從「工具」到「搭檔」，AI4S 走過深水區 | 2025年終回顧

從工具到搭檔，還原 AI4Science 深入實驗室現場的這一年。

作者丨岑峰、鄭佳美

編輯丨岑峰

在這一輪波瀾壯闊的人工智能浪潮中，我們常被算力、模型規模和顛覆式敘事所簇擁。然而，真正值得記錄的變化，往往發生在那些遠離喧囂的實驗室里、發生在一行行代碼與科學假設的碰撞中：AI 是如何從一種“使能技術”，演變為改變人類推進科研的基本范式的？

2025年，AI4Science（AI4S）不再僅僅是論文中的愿景。它正以一種極其務實且具體的姿態，嵌入到每一位科學家的日常。

在這一年里，我們看到 AI4S 呈現出多維度的進化：

• 它是高效的“科研加速器”： 從潤色論文到整理會議紀要，從自動化數據處理到啟發科學假設，正如吳琦教授與許東教授所言，AI 正在將科學家從低效的試錯中解放，讓他們重新聚焦于“創造性思維”本身。

• 它是認知的“破局者”：無論是 AlphaFold 3 的持續震撼，還是 Noetik 的虛擬細胞模型，AI 開始突破傳統學科的藩籬。樊雋軒教授與張清鵬教授都觀察到，當數據被轉化為 AI 可理解的要素，兩個獨立領域被真正貫通，認知的“紅利”正加速轉化為科研的“生產力”。

• 它是未來的“自主探索者”： 盡管如張曉峰教授所指，AI Scientist 尚處初級階段，但“自動化發現”（Automation）已成為杜沅豈等年輕學者眼中的確定未來。

正如李國杰院士在寄語中所指出：AI4S 正在讓思維本身成為可工程化的對象。如果說 2024 年是 AI 獲得科學界最高榮譽諾貝爾獎的加冕禮，那么 2025 年則是 AI 深入科研的“現場記錄”。

步入 2026 年，我們不僅關注模型能力的突破，更期待“AI 專家”與“學科專家”的深度共融，期待鄂維南院士所構想的“超級實驗室”與開源共享生態的落地。

為此，雷峰網邀請了來自頂級高校及一線科研機構的多位AI 專家與學科專家，通過他們的親歷與洞察，還原一個真實、誠懇且充滿可能性的 AI4S 2025。這不僅是一次年度總結，更是一份通往“未來科學發現新模式”的航海日志。

寄語

AI4S 是人類認知的一場革命，讓思維本身成為可工程化的對象。未來 10 年內 AI4S 將不只是“科研輔助工具”，而是會逐步演變為科研的必要模式。AI4S 的核心價值是將人類從低效的試錯過程中解放出來，專注于創造性思維。未來科學發現將呈現“AI 提出候選方案-人類判定科學意義-協同優化”的螺旋上升模式。

AI 的本質是達到預期目標的優化技術，目前的人工智能主要還是一種使能（enable）技術，重點應放在把“認知紅利”轉化為“生產力紅利”上。在可預見的 10 年內，AI4S 的最大潛力是成為“愛迪生”而非“愛因斯坦”。AI4S 能否真正見到成效，要看從研發到應用全流程的總成本是否足夠低。要讓廣大的科研人員都能使用人工智能技術，必須提供豐富且使用方便的智能軟件工具，大幅度降低AI的使用門檻。

AI4S 最適合的區域并不是“純基礎科學”，而是靠近工程一側的領域，這也是國務院《人工智能+》行動意見中將“AI +科學技術”列為首要任務的原因。從問題結構出發，當前“AI +科學技術”最具突破潛力的應用場景主要集中在兩大類：第一類是產品開發過程本身高度接近科學發現的問題域，即產品性能依賴于對物質結構、機理或規律的探索與建模，如制藥、先進材料與化學工業等；第二類是高度依賴多學科協同、系統級權衡與復雜約束優化的問題域，即單一學科難以主導整體性能的工業產品制造或工程系統，如半導體與汽車產業等。

——李國杰 中國工程院院士

2025.12.27

科學家和研究者們眼中的AI4S

這一年我最大的感受是：AI 真正成了我科研工作的“加速器”。在日常研究中，它已經深入到各個環節：論文撰寫時幫我理清思路、潤色語言；準備演講稿和 PPT 時一起打磨結構、凝練要點；會議之后自動整理紀要和待辦事項；做項目總結、年度匯報、甚至繁瑣的郵件回復，都能生成高質量初稿，極大節省了時間與精力。這樣我可以把更多注意力放在要研究的問題本身上。站在 AI4S 的角度，今年大模型和多模態技術的進展，讓“AI 作為科研搭檔”真正落地，從輔助閱讀文獻到參與數據分析與結果解釋，再到文檔撰寫和PPT生成，都與我的研究緊密相關，也慢慢改變了我開展科學研究的方式與節奏。

——吳琦 阿德萊德大學副教授

以智能體為代表的 AI 在 2025 年已經全面、廣泛深入到我們的教學、科研場景，對學生自學學習、教師的授課方式都帶來巨大挑戰。AI4S 在 2025 年取得較多進展如 AlphaFold 3 及基礎科學大模型，這些進展都非常振奮人心，我更關注的是斯坦福提出來的一個小工作 AI Scientist，簡單理解，它可以快速組織科研議題、討論、達成一致來快速構建有意義的科學新嘗試，這意味著未來的科研范式會開始出現較大變革，科研人員可以用 AI 來輔助，甚至在 AI 幫助下啟發思路，從而能更聚焦創造性工作自身，這極大提升了科研效率。目前這一工作還較為初級，還有很多具體認知能力是不能簡單依賴智能體或大模型來提升，比如無監督環境下的認知正確性，創造性思路如何能高效、準確產生，我相信這些問題會在明年看到部分答案。

——張曉峰 哈爾濱工業大學（深圳）教授

二十多年前，互聯網與在線知識分享的興起，極大地提升了人類獲取知識的效率。而最近兩三年大語言模型的出現，則徹底改變了知識的傳播與獲取方式，解答復雜問題，甚至跨領域聯想，有望進一步拓展我們所能觸及的知識深度。

2025 年尚未出現如 2024 年諾貝爾獎同時垂青AI領域研究那樣的里程碑事件，但以 DeepSeek、Gemini 為代表的大模型持續迭代，正在潛移默化地改變科學研究的方法。不過，我印象最深的仍是 AlphaFold，真正的研究范式變革，仍需要時間的積累。

在我看來，AI4S 可分為三個層次：一是用 AI 替代傳統分析方法；二是用 AI 大幅提升原有分析效率，但邏輯未變；三是像 AlphaFold 那樣，將蛋白質數據轉化為自然語言處理的要素，真正貫通兩個獨立領域。AI4S 的發展需要這三個層次共同推進，但研究范式的根本變革，最可能源于第三種。

——樊雋軒 南京大學地球與行星科學系副主任

Automation 代表 AI4S 的未來方向。相比較于提升計算方法，Automate open-world discovery 是一個完全開闊的領域，之前從來沒辦法做到的。所以如何做 Automation，做怎樣程度的 Automation，以及如何驗證，有非常多的機遇和挑戰。

——杜沅豈 康奈爾大學博士生、AI4S弄潮兒

對我來說，最大的改變是學習效率的提升。AI 幫助我快速梳理已有知識，構建系統化認知，過去需要花大量時間整理的內容，現在可以高效完成。今年最值得關注的不是多模態大模型本身，因為它更多是高質量數據驅動下的工程性演進，而非理論突破。我更看重 Science for AI 的理論進展，尤其是復雜系統理論在解釋大模型行為方面的探索，以及智能涌現背后的物理規律。這些研究嘗試用統計物理、網絡科學和相變理論來刻畫大模型的能力邊界，解釋為什么在參數規模和數據分布達到某個臨界點時，會出現“涌現”現象。這類工作不僅提升了模型的可解釋性，也為未來的架構設計和資源分配提供了理論依據，對推動可信 AI 和科學驅動的智能發展意義重大。

2025年最讓我印象深刻的是“虛擬細胞”技術的突破。 通過多模態AI構建個體細胞以及腫瘤微環境的虛擬模型，實現了對細胞行為的精準模擬。這不僅突破了傳統實驗的局限，也讓我們可以在虛擬空間中探索藥物作用機制和患者差異，推動精準治療和免疫療法的發展。

展望2026年，我認為關鍵方向將是理論與應用的深度融合。一方面，復雜系統理論和智能涌現規律將繼續指導模型設計和解釋；另一方面，這類“生命系統世界模型”將逐漸成為科研的核心基礎設施，結合真實世界的多模態數據，開啟“虛擬實驗室”時代，加速藥物研發和個性化醫療。

——張清鵬 香港大學數據科學研究院和藥理藥學系副教授

過去一年，以 DeepSeek 的問世開局，全球人工智能發展格局發生了深刻變化。無論是技術路徑還是應用場景，都呈現出前所未有的演進態勢。對個人而言，AI 已深度滲透科研與生活的方方面面，從知識獲取、整合到更新，全方位提升效率，大幅縮短科學發現周期，成為不可或缺的助手。但這一切，僅僅是偉大變革的序幕——未來，AI 將從日常工作、社會生活，延伸至生命健康乃至國家安全，引發結構性的深刻革命。與此同時，我們也看到，AI 發展正面臨兩大核心技術挑戰：能耗問題與通用智能問題。唯有在這兩個問題上取得根本性突破，AI 才能真正走向普惠，全面深度融入人類生活。

——黃典 廣東省智能科學與技術研究院副研究員

2025年從Deep Research工程化角度看已經有了很好的基礎；2026年隨著模型科學能力的進一步提升，AI4S在數學、物理、化學、生命科學和材料科學等領域會全面開展并推動關鍵場景的突破性成果。

——薛貴榮 之江實驗室科學模型總體部技術總師

對我而言，AI 最直接、最顯著的改變是極大地提升了科研與管理工作的效率。在我們的課題組，AI 在編程輔助、科研流程自動化以及各類 AI 輔助科研平臺中的應用，使整體研發效率至少提升了 20%。作為教授，我每年需要為數十人寫推薦信、評估材料等，另外還有大量的郵件和學術文檔?，F在，我可以通過口述將自己的想法直接交給 ChatGPT 進行結構化整理，我再修改，內容完全來自我本人，但寫作與編輯時間大幅縮短。此外，在論文寫作方面，AI 顯著減輕了語言和語法層面的負擔，尤其對國際學生幫助很大，使他們能將更多精力投入到科學問題本身，也大大節省了我修改論文的時間。

2025 年給我留下最深刻印象的是以 Gemini 為代表的一系列進展，包括自動實驗室、AlphaEvolve 等通用算法體系。即使僅從用 Gemini 本身來輔助提出假設、拓展科研人員思路的角度來看，這類系統已經展現出非常突出的價值。

展望 2026 年，我認為 AI4S 的關鍵發展方向將不再只是模型能力的單點突破，而是 AI 與各學科領域專家（Domain Scientists）的深度融合。目前，這種融合仍然明顯不足：懂 AI 的研究者往往對具體應用領域理解有限，而具備深厚科學背景的研究者又未必熟悉 AI 方法。真正將這兩類能力緊密結合，形成長期協同的研究模式，可能會帶來遠超單獨技術進步的科學突破。

——許東 密蘇里大學電子工程和計算機科學系校董講座教授

AI對我日常最大的影響是文字材料處理更方便了，尤其是一些不重要的文字材料，AI能寫的很好，其次是一些娛樂向的內容比如生成一些有趣的圖片，PPT目前完全依賴AI還很難，這其實符合AI發展趨勢，先語言單模態到多模態應用。

我個人覺得2025年整體上AI4S并沒有革命性突破的工作，一些有特色和亮點的工作有：MatterGen、RFDiffusion2、AlphaEvolve、MAGE以及一些AI全自動科學實驗平臺等。2026年AI4S方向我保持著謹慎的樂觀態度，我希望AI4S應該要從“AI讀論文/做預測與分析”（Predictive AI）跨越到“AI做實驗/搞發現”，目前的 AI4S 主要是“Copilot”模式（科學家想好idea，AI幫忙寫代碼、預測結構）。

我理想中的AI4S科學家應該是：自主提出假設到實驗設計與規劃，再工具調用或控制科學實驗的物理設備，最后自我反思，比如實驗失敗后，AI 能像人類博士生一樣分析“為什么失敗”，修正假設并開啟下一輪迭代，而不是只會報錯。這條路還很漫長，鏈路中間需要解決的問題還非常多，道阻且長，謹慎樂觀。

——袁粒 北京大學科學智能學院助理教授

AI 的引入顯著改變了我的科研思維范式和工作方式。一方面，它從“工具”升級為科研合作者，幫助我更快地梳理問題、驗證思路和探索設計空間；另一方面，大幅提升了文獻閱讀、方案推演和材料撰寫的效率，使我能夠將更多精力投入到核心科學問題和創新方向上。

在我看來，AI4S 最具代表性的標志性事件，是近一年多來諾貝爾物理學獎和化學獎都與 AI 深度相關，這在學術層面清晰地表明：AI 已經從工具層面上升為推動基礎科學突破的核心方法之一。與我所在的計算機體系結構領域最為相關的是，AI4S 的快速發展對算力、能效和系統可靠性提出了前所未有的要求，使計算機體系結構從“性能支撐角色”轉變為“科學發現基礎設施”。

給我留下最深刻印象的是 DeepSeek 的相關工作，它表明模型層面的原創性創新本身就具有“破局能力”，在一定程度上可以突破算力與硬件受限所帶來的瓶頸，這對當前 AI4S 的發展具有重要啟示意義。展望 2026 年，我認為 AI4S 的關鍵發展方向將不再局限于單點模型或算法突破，而是走向科研全流程的開源化與共享化，包括數據、模型、工具鏈和實驗流程的協同演進。這一趨勢與鄂維南院士提出的“超級實驗室”理念高度契合，有望通過開放、協作和規?；悄芟到y，顯著提升科學發現的效率與可復現性。

——冷靜文 上海交通大學計算機學院教授

對我個人最直接的改變，是把高頻但瑣碎的事情自動化了。比如以前我會用 Notion 記錄大量日程，每個月做一次復盤：這個月做了什么、推進到哪、有哪些產出?，F在有了CodeX配合MCP之后，可以自動生成周度、月度、年度復盤與科研進度追蹤，減少很多手工整理的成本。其他的事情也是一樣。

我認為 2025 年 AI4S 里最關鍵的進展，其實是評測與機制開始變得更可落地。因為科學發現本身非常難評估：novelty、影響力、長期價值都不是簡單指標能覆蓋的。今年一個標志性的趨勢是：我們開始看到AI 產出的論文/研究能進入更真實的評審與傳播流程，例如出現了更面向 AI 投稿、AI 審稿的會議與流程，甚至在部分方向上，AI 獨立完成的工作能夠被人類 reviewer 認可并接受。 從我做 agent 的視角看，另一個非常重要的點是動作空間（action space）：當你給 agent 足夠可接入的工具與環境時，它才能真正閉環地做 research。比如在計算機領域，只要能接到計算資源與軟件工具鏈，AI 更容易端到端產出可驗證結果；但在生物、化學等依賴濕實驗的領域，如果沒有可被 AI 直接操控的實驗動作空間（或足夠強的具身/自動化實驗平臺接口），端到端的獨立科研就仍然很難成立。

最讓我印象深刻的是24年 AI Scientist 最開始的工作，實現了端到端的論文生成，之前沒有想過這個場景。 至于關鍵方向，可能會在兩個事情上： 更好的評測：從“刷靜態任務分數”走向更能衡量發現能力、novelty 與長期貢獻的評價框架； 擴展動作空間：把更多學科的研究流程工程化、接口化，形成可被 agent 直接調用的標準 pipeline——尤其是在生物等領域，通過自動化實驗平臺或標準化流程，讓 agent 能更直接參與實驗與驗證，從而真正推動跨學科的閉環科研。

——張佳釔 香港科技大學（廣州）博士

AI最直觀的改變是科研提效，基金申報、論文潤色等日常工作能節省不少時間；但AI領域迭代太快，“學的趕不上發的”，難免有焦慮，也迫使自己思考如何平衡熱點跟風與自身核心方向深耕；此外，AI帶來的信息變多，甄別有效信息成為一項關鍵的挑戰。

——周博宇 南方科技大學機械與能源工程系助理教授

未經「AI科技評論」授權，嚴禁以任何方式在網頁、論壇、社區進行轉載！

公眾號轉載請先在「AI科技評論」后臺留言取得授權，轉載時需標注來源并插入本公眾號名片。