗等上千个变量统一建模，像自动驾驶一样精准调控窑炉。

结果？水泥合格率从95%飙到98%，投产半年，成本省下一千多万，碳排放减了上万吨。

图注：素源矩阵产品界面图

在化学领域，AI同样在改写基础研究的游戏规则。

罗三中教授团队告诉未来图灵近期的一项工作，需要从180万种可能中找到一种最优分子。

过去，两个博士生花了两年时间、做了超过200个实验才完成任务。

在AI的辅助下，团队只用了63个实验就找到了目标。

罗三中将这一过程概括为“读懂分子、理解分子、创造分子”——而实现这一切的前提，是让AI真正学会“化学语言”。

他特别指出，“北京最大的优势在于科学和人工智能两端，如果能将这两者从粘合走向融合，就能真正推动AI4S的实质进展。

”

从一款新药研发，到一座水泥厂的能耗优化，AI4S正在穿透中国产业的每一个肌理层。

一个有意思的现象是，这些案例的分布并不分散——它们不约而同地指向了同一个区域——北京海淀。

如果把这些力量放在一张地图上，会发现一个清晰的聚集带：中关村两院作为引领锚点，晶泰科技等平台型企业，清华大学智能产业研究院、北京大学科学智能学院等高校研究力量，百图生科等垂直领域的AI制药新锐——它们密集分布在中关村周边数公里的范围内，一个集企业、高校、实验室于一体的AI4S创新群落已初具规模。

在这个群落中，一个活的“科学智能工厂”轮廓正逐渐清晰。

回到王慧文的那个方框——清华以南、北大以东、学院路以西、大钟寺以北—未来图灵提到的大部分机构与平台，都恰好落在这个周围。

在这里，高校的前沿算法可以快速进入企业验证，企业的产业需求也能直接反哺学术研究。

中国科学院联合十余家院所发布的国内首个通用科学基础大模型“磐石”及其“磐石100”全域科学模型体系，北京智源人工智能研究院自研的OpenComplex 2.5模型以端到端全原子分布建模攻克了固有无序蛋白动态构象解析难题——这些通专模型的持续突破，正在为这个群落提供源源不断的技术动力。

科学的下一个百年

回顾历史，每一次科研范式的变革，都会重新定义哪些区域站在世界科技舞台的中央。

从贝尔实验室所在的美国新泽西，到集成电路发源的硅谷，再到量子计算崛起的欧美集群，科学发现的地理版图一直在被重绘。

AI4S这场变革的核心，不只是让科研变得更快，更是让科研的边界被推得更远。

当人类能够用AI在100万种候选材料中筛选出最具潜力的超导体，当“AI科学家”可以24小时不间断地提出假设并自动验证，当“AI+机器人”的自主实验室正在重新定义什么叫“做实验”。

科学的“奇点”就已经不在远方，而是在此刻悄然降临。

一个区域要成为新的科学中心，通常需要回答三个问题：前沿研究是否足够密集？技术转化是否足够顺畅？产业生态是否足够完整？眼下，科学智能驱动的新一轮科研与产业变革，正在中国版图上勾勒出清晰的新兴科学中心坐标。

中关村正是这张坐标上最醒目的一点。

在这片方圆不过数公里的区域内，聚集了37所顶尖高校、96家国家级科研机构，汇聚了占全市三分之二的30余家AI4S创新企业，以及近2000家AI企业，不同创新主体之间形成了独特的“呼吸级协同”网络。

中关村两院、北京科学智能研究院、清华大学智能产业研究院、北京大学科学智能学院等高校的AI4S布局，正在从人才培养的源头重塑科研基因；

晶泰科技在众智园孵化着下一代AI4S初创企业。

观察这一区域的布局会发现，这里正在成型的，不是某一个实验室的单点突破，而是一整套“数据—模型—实验—产业”全链条创新体系。