过去，科学发现很大程度上依赖科学家的经验、直觉和大量重复实验。
在生命科学实验室，一名研究人员可能需要一天数百次操作移液枪；为了优化一个实验条件，科研人员往往需要反复调整参数、等待结果。大量时间消耗在重复性的实验流程中。
更重要的是，近年来，随着科研数据规模快速增长，科学研究正面临新的挑战：实验周期长、数据分散、跨学科协同困难，以及大量实验流程仍依赖人工完成。
于是，如何让AI不仅参与论文阅读和数据分析，而是真正进入科研流程，连接假设提出、实验设计、结果验证等环节，正成为AI for Science探索的重要方向。
这一变化正在随着AI的发展加速发生。
在2026年世界人工智能大会（WAIC）期间举办的“AI for Science: Beyond the Concept”媒体圆桌上，北京智源人工智能研究院、中国科学院、深圳河套学院及清华大学集中展示了AI在神经科学、跨学科科研平台、实验仪器智能化及生命科学领域的最新成果。
从样品制备到数据分析，从文献调研到实验验证，科研发现的周期正从“年”向“天”演进。
统一神经科学数据语言，加速跨个体跨场景分析
智源研究院发布的“悟界·Brainμ1.0”，将脑电波、钙成像、神经探针等异构信号统一编码，使原本互不相通的神经信号能在同一框架下实现对齐与理解。2026年6月，其支撑的研究发表于《科学》期刊，证实记忆可反向调控睡眠——正向记忆优化睡眠质量，负向记忆加剧睡眠碎片化，为抑郁症、焦虑症等睡眠障碍的干预提供了全新思路。模型训练覆盖超7万晚睡眠记录，已持续支撑合作实验室超12个月的自动化分析。
智源研究院研究员雷博表示，神经科学的数据标准化程度不足，AI4S在该领域的能力尚处早期，但科学家的使用反馈已经非常积极——“这样的发展比原来大模型的发展更健康、更有未来，因为需求走在能力前面，应用验证反过来推动模型迭代。”
覆盖8大学科，实现跨学科统一建模与推理
中国科学院发布的磐石·科学基础大模型2.0（ScienceOne Omni），覆盖数学、物理、材料、天文等8大学科。该模型采用“科学数据统一编码—自然世界知识对齐—领域任务定向解码”三层架构，依托全球1.7亿篇科技文献，集成8000余个专业科研工具和技能库，一个模型即可完成跨学科的数据理解、科学推理与内容生成，突破了“专用模型只精于一事、通用模型流于宽泛”的双重瓶颈。
中国科学院自动化研究所研究员徐楠表示，ScienceOne Omni不是一次简单的模型升级，而是对科学基础模型本质的重新思考——“让模型像科学家一样思考。”目前，磐石2.0已将文献调研从“数周”压缩至“20分钟”，报告制作效率提升5至10倍，AI4S在中国科学院已落地上百个科研场景。
仪器全流程自动化，科学家回归科学判断
深圳河套学院联合苏州国家实验室推出的Owl·灵鉴（AuraID）多智能体系统，实现了从样品操作到数据解析的全流程自动化。该系统不依赖仪器开放接口，而是通过智能体以与人类专家相同的方式操作界面，如观察屏幕、点击按钮、读取数据，打通了软件智能体、科学具身智能体与仪器之间的协同链路。目前，系统已覆盖6类精密仪器，在晶体结构解析中工作量减少50.6%，微观形貌分析耗时从9分钟缩短至7.5分钟，AI独立完成率从33%提升至80%。
深圳河套学院副院长欧阳万里表示，科学表征需要大量专业知识和不同仪器协同，AI让设备互联互通、协同优化，把科学家从操作中解放出来，将精力投向科学洞察。
AI正从“辅助工具”走向“科研基础设施”
清华大学俞立教授在圆桌讨论中指出，AI正从辅助工具演变为科研基础设施的关键组成部分——目标并非取代科学家，而是将科学家从重复劳动中解放出来，使其专注于科学洞察与创造性思考。
从单点仪器到全流程自动化，从单学科建模到跨学科协同，从神经科学到生命科学——AI for Science正以可感知的速度，重塑科学发现的每一个环节。当假设生成、实验验证、数据分析、仪器操作均可通过AI加速时，科学发现的边界正被重新定义。
（供图/华为）
本文仅代表作者观点，不代表本刊立场。
