人工智能赋能科学研究（AI for Science）近年来在全球迎来蓬勃发展，社会各界日益关注其重塑科技创新可能带来的巨大潜力。在3月29日举办的中关村论坛AI for Science青年论坛上，由中国科学技术信息研究所编写的《AI for Science创新图谱》（以下简称《报告》）正式发布。

中国科学技术信息研究所党委书记赵志耘在发布演讲中介绍，AI for Science正在成为新的科学潮流，在蛋白质结构预测、重大疾病诊断、化学材料合成等方面实现了密集突破，正在推动实验科学、理论科学和计算科学等传统科学研究范式变革，加速提升科学生产力。《报告》以图谱可视化形式，从全球视角对AI for Science国内外技术态势、创新网络、热点方向、重点场景等进行分析，展示当前AI for Science的发展趋势和要素特征，为社会各界提供AI for Science阶段性发展形势的深度观察和直观展示。

《报告》分析认为，近年来科学家不断将机器学习等人工智能技术应用于科学研究各领域，人工智能通过变革科研范式、提升科研效率推动物理、化学、生物等基础学科前沿突破，拓展人类科学认知边界，并进一步发挥乘数放大效应影响各行各业，在合成生物制造、材料设计等领域催生出一批新技术模式驱动的新兴产业。人工智能与数学、物理、生命科学等基础学科的交叉融合，为人工智能提供理论基础与方法论支持，将不断推动人工智能理论突破并拓展能力边界。

《报告》梳理了当前全球AI for Science模型的学科分布和发展脉络。从领域分布上看，生命科学领域近年来持续活跃，2018年DeepMind的AlphaFold推出，成为AI for Science发展的重要里程碑。化学领域发展同样起步较早，陆续出现了分子动力学模拟、机器化学家等代表性成果。自2023年之后，AI for Science发展进入加速期，地球科学领域各类中短期天气预报模型发展活跃，海洋环流、环境预测等成果也不断涌现。在工程学领域，AI for Science开始在材料创制、电网计算、航天飞行器设计等场景释放潜力。

《报告》基于论文数据，对全球AI for Science领域的科技创新活动进行了定量分析，发现2019—2023年间，AI for Science各学科领域论文发表均呈现逐年递增趋势，其中生命科学、物理学和化学等领域发表的人工智能应用论文数量最多。从国别来看，中美两国是当前AI for Science研究大国，近五年间，中国论文发表超过10万篇，是美国近两倍，但美国论文篇均被引量更高。

《报告》分析了AI for Science领域全球各国论文合作数据，显示AI for Science是国际合作重点领域，中美是全球AI for Science合作网络关键节点，合作论文数量居全球最高。生命科学、地球科学和材料科学是全球科研合作热度较高的研究领域；美国的哥伦比亚大学、哈佛大学、斯坦福大学等，中国的清华大学、中国科学院、上海交通大学等，以及英国的剑桥大学等学术机构国际合作交流活跃。

《报告》对AI for Science在各重点领域的技术创新活动进行了观察分析，追踪识别当前该领域的研发重点方向。以生命科学领域为例，技术创新图谱显示，目前AI for Science应用更多集中于蛋白质设计、基因组分析、脑机接口、重大疾病诊断等领域。在人工智能方法方面，机器学习、特征提取、生成对抗网络、迁移学习、卷积神经网络等人工智能技术被广泛采用，也发展起情感识别、医学图像分割等一批针对科学领域的专用技术。

《报告》分析了100多个AI for Science代表性案例的场景分布，发现AI for Science在生命科学领域的场景最为丰富。物理领域重点场景包括量子力学仿真计算、物理场模拟、光学计算及核物理等。在化学领域，分子动力学计算、分子生成、催化剂设计等场景目前关注较高。

《报告》认为，模型算法是AI for Science的关键要素，并具备嵌入科学机理的独特特征。在问题导向的领域模型方面，呈现出从单一场景模型向领域基础模型发展的趋势。在能力导向的知识模型方面，学科专业化与跨学科通用化并行优势互补的特征明显。从算法类型的角度看，当前最广泛应用的算法是Transformer及其变种，概率生成式模型、图神经网络、神经算子等算法也在AI for Science领域模型中发挥各自独特价值。

《报告》对AI for Science领域当前典型的基础软件进行了梳理，发现生命科学、化学、地球科学领域的领域套件较多，且软件开源影响力较高，当前大部分AI for Science领域套件基于PyTorch框架开发，中国的开源框架/领域套件也在持续发力，行业影响力逐步提升。

赵志耘书记指出，展望AI for Science未来发展，人工智能与科学深度融合将催生更多创新与突破，比如多模态信息处理等将推动复杂学科科学发现，模型算法从针对单一问题的点式场景逐渐朝着更通用的方向发展，智能体和具身智能等技术将加快重构人机协同科研模式等。随着模型算法、数据、算力、基础软件等创新要素进一步开放共享，开源开放的普惠化AI for Science生态将走向成熟，人工智能赋能科学研究的研究门槛将持续降低，场景的广度、深度不断拓展，为人类探索世界和加速创新开辟更广阔的空间。