【“科协十一大”精神学习进行时】

今年7月，国家科学技术奖励大会、两院院士大会、中国科协第十一次全国代表大会在北京隆重召开。习近平总书记出席并发表重要讲话，指出要前瞻布局建设重大科技基础设施，强化高端科研仪器、科学数据、科技期刊等基础条件自主保障，推进人工智能赋能科学研究。

8月21日至22日，2026中关村论坛系列活动——2026科学智能大会将在京举办，中国科协会刊《科技导报》刊发中国工程院院士、计算机专家李国杰的文章《AI for Science的前景、瓶颈和风险》。我们特此摘录，以飨读者。

李国杰，计算机专家，“学术科协”科学智能专家委员会委员，中国工程院院士。研究方向为计算机体系结构、并行算法、人工智能、大数据、计算机网络、信息技术发展战略等。

AI for Science的前景、瓶颈和风险

李国杰

1

对未来5年科学智能发展前景的预判

过去3年中，科学智能（AI for Science，AI4S）已取得里程碑式成果，如Google公司DeepMind团队在生物、材料领域推出的Alpha-Fold3和GNoME平台，国内深势科技团队推出的通用人工智能（artificial general intelligence，AGI）分子模拟平台DPA-3等。科研实践已经证明：人工智能（artificial intelligence，AI）在可形式化、可验证、高度重复的科学任务上，效率远超人类。这不是单点技术突破，而是科研范式的根本性转变，从“人类试错”到“AI预测+验证+人类判断”。算力成本的指数级下降、科学大模型走向通专融合、全球AI投入增加等因素，将促使AI4S进入高速发展期。学术界对AI4S的发展前景预判有明显的分歧，有学者认为21世纪内AI会产生1万个爱因斯坦，也有学者认为AI4S只是个辅助工具，不可能具有原始创新能力。基于对各种AI大模型和相关文献提供的预判信息的综合分析，对未来5年AI4S的发展前景给出谨慎乐观的预判，供读者参考。

AI4S最有可能取得重大进展的领域包括药物研发、材料科学、工程设计、地球科学和数学等。在药物研发中，AI将显著加速靶点发现、虚拟筛选、先导化合物优化和早期安全性评估。在乐观情景下，2030年前后可能出现首批以AI为核心参与发现和设计的小分子药物获批上市。AI有望将部分药物发现阶段从传统的5~6年压缩到2~3年，发现阶段的研发成本可降低40%~60%。完整药物研发仍将受到临床试验、生物复杂性和监管要求等刚性约束，通常仍需8~12年。到2030年，相当比例的新药研发项目会使用AI辅助工具，但获批新药中由AI主导发现和设计的比例可能仍有限，到2035年前后，这一比例有望提升到20%以上。

在材料科学中，DeepMind的GNoME平台已预测约38万种潜在稳定晶体材料，A-Lab等自动化实验平台也展示了快速合成和验证新材料的能力。但从“预测稳定”到“可制造、可表征、可应用”仍存在巨大鸿沟。到2030年前后，AI预测材料中可能有数百到上千种获得不同程度的实验验证，但真正进入中试或产业化的将主要集中在电池电解质、固态离子导体、催化剂、热电材料和特殊功能材料等高价值领域。AI有望把部分材料候选发现周期压缩到2~3年，但包含验证、中试、可靠性测试和产业认证的完整周期通常仍需5~10年。2035年前后，“按需设计材料”可能首先在航天合金、量子器件材料、半导体材料和小批量高价值功能材料中初步实现；钢铁、水泥等大宗工业材料仍将主要依赖传统工艺演进和长期工程验证。

在工程设计特别是芯片设计中，AI辅助电子设计自动化（electronic design automation，EDA）已从概念走向实践。AI将在寄存器传输级（register transfer level，RTL）生成、验证、PPA（功耗、性能、面积）优化、布局布线和设计空间搜索等环节显著提高效率。未来5年，AI有望成为芯片设计流程中的常规工具，在部分模块和验证任务中实现数倍效率提升；但对完整系统级芯片（system on chip，SoC）项目而言，设计周期缩短30%~50%应视为乐观区间。2030年前，先进芯片设计仍将以“AI辅助+人类架构师和验证团队决策”的混合模式为主。

AI在天气预报、气候模拟、地震/海啸预警、碳循环和资源勘探中会有重大进展，但科研效率的提高不如药物和材料领域那样好量化，因为地球系统不可控、验证周期长、极端事件样本稀缺。AI在形式化证明、猜想生成等方面会快速进步。由于AI生成数学证明的速度远远超过人类消化证明的速度，数学正从“证明稀缺时代”转入“证明过剩时代”，数学家的价值将从“第一个写出证明”转向选择问题、验证证明、消化证明、理解意义和判断重要性[1]。

对AI4S持悲观态度的学者认为，AI是语法层级的工具，不能产生规则和语义，不能提出新的科学问题，常常用哥德尔不完备定理为依据来论证AI的“不可能”，这是一种误解。哥德尔定理限制的是“形式系统的证明能力”，不是“探索或创造能力”。科学不完全是形式系统，科学的真理性依赖于实验和观测，不全是形式证明。实际上，AI自动生成规则与语义的潜力远超大多数人的想象。语义不一定由人类预定义，可以从AI系统的交互、学习和预测中生长出来。现代AI系统（尤其是具身智能、多智能体、元学习架构）具备修改自身假设空间、引入新变量、构建新表示的能力。

2

实现科研闭环全自动化有本质性困难