当前聚焦：超智融合后，科研不必依赖反复实验

(相关资料图)

从AlphaFold利用深度学习技术，仅凭氨基酸序列精准预测蛋白质三维结构，破解困扰生物学界半个多世纪的难题，到AI辅助新药研发，将10余年的研发周期压缩至数年，再到AI自主设计新材料，加速新能源、航空航天等领域创新，AI正以前所未有的速度改变科学研究方式。

这些应用有一个共同的名字——AI4S（AI for Science，即科学智能）。它是利用人工智能辅助甚至参与科学研究的新范式，被视为继实验、理论、计算、数据之后的“第五大科研范式”。昨天举行的2026世界人工智能大会“超智融合驱动AI4S发展论坛”上，多位院士、专家和企业代表共同探讨，AI如何真正成为科学家的“科研伙伴”。

相比传统科研依赖大量实验不断试错，科学智能的核心逻辑是利用AI处理海量科研数据，在数据中发现规律，再通过实验进行验证，实现“数据输入—AI分析—规律发现—实验验证—知识生成”的闭环，从而大幅降低生物医药、新材料、高端制造等领域的研发成本，提高创新效率。

不过，科学智能要真正实现规模化应用，并不仅仅是训练一个大模型那么简单。论坛上，多位专家指出，当前AI4S的发展仍然面临算力、算法和数据三大瓶颈。其中，数据尤为关键。科研场景中的实验条件复杂、实地观测成本高、真实样本稀缺，高质量科研数据往往难以获取，而模型训练又恰恰依赖真实、准确的数据支撑。

这也引出论坛上被频繁提及的另一个关键词——超智融合，即把超级计算与智能算力深度融合。简单来说，AI负责发现规律、提出方案，超级计算机则负责高精度模拟验证，两者协同完成科研任务。例如，研发新材料时，超级计算机可以先模拟数百万种材料组合，批量生成接近真实实验的数据，再交由AI模型学习分析，筛选出最有潜力的方案，科研人员最终只需验证少量候选结果，让科研从过去依赖反复试错，逐渐走向精准设计。

这一模式正在催化剂研发领域展现价值。中国科学院院士、中国科学院大连化学物理研究所研究员张涛介绍，单原子催化剂由于活性位结构明确、易于模型化，能够形成高精度的“结构—活性”数据，非常适合AI学习和预测。“过去，催化剂设计更像‘炒菜’，需要不断调整配方、反复试验；如今，AI让单原子催化剂的精准设计成为可能。”

AI要真正走进科研，离不开更强大的算力支撑。中国科学院院士、北京航空航天大学计算机学院教授钱德沛表示，当前超算发展正面临能耗、可靠性以及外部封锁等多重挑战，依靠不断扩大系统规模提升性能的发展路径难以持续，算网融合、智算融合正成为新的发展方向。他介绍，本届WAIC首次公开亮相的国产10万卡AI超集群“曙光8000”采用超智融合技术路线，实现科学计算与智能计算原生融合，支持科学计算、大模型训练、工业仿真等多类应用场景。同时，他还提出“超算互联网”的构想。未来，科研人员无需关心背后调用的是哪一台超级计算机，只需根据科研需求选择应用资源，按效果付费即可。