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 ...

点击 最 下方 "在看"和" "并分享，"关注"材料汇 添加 小编微信 ，遇见 志同道合 的你 正文 | | 市场规模 | 研发支出 | AI 渗透率 | AI 渗透率 | AI 渗透率 | AI 渗透率 | | --- | --- | --- | --- | --- | --- | --- | | | ( 2025E ) | 足比 | 1% | 2.5% | 10% | 25% | | 化工 | 58,182 | 3.86% | 22 | 56 | 225 | 561 | | 医药 | 16,232 | 7.77% | 13 | 32 | 126 | 315 | | 新能源 | 23,310 | 4.82% | 11 | 28 | 112 | 281 | | 半导体 | 7,189 | 15.18% | 11 | 27 | 109 | 273 | | 合金 | 3,349 | 2.53% | | 2 | 8 | 21 | | 显示 | 1,955 | 7.20% | | ব | 14 | રૂટ | | | 合计市场规模(亿美元) | | 59 | 149 | 595 | 1,486 | | 企业名称 | ...

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]

第三是智能能力高阶化。行业往前发展的核心动力是智能能力必须不断进行高阶化演进。今天的人工智 能已经让大家惊叹，但这仅仅是开始。高阶化离不开技术体系化，离不开要素的突破，离不开对形态的 理解。否则，基于中阶过程去探讨人工智能的高阶化，就有可能走上错误的道路。 针对人工智能未来关键技术节点的判断，很多问题至今还没有确定的答案，但对它们的探索和解答至关 重要。回顾科学历史，伟大的技术突破往往是从提出一个关键问题开始。我们期待携手 AI 领域的杰出 研究者，探讨出高价值战略问题，并以之引领，推进人工智能的高质量发展。 围绕智能技术体系化、智能形态多元化、智能能力高阶化这三大趋势，有10个问题值得进一步探讨。 首先，伴随诺贝尔奖纷纷花落人工智能项目，以 AI 赋能创新科学范式被寄予激发人类社会生产力重大 飞跃的特殊意义。而 AI for Science 研究，如何从促进研究的单点突破升维至科研全链条水平的本质飞 升？如何从"工具的革命"，发展至足以引领全新科学范式发展的"革命性工具"？我们仍需在多模态统一 表征方面持续钻研，打造能够推动科学突破的AI系统。 来源：中国新闻网 通用人工智能(AGI)作为人工智能领域的终极 ...

贾皓钧将AI for Science（AI赋能科学研究）分为三个阶段：第一阶段是数据降维与分析，通过机器学习 处理高维科研数据，揭示变量间的隐藏关联；第二阶段是科学性假设生成与实验验证的智能化。比如顶 尖科学家可能花一天提出假设，其他人用十年验证，AI则可以同时优化这两部分；第三阶段则接近通 用人工智能（AGI），AI或能独立发现如牛顿定律级别的科学规律。贾皓钧认为，这会比AGI晚一步， 但会很快到来。 贾皓钧还分享道，对于垂直领域的模型来说，高质量的数据可能比模型本身更为重要。"模型的性能其 实是两方面决定的，第一是这个模型本身架构好还是不好，第二是数据到模型训练好还是不好。垂直领 域尤其是科学领域，大家对结果精度要求非常高，不容忍90%的正确，必须100%严谨。" 专题：2025第十六届夏季达沃斯论坛 2025年新领军者年会于6月24-26日在天津举办，本届新领军者年会主题为"新时代企业家精神"。会议期 间，微博达沃斯特别主持于超对话深度原理（Deep Principle）创始人兼CEO贾皓钧。 对话中，贾皓钧回忆称，公司最初源于2022年麻省理工学院（MIT）的一个康复类创业项目，后转向AI 赋能化学与 ...