中新社北京7月11日电 (记者 陈杭)11日发布的《北京市加快人工智能赋能科学研究高质量发展行动计划 (2025-2027年)》(下称"行动计划")提出，北京力争到2027年，搭建共性服务创新平台，引进培育一批复 合型创新人才，构建多渠道投融资服务体系，加强国际交流与合作，营造开源开放生态，推动形成具有 国际竞争力的产业集群。 刘卫华说，北京将针对科学智能关键技术、基础设施、领域应用等方面，布局一批重大项目群，鼓励生 态上下游企业及优势团队开展联合攻关，加快完善科学智能创新生态。(完) 北京市当天就此举行新闻发布会。北京市科委、中关村管委会副主任刘卫华在会上表示，行动计划围绕 关键技术攻关、基础设施建设、领域应用落地、创新生态营造四个维度，提出17项具体任务，是未来三 年北京发展AI for Science(人工智能赋能科学研究)的路线图，也是全国首个面向科学智能的专项地方政 策。 行动计划提出，北京将加强国内外学术交流与合作，组织开展科学智能峰会、中关村论坛科学智能平行 论坛等具有国际影响力的学术会议；建设科学智能开源社区，广泛吸引全球科研人员参与共建及成果共 享。 根据行动计划，北京将推动AI加速基础科学 ...

7月11日，《北京市加快人工智能赋能科学研究高质量发展行动计划（2025-2027年）》（以下简称《行 动计划》）正式发布。这是未来三年，北京市发展AI for Science（科学智能）的路线图，也是全国首个 面向科学智能的专项地方政策。 此次发布《行动计划》，旨在推动人工智能与科学研究深度融合，开展前沿科学问题攻关，完善共性基 础设施建设，加速智能科研范式变革。 刘卫华表示，《行动计划》聚焦基础理论突破与多学科融合，构建科学基础大模型和新一代科学计算智 能模拟软件工具，搭建算力和科学数据平台，建设智能化干湿闭环实验室，助力攻关重大科学问题。 北京超前布局，厚植科学智能发展根基 AI for Science作为加速科学研究的新型范式，已在全球范围内形成共识，正在成为新一轮科技革命的重 要推动力量。2018年，中国科学院院士、北京科学智能研究院学术委员会主任鄂维南首次提出推动发展 AI for Science。北京始终紧盯人工智能发展前沿，将科学智能作为产业布局新赛道。 2021年，北京市超前布局，以鄂维南院士为核心，成立了全球首个专注AI for Science领域的新型研发机 构——北京科学智能研究院，布 ...

中国科学技术大学常务副校长潘建伟表示，未来20年，人工智能与量子计算的融合将成为重塑人类文明 的关键方向。在量子计算领域，目前超导量子计算相对更具优势，但未来可能是光和超导结合的路径。 未来科学大奖十周年庆典7月8日在上海举行。多位科学家围绕"未来20年最具颠覆性的科学变革""未来 50年最具突破潜力的方向"等前沿领域，共话科学未来发展趋势。 上海交通大学李政道研究所所长张杰指出，2022年12月5日，美国实现了净能量增益的惯性约束核聚变 反应，标志着人类首次掌握了可控核聚变能技术，对人类社会向非碳基终极能源的变革具有极其深远的 影响。张杰预计20年内聚变能将走进千家万户，为人类生活带来巨大变革。 上海交通大学李政道研究所副所长丁洪指出，从未来时间维度看，20年内最具颠覆性的当属通用量子计 算机，未来50年则要聚焦AI for Science。 在香港科技大学校董会主席沈向洋看来，大模型是一个涵盖技术、商业、治理等多要素的概念，将赋能 千行百业，而多模态是大模型发展中的重要里程碑，涉及算力、算法、数据等多方面因素。未来，增强 模型的理解和推理能力是融合多模态数据过程中的关键技术难点。同时，如何发展以人为本的机 ...

行业市场规模与AI渗透率 - 2025年化工行业预计市场规模达58,182亿美元，研发支出占比3.86%，AI渗透率在1%-25%区间对应的市场规模为22-561亿美元 [7] - 医药行业2025年市场规模16,232亿美元，研发支出占比7.77%，AI渗透率对应市场规模13-315亿美元 [7] - 新能源行业2025年市场规模23,310亿美元，研发支出占比4.82%，AI渗透率对应市场规模11-281亿美元 [7] - 半导体行业研发支出占比最高达15.18%，2025年市场规模7,189亿美元，AI渗透率对应市场规模11-273亿美元 [7] 国内AI+材料研发企业 - 晶泰科技采用第一性计算+AI+机器人实验室技术，覆盖药物发现和新材料研发，获腾讯、红杉等投资 [10] - 机数量子依托中科大背景，建立亚洲最大材料数据库，聚焦新材料研发 [10] - 微观纪元通过量子计算赋能药物发现和新材料设计，获合肥高投投资 [10] - 深势科技构建AI for Science大模型体系，开发电池材料设计平台，获高瓴创投等投资 [10][16] - 深度原理科技聚焦催化剂材料研发，获晶泰科技和深势科技投资 [10][53] 国际AI+材料研发企业 - 薛定谔为AI药物发现鼻祖，采用AI+SaaS模式，获比尔盖茨投资 [10] - Recursion专注AI+Biotech自研管线，获英伟达投资 [10] - 谷歌Isomorphic Labs分拆自AlphaFold团队，专注大分子药物发现 [10] - 微软MatterGen开发AI+无机材料平台 [10] - CITRINE通过AI优化材料制造流程，覆盖多个工业领域 [10] 材料计算与仿真技术 - 鸿之微开发多尺度仿真技术，应用于半导体、锂电等领域，获国家中小企业基金投资 [11][13] - 迈高科技MatCloud+平台整合材料数据库与高通量计算，服务超5000家客户 [29][31] - 屹艮科技提供电池全生命周期管理方案，覆盖材料设计到系统管理 [34][37] - 材智科技打造合金材料设计云平台，已获296万元订单 [61] 新兴技术应用 - 深云智合开发DeepChem智能合成平台，结合AI与自动化实验技术 [43] - 机数量子建立9448万化合物数据库，开发材料知识图谱 [47] - 幻量科技融合AI与计算物理技术，加速新材料研发 [49] - 深度原理科技结合生成式模型与量子化学，优化材料研发流程 [53]

核心观点 - AI for Science（AI4S）正在改写科学发现的底层逻辑，逐步改变人类探索世界的方式，标志着AI首次以"发现者"的角色进入基础科研核心 [3][6] - 深度原理Deep Principle是一家专注AI for Science的创新公司，聚焦化学材料和反应机制领域，具备从头到尾全链路能力，是国内最早且唯一一家专注化学与材料领域的AI科创公司 [8] - AI for Science的发展分为三阶段：AI Assistant（数据分析工具）、AI Scientist（深度参与科研过程）、AI Innovator（接近AGI能力边界） [10][11][12] - 推动AI for Science"DeepSeek时刻"需要三个关键前提：模型通用能力、垂直领域数据质量与专业性、工具生态与交互方式革新 [18][19][22] - 中国在AI for Science领域具有落地优势，因其强大的制造能力、巨大市场体量及工业应用场景的规模 [25][27][29] AI科研范式变革 - 深度原理Deep Principle用AI解锁全新化学反应路径，聚焦碳捕捉和功能材料发现方向，技术方向为AI for Chemistry & Materials [8] - 公司从MIT孵化，2024年6月回国发展，团队主要在杭州，是国内最早具备全链路能力的化学与材料领域AI科创公司 [7][8] - 科学发现分为hypothesis generation（假设生成）和experimental validation（实验验证）两部分，AI可深度参与这两个环节 [11] AI for Science发展路径 - 第一阶段（AI Assistant）：AI作为科学数据分析工具，辅助理解已有数据中蕴含的科学意义 [10] - 第二阶段（AI Scientist）：AI深度参与科研过程，包括假设生成和实验验证，预计未来一两年内对科研效率带来实质提升 [11] - 第三阶段（AI Innovator）：接近AGI能力边界，AI可独立完成从提出问题到发现科学规律的全过程 [12][13] "DeepSeek时刻"前提条件 - 模型需具备强泛化能力，能理解不同领域的任务需求，如大语言模型可辅助记者生成提纲或科学家总结文献 [18] - 垂直领域数据质量比模型架构更重要，科学问题要求极高准确性，需以高质量专业数据为基础 [19][20] - AI Agent可降低科研门槛，提高交互自由度，让AI服务于一线科研人员 [22][23] 中美生态对比 - 美国在科学研究、科技进展、商业化落地方面全球领先，西海岸偏软件，东海岸偏硬件和生物医疗 [24] - 中国制造能力全球最强，技术差距越来越小，叠加巨大市场体量，在工业应用场景上更具优势 [25][29] - 深度原理选择回国发展因中国在新材料、新能源、精细化工等领域的应用场景更友好且规模更大 [27][29] 行业融资环境 - 2024年中国资本市场环境极差，美元资金比前一年少90%以上，人民币资金少50%以上 [30] - DeepSeek的发布让市场意识到AI可带来实际效率和变现，资金情绪开始回暖 [30][31] AI时代创业者特质 - AI时代创始人最核心特质是速度，需快速试错、融资、应用落地和调整方向 [32][33] - 技术迭代和外部环境变化极快，唯一能掌控的是自身速度，反应和执行速度可成为最大护城河 [33]

AGI发展前景 - 科学家预测通用人工智能(AGI)可能在5年内突破 需融合信息智能 物理智能和生物智能三大浪潮 [5] - 信息智能技术如ChatGPT有望5年内通过新版图灵测试 达到"类人"水平 但自然图像/视频生成还需4-5年沉淀 [5] - AGI发展面临核心挑战是大语言模型存在"边界认知缺失" 导致混淆已知与未知 产生"幻觉" 不同场景需不同应对策略 [6] AI在科研和医疗领域的应用 - AI for Science被视为颠覆科研的关键力量 清华大学智能产业研究院正打造跨学科基础模型整合海量科研数据 [8] - AI能革命性缩小药物筛选范围 从传统数十亿分子库精准聚焦至数百万高潜力候选者 提升研发效率 [8] - 全球首个虚拟医院系统诊断能力以百倍速提升 两天积累的诊疗经验相当于三甲医院数年 准确率高达96% [8] 人形机器人产业发展 - 人形机器人是AI物理智能的突破方向 预计十年后全球机器人数量将超越人类 [10] - 人形机器人技术核心在于多模态VLA模型 但落地需融合多学科技术 真正进入家庭还需5-10年 [10] - 中国将主导全球人形机器人产业 依托全产业链基础 年轻工程人才红利和统一超大市场三大优势 [10] 中国在AI领域的竞争优势 - 中国特有的"市场-制造-人才"黄金三角 将推动其在机器人时代复制移动互联网的成功轨迹 [10] - 年轻工程师通过"1%的算法优化撬动10倍算力追赶" 展现技术创新能力 [3]

一直以来，中医、西医对生命认知的理念和方法均自成体系。但随着各类生命数据的聚集、人工智 能（AI）分析技术的加持，中医、西医的研究范式正在趋同。 "要进行以价值为导向、以临床问题为导向的中医科学研究。"中国工程院院士、天津中医药大学名 誉校长张伯礼认为，临床问题是中医研究要牢牢抓住的重点。要通过开展具体研究，解决具体问题。 "因经典理论的'抽象性'及经典名方、针灸等的'复杂性'，中医现代化研究更需要在临床与基础相结 合的大数据模式下，借助AI等先进技术开展多维多层面的系统研究。"陈忠说，如开展中药复方微观分 子在不同时域和空间下如何宏观起效等"宏微"跨界问题研究。 "多种组学技术获取的信息已经在连接中医和西医了。"在日前召开的香山科学会议新时代医学研究 范式学术讨论会上，中国工程院院士、中国医学科学院基础医学研究所研究员刘德培表示，国际学术期 刊《细胞》杂志2012年以来刊登的论文，反映出西方学者医学研究思维不断从微观向系统性、宏观化转 变。 "西医的分子解析为中药作用机制提供了理论基础；中医的整体调节和个体化方案为复杂疾病治疗 提供系统解决思路。"中国中医科学院首席研究员刘保延说，在学科融合、数据科学以及A ...

人工智能发展趋势 - 生成式AI正在重塑全球经济结构和社会发展模式 在文本 音频 图像和视频生成等领域展现出强大生产力 [3] - AI与数字经济 实体经济及人类生命等领域深度融合 AI for Science成为推动科学研究和产业发展的新兴范式 [7] 行业应用 - 生成式AI在资讯 影视 电商 教育 金融和医疗等行业有具体应用 中国AI产业面临挑战与机遇并存 [3] - 国产AI大模型代表DeepSeek通过全栈开源和高性价比策略 显著降低训练成本 重构AI产业格局并推动企业服务智能化变革 [5] 企业案例 - DeepSeek作为国产AI大模型代表 性能卓越且训练成本低于国际同行 展现出强大市场竞争力 [5] 技术普及 - 未可知人工智能研究院致力于推动AI技术普及与应用 培养专业人才 助力企业数字化转型和高质量发展 [11]

核心观点 - FutureHouse是由Google前CEO Eric Schmidt资助创立的AI Lab，专注于AI for Science方向，目标是打造可自主提出问题、规划实验、迭代假设的AI科学家体系 [3] - 公司推出了四个AI科研agent：Crow（通用智能体）、Falcon（自动化文献综述智能体）、Owl（调研智能体）以及Phoenix（实验智能体），这些agent可访问完整科学文献全文并具备信息质量评估能力 [3] - AI系统Robin成功发现新药，展示了AI在科研自动化领域的潜力 [3] - AI推动生物科学分为两层视角：以AlphaFold 3等模型为代表的分子设计空间打开，以及FutureHouse探索的科研自动化agent系统构成的AI Scientist [4] 生物比化学更具"平台化"潜力 - 生物学比化学更具平台化特征，更适合作为科学自动化的起点 [14] - 蛋白质设计流程相对标准化，可以选择克隆、细胞表达或直接机器合成，而化学每个分子几乎都是"定制品" [15] - 生物学平台化程度高，测序几乎免费，合成成本低，适合做验证假设 [15] - 生物学研究任务具备高度开放性，总有新的生物基因组需要探索和功能注释 [15] - 生物学已经具备进化论基础理论，更侧重研究复杂系统在既定规则下的演化与调控 [15] FutureHouse是在构建科研API - FutureHouse延续了FRO的基本规模和运行周期，聚焦"Moonshot"级别挑战，可能需要5年以上持续投入 [22] - 公司开发了论文问答系统PaperQA，基于RAG思路构建但做了改进，系统表现已超过人类 [24] - WikiCrow系统将人类基因组相关维基百科内容从2500个基因介绍扩展到近1.8万篇文章 [25] - 开发了矛盾检测系统，能在超过两亿篇论文里查找和任意陈述相冲突的信息 [26] - 实质上正在构建一个科研API，通过整合多种功能如查找矛盾、文献研究、分子设计等 [28] FutureHouse科研Agent开发思路 - 将所有需要训练的部分称为agent，未训练的部分叫environment，agent通过语言、观测和动作与环境交互 [29] - 把memory从environment移到agent，尝试过多种记忆形式如简单追加消息、压缩、保留最近几条等 [29] - 框架主要目标是突破零样本的限制，关注可训练性，支持在线RL [30] - 使用语言模型过滤和识别相关性，而不是只靠embedding，虽然带来更高成本和更长响应时间但更注重性能 [31] - 搭建了全文检索系统，把相关代码开源在PaperQA2里，技术上可以用Postgres或Elastic Search [32] "科研自动化"不是100%替代人类 - 对实验室机器人前景持谨慎态度，认为10年后不会出现完全自主的科研系统 [46] - 更可行的情景是系统辅助判断和生成方案，人类提供明确的问题和研究框架并和系统反复协作 [47] - 生物学本质上受限于观测和经验数据，无法简单指令系统完成实验任务，需要人类深度参与 [47] - 实现真正意义上的100%自动化非常困难，越接近完全自动化所需投入越高而边际收益减小 [49] - 探索将人类资源嵌入科研流程的可能性，用可编程工具推进科研但背后执行的是人 [51] AI是如何影响科学研究的 - 用云计算计算分子和蛋白结合的自由能成本约十几美元，有机合成和实验验证成本也差不多 [53] - 分子动力学不能模拟化学反应，而生物过程大量依赖酸碱反应，单纯原子运动模拟无法描述细胞功能 [54] - 有虚拟分子库如Zinc收录数百亿种理论上可合成的分子，研究者可直接从中筛选 [55] - 药物开发从发现机制到推进到二期临床通常要7年，反馈周期太长是主要瓶颈 [59] - 建议政府公开所有已获批药物的IND资料包，这些数据能提供丰富的训练资源 [60]

上海人工智能实验室定位与目标 - 公司是我国人工智能领域新型科研机构，开展战略性、原创性、前瞻性的科学研究与技术攻关，目标建成国际一流的人工智能实验室，成为享誉全球的人工智能原创理论和技术的策源地 [1] 明珠湖会议核心观点与机制 - 会议核心观点强调"对发现问题的投入与解决问题同样重要"，通过科学社区力量推动创新，历史案例包括英国皇家学会、"月光社"及美国"阿帕社区" [3][10][12] - 会议采用创新组织形式：引导报告提出关键问题、"结对报告"凝练问题、平行论坛深化问题，聚焦18-36个月技术窗口期，产出颠覆性关键问题清单和敏捷部署提案 [17][18] - 首届会议吸引全球近60位青年学者和产业领袖参与，凝练出14个提案和39个关键问题清单，主题为"人工智能的多维突破与协同创新" [5][19] 人工智能前沿十大关键问题 1. **智能效率平衡**：提出"单位智能"(IQ per token)概念，定义数据思维密度(IQPT)衡量大模型训练数据的投入产出比，2025年1月由公司正式提出 [21][22] 2. **深度强化学习资源分配**：探讨Deep RL算力在数据合成与算法训练间的平衡，追求效率飞轮实现AI自我训练 [23][25] 3. **软硬协同路径**：对比国际"软件兼容硬件"(如英伟达CUDA生态)与国内"硬件兼容软件"模式，需探索更高效协同路径 [26][28] 4. **算力配置策略**：划分应用算力、迭代算力和创新算力，指出当前创新算力严重不足制约颠覆性技术发展 [29] 5. **智能体进化机制**：探讨Agent与基座模型关系，需突破"僵化学习"实现持续自主进化，需构建环境预测模型(世界模型) [30][32] 6. **具身智能突破**：研究大脑与本体最优关系，避免"超级大脑-弱本体"或"高级本体-简单决策"陷阱 [34] 7. **AI安全范式转变**：从"弥补安全漏洞"(Make AI Safe)转向"构建本质安全AI"(Make Safe AI)，提出"人工智能45°平衡律" [35][37] 8. **评测体系重构**：从静态"高分低能"转向动态"训练-评测-解决问题一体化"，公司2025年4月发布TTRL框架 [38][40] 9. **AI科研革命**：推动AI for Science从"工具的革命"升级为"革命的工具"，需突破多模态统一表征 [41][43] 10. **架构颠覆创新**：分析Transformer局限性(计算效率/上下文理解等)，探索下一代架构应对决策智能、生物智能等领域需求 [44] 人工智能发展趋势"三化"框架 - **技术体系化**：需完善智能本质理论体系，弥补应用先行的学科短板 [19] - **形态多元化**：强调与实体经济融合，因场景丰富度与技术不完备性将催生多元形态 [19] - **能力高阶化**：需基于技术体系化和要素突破推动智能水平持续升级 [20] 战略科学家培养模式 - 公司通过"高强度要素投入+高集中任务攻关+高密度人才历练场"三位一体模式培育战略科学家，链接国内外团队构建人才蓄水池 [47] - 历史案例显示战略科学家多在承担重大任务时涌现，如美国"阿帕社区"产生7位图灵奖得主，匈牙利"黄金一代"科学家等 [12][46]