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。