当今世界正处于新一轮科技革命和产业变革的加速演进期，创新驱动已从单纯的“要素投入”转向“知识与方法创新”。科技创新作为国家核心竞争力的重要支撑，正面临数据规模快速增长、问题复杂度持续抬升等挑战。在此背景下，人工智能与科研活动深度融合，推动科研活动由以人为中心的线性流程，迈向“数据—模型—计算—实验”协同的闭环体系，这一发展也被广泛视为科研范式在向着新阶段演进。

近日，中国信息通信研究院（简称“中国信通院”）人工智能研究所联合中国人工智能产业发展联盟，共同在2026中国信通院深度观察——人工智能产业高质量发展专题报告会上发布《科研智能发展报告（2025年）》，中国信通院人工智能研究所副所长巫彤宁对报告进行了解读。

报告围绕科研智能的概念内涵、发展历程、全球政策布局与关键技术体系进行系统梳理，结合基础科学与产业研发的典型应用案例，研判发展挑战与未来趋势，旨在为政产学研用协同推进科研范式升级与创新体系建设提供参考。

本报告系统阐述了科研智能（AI for Research and Development, AI4RD）的发展背景、历程、全球政策、关键技术、典型应用及未来展望。核心观点认为，科研智能正推动科学研究从以人为中心的传统范式，向数据、模型、计算与实验深度融合的“第五范式”加速跃迁，成为全球科技竞争的新焦点。

一、 发展背景与战略意义

内生动力： 科研创新是经济增长与国家竞争力的核心内生动力。全球研发投入高度集中于头部经济体（美、中、欧合计占全球研发支出的主要部分），研发强度与长期竞争位势高度相关。 * 范式演进： 传统科研范式（经验、理论、计算、数据密集型）面临人类认知瓶颈、高维搜索复杂性、实验成本高昂及数据价值利用不充分等挑战。科研智能通过引入更强大的智能工具，旨在克服这些局限，实现科研流程的系统性升级。

二、 发展历程与现状

演进三阶段： 从早期的辅助分析（规则推理、数据挖掘），到深度学习驱动的深度突破（解决蛋白质折叠等核心问题），再到当前生成与验证闭环阶段（主动生成假设并联动自动化实验验证）。 * 全球政策布局： 主要经济体（如美、欧、中、英、日、韩等）已将科研智能提升至国家战略层面，通过顶层设计、资源供给（算力、数据）、专项计划与组织化投入进行系统性布局。

三、 关键技术体系

报告聚焦五大关键技术领域，它们相互支撑，形成闭环： 1. 科研数据： 强调数据的FAIR原则（可发现、可获取、可互操作、可复用），涉及智能采集、数据治理及科研知识图谱构建。 1. 科研计算： 涵盖支持高性能模拟和AI训练的高性能计算与AI算力，核心在于异构计算（如CPU+GPU）协同与高效的资源调度。 1. 科研模型： 正从通用大模型向专用/增强模型演进，主要分为：

科研大语言模型： 深度理解与处理科学文献与记录。 * 领域科研大模型： 针对分子、材料、气候等科学对象进行预测、生成与优化。 * 多模态科研大模型： 对齐并联合处理文本、图像、结构等多模态科学信息。 1. 科研智能体： 能够自主或半自主执行科研任务的AI代理系统，具备推理、规划、工具使用和环境交互能力，正从“AI科研助理”向“AI科学家”演进。 1. 自动化实验室： 通过机器人、自动控制与AI决策系统集成，实现实验流程的自动化、高通量与可重复，是连接数字世界与物理世界的“干湿闭环”关键环节。

四、 典型应用与成效

驱动基础科学突破： 在生命科学（如AlphaFold系列推动结构生物学革命）、化学（AI驱动分子设计与自动化合成闭环）、地球与空间科学（AI气象预报、天文事件发现）、数学（自动定理证明、难题求解与猜想生成）等领域，AI正帮助科学家应对高维搜索、复杂系统模拟等经典挑战，加速新知识发现。 * 加速产业研发进程： 在医药研发中，AI通过靶点识别、分子生成与自动化实验，旨在提升成功率、缩短研发周期、降低成本。在材料研发中，AI用于虚拟筛选、逆向设计与自驱动实验，加速新材料发现。在先进制造与工程设计中，AI驱动生成式设计、仿真加速与数字孪生，优化产品性能与制造流程。在半导体与芯片设计中，AI优化物理设计、验证测试与架构探索，应对设计复杂性与成本压力。

五、 发展挑战与未来展望

主要挑战：

数据与知识基础薄弱，存在数据孤岛、质量不一、知识结构化不足等问题。 1. 算法可靠性与可解释性不足，“黑箱”模型与科学研究的严谨性要求存在张力。 1. 工程化与产业化基础薄弱，工具链碎片化，从原型到产品的“最后一公里”难打通。 1. 组织、人才与体制匹配不足，缺乏复合型人才，评价体系与组织模式滞后。 1. 科研伦理与安全治理框架不成熟，存在双重用途风险、学术不端等挑战。 * 未来展望：

范式迈向自主科研： 从人机协同向端到端的半自主/自主科研系统演进。 1. 模型走向协同与融合： 形成“大模型（通用知识）+小模型（垂直专家）”协同，并深度融合多模态信息与领域机理。 1. 基础设施平台化（RaaS）： 算力、数据、模型、实验设施将以“科研资源即服务”模式提供，降低创新门槛。 1. 产业化与场景规模化： 将在医药、材料、半导体等关键行业形成千亿级应用赛道，深度嵌入研发全链条。 1. 构建可信治理体系： 发展可解释AI、不确定性量化等技术，并建立相应的伦理规范、知识产权与安全治理框架，确保负责任创新。

---

总结： 本报告指出，科研智能正处于快速演进期，其发展不仅是效率工具，更是重塑知识生产与研发体系的基础性力量。虽然面临数据、算法、工程、组织与治理等多重挑战，但在技术持续突破、政策强力支持与应用场景不断深化的推动下，科研智能有望深刻改变科学研究与产业创新的面貌，成为国家科技竞争力与经济增长的关键引擎。