日前，谷歌DeepMind发布重磅文章《AlphaFold：五年来的影响》，系统回顾了蛋白质结构预测技术在过去五年对科学进步产生的深远推动力。文章的核心信息十分明确：AI正以惊人速度重塑科研格局，其中，生命科学与生物医药领域凭借数据丰富、应用场景明确以及社会需求迫切等优势，成为“AI+科学”中最活跃且最具引领性的前沿阵地。AI模型与工具不仅成功攻克了蛋白质结构预测这一基础难题，更在推动全新药物管线进入临床试验，甚至初步实现自主发现新的生物学通路。
图注：谷歌 DeepMind AlphaFold 技术示意图
在DeepMind等头部企业持续深耕的带动下，以生物学为代表的科学智能正迎来高产出、快迭代的应用落地期。一个日益清晰的趋势正逐步显现：“基础模型+科研智能体+自主实验室”构成的AI驱动科研范式，正在加速成型。
谷歌DeepMind领航科学智能：从AlphaFold到自主实验室的技术演进
谷歌在科研领域拥有超过十年的深厚积淀。依托以TPU为核心的AI算力基础设施与以Gemini为底座的大模型，其持续研发科学智能关键技术，先后打造出AlphaFold等一系列世界级模型与工具，引领了全球科学智能的技术演进浪潮。
AlphaFold实现了生物学研究从结构预测到生成式设计的跨越。生物学是DeepMind布局最早、护城河最深的领域，其核心理念是利用深度学习解决高维生物大分子的构象空间问题。AlphaFold的出现标志着蛋白质结构预测这一难题基本被攻克，不仅斩获2024年诺贝尔化学奖，更成为现代生物学的数字基础设施。紧随其后，AlphaProteo推动研究迈入生成式生物学时代，而AlphaMissense对基因突变致病性的精准预测，则进一步打通了“靶点发现—结构解析—药物设计”的全链条。
在气象学领域，DeepMind的WeatherNext 2模型（GraphCast的继任者）采用数据驱动方法，在精度与效率上全面超越传统物理模型。数据显示，该模型在99.9%的预测变量与时间跨度上，准确率均优于欧洲中期天气预报中心的HRES系统，且推理速度提升数个量级。这种降维打击般的优势，让传统数值模拟显得力不从心。
在物理与材料科学方面，GNoME（GraphNetworks for Materials Exploration）利用深度学习在海量无机晶体空间中搜索，预测出数百万种稳定的新材料结构，其规模相当于人类过去几十年实验发现总量的数倍，为电池技术、超导材料研发提供了庞大候选库。量子计算领域，AlphaQubit成功将Transformer架构应用于量子纠错，显著降低了量子比特的读数错误率。
在数学与计算机科学领域，AlphaEvolve引入进化计算范式，突破了人类设计算法的局限，能够自动搜索并发现更高效的机器学习算法与损失函数，实现了从“人工设计”到“自动发现”的元层级跨越。在此基础之上，AlphaChip将芯片设计转化为强化学习问题，优化了Google TPU v6的布局；AlphaGeometry与AlphaProof则证明了AI在形式化数学证明与逻辑推理方面的突破性进展。
生物学领域领跑科学智能：前沿落地进展密集涌现
谷歌DeepMind引领的技术突破，点燃了全球科学智能的研发与应用热潮。目前，生物学进展最为迅速，材料学、物理学、气象学、计算机与数学等领域紧随其后。
（一）科学智能深入生物学基础研究核心层
单细胞行为的AI生成与分析领域取得全新发现。谷歌与耶鲁大学联合发布了拥有270亿参数的单细胞分析基础模型C2S-Scale，该模型生成了关于癌细胞行为的全新假设，并在多次体外实验中得到验证。这一成果展示了AI提出原创科学假设的巨大潜力，有望开辟探索抗癌方法的新路径。
蛋白质生成式模拟与预测体系日臻完善。微软的BioEmu模型填补了蛋白质动力学模拟的空白，速度提升高达10万倍。中科院团队则提出了整合结构与进化约束的反向折叠蛋白质预测模型，为蛋白质工程开辟了新方向，相关成果已发表于《Cell》期刊。
AI辅助基因组学研发体系初步成型。谷歌通过十年持续研发，逐步建立了从基因测序、读取和变异识别，到基因表达预测和致病潜力评估，再到疾病基因检测与诊断的完整AI基因组学应用体系，这对遗传学与基因医疗的发展具有深远意义。
（二）AI赋能医疗应用加速落地，成果覆盖多个场景
AI辅助病理检测已拓展至新疾病场景。腾讯生命科学实验室联合广州医科大学第一附属医院、广州呼吸健康研究院研发的DeepGEM病理大模型，已在肺癌基因突变预测中完成大规模验证。仅需常规病理切片图像，1分钟内即可完成预测，精准度达到78%至99%。
AI检测基因突变进一步工具化。谷歌发布了DeepSomatic工具集，用于识别肿瘤细胞中的基因变异，适用于白血病、乳腺癌、肺癌等多种癌症，识别准确率均优于现有方案。
AI驱动药物研发迈过临床II期门槛。北京大学第三医院等多家医院联合剂泰科技进行的AI优化候选药物MTS-004，已完成III期临床研究，成为国内首款完成III期临床试验的AI赋能制剂新药，主要面向渐冻症、脑卒中等神经系统疾病。这一突破打破了此前国内乃至国际AI驱动药物发现鲜有突破临床II期的瓶颈，备受关注与肯定。
（三）AI渗透材料科学、气象学与数学等领域，应用成效显著
“AI+材料科学”有望成为科学智能的下一个增长极。前OpenAI与DeepMind成员创立的Periodic Labs，正在开展超导材料等新材料的AI自动化发现。刚获1亿美元A轮融资的CuspAI，研发AI平台用于发现碳捕获新材料。孵化自北大深研院深港河套科创中心的鼎犀智创，也在构建RhinoWise材料创新平台，专注新能源、半导体等领域的关键材料创新。
AI气象学与物理学的应用已见实效。DeepMind的飓风AI模型成功预测了“梅利莎”等超强飓风的路径与强度变化，帮助美国及周边国家提前预警。黑洞理论物理学家Alex Lupsasca利用GPT-5，在半小时内推导出黑洞理论的新特性。核聚变初创公司CFS则利用谷歌开源工具TORAX，辅助研发SPARC核聚变装置。
AI在数学与计算机科学领域的潜力同样巨大。数学研究人员使用GPT-5探索解决历史难题——埃尔德什难题。谷歌基于AlphaEvolve推进数学与理论计算机科学研究，英伟达开源模型系统GenCluster荣获IOI 2025竞赛金奖。OpenAI内部模型、Gemini Deep Think与DeepSeek Math-V2等大模型，也在持续刷新奥林匹克数学竞赛的金奖成绩。
从以生物学为代表的科学智能进展可以看出，AI对科学研究的重塑是系统性的。它正从技术基础、协作模式与科研规模三个维度，改变传统科学发现路径，“基础模型+科研智能体+自主实验室”的AI驱动科研范式正在逐步成型。
（一）通用模型与专用模型构筑科学智能技术底座
通用基础大模型有望成为科学智能的“操作系统”。它提供强大的理解、推理、分析与生成能力，同时具备全面的科学基础知识与通识储备，能大幅提升科研人员的日常效率。大模型先锋企业也在持续提升模型的科研专业能力。Anthropic的Claude Sonnet 4.5在生命科学任务流程的理解与应用上明显提升，并基于智能体能力与连接器，增强了科研工具与资源的运用效率。
科研专用大模型则是垂直科研领域的“专用引擎”。这些模型通常融合了特定领域的知识、研究方法与经验。谷歌在科研专用大模型方面的综合实力全球领先，其专用模型与算法覆盖生命科学、生物学、材料学、化学、地球与气候科学、数学与基础科学等多个领域。前文提到的C2S-Scale、BioEmu、DeepGEM等均属此类。此外，中科院联合团队研发的磐石·科学基础大模型，也是基础模型与专用模型融合的有益实践。
（二）人机协同驱动科研智能体迈向主动科学发现
AI处理琐碎耗时但不可或缺的研究环节，人类科学家把控研究方向、评估研究成果——这将是未来典型的人机协作科研模式。随着智能体技术加速发展，AI正从被动工具转变为科学家的合作者甚至主动发现者。哈佛与MIT联合推出了专为AI智能体设计的科研工具平台ToolUniverse，包含超过600个科学工具，兼容主流基础大模型。这有助于激发更多科研人员构建针对特定领域的智能体科学家。谷歌DeepMind发布的AlphaEvolve是具有编码能力的进化型AI智能体，能够主动发现并自动优化数学与计算通用算法，现已应用于谷歌内部的数据中心调度、芯片设计、大模型性能优化等场景。上海人工智能实验室、浙江大学等联合团队提出的“科研智能体”，目标正是构建一个能自主完成科研闭环的AI系统。
（三）自主实验室推动科研工业化、规模化与平台化
AI与机器人技术，正将传统依赖人工试错的“作坊式”实验室升级为自动化、高通量、闭环运行的“科学工厂”，并相互连接形成平台，服务整个科研生态。国际各国高度重视自主实验室研发。MIT等美国科研高校与国家实验室已建成自主实验室。英国利物浦大学的材料创新工厂（MIF）是欧洲最先进的自主实验室之一。法国IKTOS实验室、瑞士Atinary SDLabs、德国FULL-MAP项目等也颇具实力，在化学、新材料等领域持续产出。Lila Sciences、Periodic Labs等近期获得亿级融资的国际初创企业，均瞄准这一赛道。美国日前启动的《创世使命》，将先进制造技术列为首要技术攻关目标，主要方向之一便是加速打造自主实验室等新一代科研基础设施，提升AI驱动科学发现及工业应用转化的效率。该计划将科研算力、AI基础模型、相关数据集与自主实验室体系集成为科学与安全平台，作为科研智能基础设施。
国内自主实验室与科研智能平台建设也已全面启动。晶泰科技的AI+机器人平台已成为其核心竞争力；中科院的“ChemBrain智能体+ChemBody机器人”与北京科学智能研究院的Uni-Lab-OS智能操作系统，均致力于加速推动国内自主实验室的研发与推广。中科院研发的磐石·科学基础大模型，是国内科研智能平台的重要实践，能够实现对数据与模型等资源的管理以及对各类科研工具的调度，目前已开始在生命科学、高能物理与力学研究领域应用。
AI for Science, Science for Humanity：技术与人文的深度融合
未来几年，科学智能的技术演进速度与应用价值转化效率，将随着AI基础大模型能力的持续增强、机器人技术的不断成熟与规模化而进一步提高。科学智能科研范式将进一步成熟，科研生态也将迎来重构与升级，AI驱动的科研发现将涌现出更多重大突破。Sam Altman曾在今年红杉资本的AI峰会上预测，AI大模型将在2028年取得接近于相对论级别的科学发现。
然而，技术高速迭代的同时，不能忽视人类作为科学发现主体在科研原创能力上的提升，以及在科技伦理与责任层面的持续刷新。科学家始终应当是科学智能的尺度，确保AI成为人类科技进化的推动者，而非替代者。这才是“AI for Science”真正的落脚点——“Science for Humanity”。
