AI for Science开启科研第五范式,探索从实验室到产业的落地路径

2026-11-17 4803

艾思科蓝官网-版头.gif


10月29日,2026腾讯数字生态大会智慧教育专场在深圳举行。专场以“群智协同 科教革新”为主题,汇聚科研院所、高校与企业多方力量,围绕AI在科研与教育领域的体系化落地展开交流。

《AI for Science:人工智能驱动科学创新》作者、未可知人工智能研究院院长、前红杉资本中国基金投资副总裁杜雨,围绕《AI for Science:人工智能驱动科研创新的范式变革与产业机遇》展开分享,从科研范式演进、全球产业格局、核心赛道实践与国内落地路径四个层面,梳理AI进入科研底层后的变化与机会。在杜雨看来,AI for Science并非一项新工具,而是科研的第五次范式革命。它改变的不仅是实验效率,还包括谁可以做科研、一次能做多少、结果能否被复用。这一变化正把科研从依赖专家经验的“小农作坊”,推向数据与模型驱动的“平台科研”。

640 (45).png
《AI for Science:人工智能驱动科学创新》作者、未可知人工智能研究院院长、前红杉资本中国基金投资副总裁杜雨

01

科研正经历第五次范式革命


十七世纪以前的经验试错、十七世纪至二十世纪中叶的理论推演、二十世纪中叶至二十一世纪初的计算仿真、二十一世纪初至2020年的数据挖掘,构成科研的前四次范式。1687年《自然哲学的数学原理》出版、1946年第一台通用电子计算机ENIAC问世、人类基因组计划启动,分别是这些阶段的标志。

2020年AlphaFold2取得突破性进展,被视为第五次范式——智能驱动的起点。与前四次相比,这一次的核心变化在于科研的组织方式:传统科研依赖专家经验,实验成本高、结果难复现、跨学科协作难;AI驱动的平台科研以数据和模型为基础,缩短实验周期,提高成果的可复现性与知识的复用率。

640 (44).png
科研范式的五次更替:从经验试错、理论推演、计算仿真、数据挖掘到智能驱动


02

第五范式重塑

“推理—发现—证实—沉淀”工作流


杜雨将科研工作拆解为四个环节,并对应AI当前的能力边界。推理环节,AI突破人脑的算力边界;发现环节,AI从既有数据中挖掘未知规律;实证环节,AI压缩验证与迭代周期;沉淀环节,AI把分散的科研知识规范化、形式化,使其可被复用与传播。

以近一个月的若干进展为例:Claude完成N=4的超杨-米尔斯九圈振幅计算,自主发现具备类似CRISPR特征的ART逆转录酶系统,协助生成包含1.19亿颗星的全天紫外星空图,并在11天内完成费马大定理的形式化证明。

640 (43).png
第五范式重塑科研工作流:推理、发现、实证、沉淀四个环节同时被改写


03

全球市场十年约翻七倍


据第三方机构测算,2025年全球AI for Science细分市场规模约340.8亿元,预计2035年达到2469.4亿元,十年约翻七倍。

从结构看,制药与生物技术企业占比36%;学术与科研机构占28%;化工与材料企业占17%。产品形态上,AI软件平台占44%,AI研究服务占32%,二者合计76%。应用场景中,药物发现与生物医学研究占34%,材料科学与化学发现占24%。

640 (42).png
全球AI for Science市场规模测算:2025年340.8亿元,2035年预计2469.4亿元

04

四大赛道率先跑通商业化


在生物医药领域,行业长期受“反摩尔定律”制约,研发越往后周期越长、成本越高。AI把靶点预测、分子生成、活性预判前置到虚拟空间,减少进入实验室的错误选项。海外,AlphaFold3已成为药企的基础工具,Recursion有4条管线进入临床II期;国内,晶泰科技2025年实现全年盈利,并与礼来、DoveTree达成合作。

在先进材料领域,AI以“以终为始”的方式,从目标性能反向生成候选配方。CuspAI、Citrine等企业已在材料发现、航空铝合金等场景落地;国内深度原理把干实验平台与湿实验室结合,推进研发闭环。
在芯片电子领域,AI进入EDA布局布线、计算光刻、缺陷检测与良率诊断等环节。英伟达cuLitho已用于台积电先进制程研发,谷歌用AI优化TPU布局布线;国内芯流微澜探索AI EDA平台。
在能源气候领域,AI用于新能源功率预测、电网调度、气候模拟与碳封存评估。Emerald AI、壳牌与国内天序智能分别在负荷调度、储层仿真、风光出力预测等环节落地。
杜雨认为,四条赛道的共同点不是提供了更聪明的模型,而是减少了试错。判断一个项目是否成立,可以看三个指标:试错次数下降多少、单次实验的信息量提升多少、从预测到验证的周期缩短多少。


05

效率与门槛同步改变

落地仍需跨越“最后一公里”


AI正在放大单个科研人员的能力上限,也在降低科研的准入门槛。没有生物学背景的研究者Paul Conyngham借助AI设计癌症疫苗、救治自己的爱犬;Anthropic的研究显示,5位金融背景的研究者在64小时内发现新的抗蝎毒蛋白;交叉领域正在成为创新高发地带。

但规模化落地仍面临三重挑战:AI辅助论文快速增长,带来量与质的失衡;算力供给不足,部分团队需排队数周才能使用GPU;头部机构与中小机构之间的科研差距持续扩大。
对此,杜雨提出三条路径:普惠算力接入,让中小团队与地方院校按需获得算力;全栈工具闭环,从数据治理、模型调用、仿真推演到实验数据回传形成标准化流程;产学研协同,连接高校、科研院所、产业企业与模型团队,共享数据集与算力。

640 (41).png
打通AI for Science规模化落地的“最后一公里”:普惠算力、全栈工具、产学研协同


艾思科蓝官网-版尾.jpg

会议官网

扫码关注艾思科蓝订阅号 回复“0”即可领取该资料

去登录