上海市人工智能发展战略与行动 - 上海市政府工作报告提出将深入实施“人工智能+”行动，加强算力设施、行业语料、垂类模型等布局建设，积极培育智能原生新模式新业态 [1] - 上海正全力构筑人工智能发展高地，并借助世界人工智能大会成为全球AI治理与合作的关键枢纽 [1] 人工智能驱动科学研究(AI4S)的现状与挑战 - AI4S被视为发展新质生产力的前沿领域，上海已形成从芯片算力、算法框架到行业应用的全栈产业链，并在药物发现、材料模拟等场景验证了AI赋能科研的潜力 [1] - 调研显示超70%从业者担忧AI幻觉、错误决策与数据泄露问题，但超半数企业尚未设立明确的智能体安全负责人 [2] - 上海在推动AI赋能高风险、高价值科研时面临挑战，包括生物安全等新兴“深水区”风险凸显、敏捷治理与标准规范体系不健全、数据要素流通存在壁垒、复合型人才短缺与国产化生态协同有待加强 [2] 对AI4S发展的政策建议 - 建议部署集约化科研算力服务平台 [2] - 建议强化AI4S敏捷治理能力，可由相关部门牵头组建“上海AI4S敏捷治理中心”，针对高危高价值领域研发动态风险评估工具，并出台分类管理指南 [2] - 建议建设可信科研数据协作平台，加强领军人才培养与集群培育 [2] 人工智能在服务业的应用与挑战 - “支持AI融合赋能”是上海促进服务业创新发展的重要任务，也是推进AI技术产业化、商业化及应用场景探索的关键 [2] - 当前上海大模型企业在拓展服务业智能化转型市场时，大多采用传统“点对点、单对单”模式，与大模型技术特点不匹配，且AI复合型人才严重缺失制约技术商业化与场景探索 [2] - 建议提升服务业标准化水平，强化行业级高质量语料供给，鼓励行业协会联合AI企业及服务业龙头制定细分领域标准 [3] - 建议强化复合型人才支撑，打造全链条人才体系，并打造多层次交流平台以激发企业转型积极性 [3] 人工智能赋能制造业与教育 - 人工智能是推动服务型制造高质量发展的核心驱动力，上海应抢抓机遇打造“人工智能+服务型制造”新模式，以AI赋能制造业在技术创新、生产制造和组织管理等核心领域实现范式变革 [3] - 上海在人工智能教育方面已有探索，但从贯通式一体化视角看，仍存在学段断层、政策协同不足、评价体系单一等问题 [3] - 建议建立跨学科协同教学机制，开发统一的贯通式课程体系，编写《上海市人工智能教育贯通式课程标准》，开发一体化课程资源包，并组建跨学科教学团队 [3] - 建议建立多部门协同机制，并构建科学贯通的成效评估体系，如建立市级人工智能教育大数据平台和评估模型 [3]

文章核心观点 - 以大模型为代表的通用人工智能正引发新一轮科技革命和产业变革，其中“人工智能驱动科学研究（AI4S）”是发展新质生产力的核心前沿[1] - 上海在AI产业生态、技术积累和应用场景方面已构建显著优势，形成了从芯片算力、算法框架到行业应用的全栈人工智能产业链[1] - 上海市人大代表、优刻得董事长季昕华指出，在推动AI深度赋能高风险、高价值的科学研究领域时，仍面临系统性挑战，并建议在上海率先建设科学智能创新示范区以应对挑战并把握机遇[4][5][7] AI4S发展面临的系统性挑战 - **生物安全等新兴“深水区”风险凸显**：生命科学领域已成为AI风险的焦点，AI正系统性地降低生物威胁的门槛，可能辅助创造新型病原体，对现有生物安全防护体系构成结构性挑战，目前缺乏覆盖AI模型开发、实验操作到成果应用的全链条、可操作的风险评估与防控体系[5] - **敏捷治理与标准规范体系尚不健全**：AI4S的发展速度远超传统监管框架的更新周期，超过70%的从业者担忧AI幻觉、错误决策与数据泄露问题，但超半数企业尚未设立明确的智能体安全负责人，在生物医药、新材料等领域，如何针对AI辅助的科研活动建立既保障安全合规又不扼杀创新活力的敏捷治理规则和标准是当前空白[5] - **数据要素的高效流通与可信使用存在壁垒**：涉及人类遗传信息、实验数据等敏感科研数据的跨机构、跨境流通面临数据隐私、伦理审查和主权法规的多重约束，如何在确保数据安全、主权和隐私的前提下，利用联邦学习、安全计算等技术实现“数据可用不可见”是激发AI4S潜能的关键瓶颈[6] - **复合型人才短缺与国产化生态协同待加强**：AI4S需要既精通AI技术又深谙领域知识的“桥梁型”科学家，同时为确保科研活动的长期自主可控，需要推动国产AI芯片、框架、软件与科研软件的全栈式适配与优化，目前产、学、研、用各环节在此方面的协同创新机制尚未完全打通[6] 建设科学智能创新示范区的具体建议 - **专项扩容建设“AI4S公共算力服务池”**：建议在现有市级算力调度体系内，整合高校、科研院所及部分企业的闲置算力，统一纳管调度，以成熟的专业孵化平台与特色产业园区为抓手，提供容器化、预置多学科软件、集成开发环境、项目组管理等功能的云服务门户，向科研团队和中小企业提供普惠性算力支持，并发放算力补贴鼓励优先使用基于国产AI芯片的算力[7] - **强化AI4S敏捷治理能力**：建议由市级主管部门联合牵头，吸纳顶尖科学家、伦理学家、法律专家及龙头企业代表，共同组建“上海AI4S敏捷治理中心”，聚焦生物计算、新材料设计等高风险高价值领域，研发动态风险评估工具并出台分级分类管理指南，可授权并依托上海市已有的专业化园区和孵化器设立物理或虚拟的“前沿研究特区”[7] - **建设可信科研数据协作平台**：建议由相关委办牵头，联合重点科研机构及具备隐私计算技术能力的企业，基于隐私计算、区块链等前沿技术构建“上海科研数据可信流通基础设施”，在数据所有权和使用权分离的前提下为科研协作提供合规、可控、可追溯的数据融合分析环境，通过孵化标杆性数据协作项目形成技术标准与商业合约范式以破解“数据孤岛”难题[8] - **加速培养复合型领军人才并培育AI4S微集群**：建议聚焦那些有望利用AI解决长期悬而未决的重大科学问题或产业瓶颈的项目，重点支持一批在AI4S特定细分领域已形成初步聚集效应、由专业机构运营的特色孵化器或园中园，支持其开展定向企业招募、举办垂直领域技术研讨会、构建细分领域工具链及促进国产软硬件适配等生态建设活动，从而培育出若干个具有全球辨识度的AI4S微集群[8] 上海及杨浦区发展AI4S的基础与优势 - 上海在产业生态、技术积累和应用场景方面构建了显著优势，已经形成从芯片算力、算法框架到行业应用的全栈人工智能产业链[1] - 杨浦区内人工智能企业呈集群式发展，覆盖模型研发、数据服务及具身智能等前沿方向，为AI与生物医药、材料科学、物理化学等基础学科的深度融合提供了肥沃的产业土壤，区内有复旦、同济等多所重点高校，科教资源丰富，AI4S需求迫切[4]

文章核心观点 - 人工智能驱动科学研究（AI4S）是推动高水平科技自立自强和重构科研范式的核心引擎，在凝聚态物质科学领域深度推进AI4S对突破关键核心技术瓶颈和培育新质生产力至关重要 [1] - 当前凝聚态物质科学领域发展AI4S面临数据、技术与创新生态三大层面的挑战，需从构建国家级数据基座、强化数据基础能力、营造开放数据生态、构建创新联合体等多方面着力，以增强自主创新能力和国际竞争力 [2][6][7] AI4S在凝聚态物质科学领域的价值与范式转变 - AI4S推动科研从依赖研究者经验与直觉的“人力密集型”经验试错，转向“数据与智能密集型”的理性设计与预测 [2] - 这一范式转变能大幅提升研发效率、缩短从基础研究到产业应用的周期，并有望通过解析高维复杂关联催生新的科学发现与理论体系 [2] 发展AI4S面临的主要挑战 - **数据层面挑战**：凝聚态物质科学是典型的“小数据、大科学”，存在高质量数据资源匮乏、数据孤岛化严重、数据量不足、标准不一、缺乏有效汇聚机制和工具等问题，难以形成适合AI训练的优质数据集 [2][3] - **技术层面挑战**：数据采集与处理自动化程度较低，研究人员需花费大量时间在数据收集、清洗、整理等重复劳动上，流程缺乏系统化与智能化，严重制约科研效率 [4] - **创新生态层面挑战**：数据基础设施、存储算力、标准协议、共享机制、协同机制等基础支撑不足，导致数据流通不畅、协作效率低，跨团队协同创新能力有待加强 [5] 当前进展与技术路径 - **数据汇聚与融合**：通过构建数据平台整合数据，技术路径包括打通从大科学装置到数据平台的自动采集通道，以及对多源异构数据进行汇聚、治理、标注与标准化，以构建跨学科、高质量的“AI-Ready”数据体系 [3] - **数据治理技术应用**：开发高效的数据处理算法与工具，数据智能应用已在多个科学进展中发挥作用，如在月壤中首次发现含分子水的新矿物、实现十万量级新拓扑绝缘体的高效筛选、高温超导材料磁通钉扎智能设计与实验验证等 [4] - **创新生态初步实践**：已初步建立覆盖“数据—评测—应用”全流程的标准化体系，例如覆盖晶体材料拓扑分类、XRD智能结构解析等模型的标准化评测体系，以支撑规模化、协同化的数据驱动科技创新 [5] 全球战略布局与中国实践 - **全球战略**：美国“创世纪计划”、英国“国家AI战略”等国家级战略均将凝聚态物质科学与AI的深度融合置于核心位置，旨在通过建立大规模高质量数据库并与生成式AI融合来变革研发范式，抢占关键领域科技制高点 [6] - **中国实践**：以中国科学院凝聚态物质科学数据中心为例，通过前期部署系统推进实验、理论和计算数据全链路的研发与整合，已在软硬件平台、高质量数据集、数据标准、智能应用与生态共享等方面取得系统性进展 [6] 未来发展建议与着力点 - **构建国家级数据基座**：推进数据链前后端协同建设，前端建设科学数据工厂以提升标准统一的高质量科学数据产出效率，后端建设自主实验室以加快数据赋能材料创新的场景探索和实际落地 [6] - **强化科学数据基础能力**：重点强化数据采集、治理、应用和共享服务，增强数据平台与实验设备的结合，开发智能化数据采集工具，探索“计算—实验”迭代优化模式，以支撑前沿科技创新与重大成果产出 [7] - **营造开放协同的数据生态**：通过降低数据使用门槛、明确权属收益机制、强化培训服务，将“不敢、不会、不愿、不便”转化为“敢用、会用、愿享、便取”的新格局 [7] - **构建“产学研用”创新联合体**：完善从数据源头到应用市场的全链条数据生态，推动科学数据应用的市场化运作，前瞻布局数据产品、智能软件、解决方案等多元化服务模式，为科学数据平台长期自主运营与价值创造奠定基础 [7]