五年后的科研什么样？AI科研正在给出答案

2026年7月，上海黄浦江畔，世界人工智能大会（WAIC）科学前沿论坛上，一个判断正在成为与会科学家的共识：AI正在从科研工具演变为科研基础设施。行业重心已转向推动AI深度嵌入实验室、融入完整科研流－程，承接大量传统人工科研工作。

这一趋势在WAIC“镇馆之宝”评选中得到印证。天鹜科技自主研发的对话式蛋白质科研智能体MatwingsVenus™（晓鹜™）从数百款参展产品中脱颖而出，成为全场唯一入选的AI for Science（科学智能，简称AI4S）产品。联合国秘书长安东尼奥·古特雷斯亲临展台参观交流，对AI赋能绿色产业的成果给予肯定。

政策层面，国家《“人工智能+”行动实施方案》将“人工智能+科学技术”列为六大重点行动之首；“十五五”规划同步前瞻布局量子科技、生物制造等未来产业，为AI4S提供政策支撑。据市场研究机构统计，全球AI for Science市场2025年估值达45.38亿美元，预计2032年增至262.3亿美元。

一、第五科研范式：从实验试错到智能驱动

The Fifth Scientific Paradigm

图灵奖得主吉姆·格雷提出了科研范式演进思想，后世学者在其基础上总结出实验、理论、计算、数据密集型四大范式。国内部分学者提出：以AI自主推理、干湿闭环为核心的科学智能，正在形成重塑科研模式的第五科研范式，推动科研从“作坊模式”升级为“平台模式”。

传统科研高度依赖经验与直觉，通过反复试错验证假设，新药研发、新材料探索等往往需要数年甚至十余年。AI4S让AI成为假设生成、模型求解、数据分析的核心助力，系统性重构科研链路。2026年，AI4S已实现多学科普及，在生物、化学、材料等领域大幅压缩研发周期、降低试错成本。

天鹜科技MatwingsVenus™（晓鹜™）是第五范式落地转化的代表性实践案例。区别于传统结构预测模型，MatwingsVenus™（晓鹜™）依托自研百亿级蛋白序列与功能标签数据库，实现从“结构观测”到“功能创造”的跨越——精准完成蛋白序列功能预测，通过干湿闭环迭代实现端到端交付。科研人员仅通过自然语言对话即可完成蛋白智能设计、预测与验证，有效降低蛋白质科研门槛。

据行业报告，AI正升级为全链路科研智能体，可自主完成假设提出、实验设计、数据分析、结论推导。重复的试错与实验执行将由AI承接，科研人员聚焦科学问题提出与成果评判等核心工作。

二、AI重塑科研全链条：从文献到实验的端到端变革

Full-Chain Research Transformation

2.1文献与知识发现

WAIC 2026期间，国内某统筹建设的科学基础大模型2.0正式发布，汇聚800万条高质量科学推理数据，覆盖200多个科研任务。“文献罗盘”智能体可在3小时内生成专业综述，证据归因准确率达90%，已累计生成近4万篇综述。

2.2仿真与计算

AI大幅压缩科学计算时间成本。该模型支撑的流体计算软件可在10秒内输出仿真结果，误差控制在5%以内；天文光谱智能体将仿真从数小时压缩至分钟级。国内某平台已将反应路径扫描从传统DFT的数天压缩至数小时。

2.3实验室自动化

国内某高校团队研发的“智能科学家”平台，融合AI与自动化机器人技术。机器化学家在5周内从55万种理论配比空间中，通过AI引导的贝叶斯优化策略，仅用少量实验即定位到高熵催化剂最优解，系统已集成110台科研机器人、196台智能化学工作站。

MatwingsVenus™（晓鹜™）采用多智能体协同架构，可解析自然语言指令、自主拆解任务、规划实验流程并动态调整参数。对接自动化设备后可7×24小时无人值守，独立完成质粒构建、蛋白表达、纯化检测全套流程，构建“模型设计—自动实验—反馈迭代”的完整干湿闭环。

2.4全链路科研平台

WAIC 2026期间，国内某机构发布科学发现平台，覆盖“假设提出”到“实验验证”完整流程，已落地生命科学、关键材料、半导体、核聚变、量子、地球气象六大领域。

MatwingsVenus™（晓鹜™）同样打通从设计到验证的全链路，其底层蛋白模型在哈佛医学院ProteinGym榜单持续排名前列，一站式实现蛋白设计、实验、迭代。据官网信息，平台已累计完成数十个成功改造项目，10余个项目已落地产能，覆盖创新药、大健康、循环经济等领域。

三、AI4S的产业落地：从实验室到生产线的跨越

Cross-Industry Applications

3.1生物医药：AI加速新药研发

生物医药是AI4S落地最成熟的核心赛道。AI可覆盖蛋白质结构解析、抗体设计、靶点筛选、毒性预判等全流程。过去一款新药从靶点到上市需十余年，AI介入后早期研发周期缩短一半。

天鹜科技携手金赛药业，依托MatwingsVenus™（晓鹜™）在耐碱单域抗体设计领域取得产业化突破，完成国产AI大模型设计、5000升工业放大并商业化落地的蛋白质产品开发。不到1年将单域抗体耐碱性提升4倍。传统同类研发周期2至5年，晓鹜™压缩至2至6个月，实验样本从万次减至百次，获得满足预设性能指标候选分子的筛选成功率从传统的约5%提升至30%以上。

3.2新材料：AI“设计”替代“试错”

新材料领域组合维度广、试错成本高。AI通过学习已有材料数据，精准挖掘“组分－结构－性能”关联，智能筛选高潜力配方。国内科研团队正建设单原子催化剂数据库，实现AI辅助的催化剂理性设计。

3.3循环经济与碳中和：AI赋能绿色制造

天鹜科技依托MatwingsVenus™（晓鹜™）对天然PET降解酶定向优化，通过氨基酸序列智能重构，降解效率提升97倍。仅6个月完成高效降解酶设计，将废塑料转化为再生原料。AI设计的酶法乳果糖项目已进入中试阶段。

3.4国内AI4S特色发展路径

中外AI4S路径呈现不同侧重。海外以通用大模型攻坚基础科学边界；国内走“自下而上”路径，北京、广东出台省级AI4S专项方案，推动科研数字化底座与无人实验室规模化落地。

天鹜科技2021年扎根上海，深耕蛋白质智能研发，自主搭建的蛋白序列与功能标签数据库入选国家高质量数据集典型案例。从数据积累到入选WAIC“镇馆之宝”，诠释了中国AI4S以实体需求为核心、以产业落地为目标的发展逻辑。

四、挑战与未来：AI4S的进阶空间

Parallel Timelines Before and After AI

AI4S整体仍处于快速发展期，行业共识表明，技术能力持续爬坡，但应用热度攀升，越来越多科研团队与企业开始规模化使用AI4S工具。

当前面临的核心挑战：数据标准化不足，不同实验室数据标准不一，可复用性有待提升；模型泛化受限，专用模型对通用科学规律的理解仍需优化；算力门槛较高，一定程度上抬高中小团队应用门槛。

客观共识：AI4S是科研赋能的核心工具，但无法完全替代湿实验验证，推演结果需结合实验校验，人机协同仍是当前最科学的模式。针对痛点，国内持续完善公共算力底座与共享数据库，轻量化对话式平台持续落地，推动AI4S普惠化。

WAIC 2026上，有图灵奖得主指出，AI将不断抬高科研评价标准，未来核心竞争力将转向批判性思维、复杂协作等高阶能力。人机协同将成为科学发现的主流形态。

从辅助运算到自主迭代，AI4S完成了从工具到科研基础设施的跃迁。依托以MatwingsVenus™（晓鹜™）为代表的国产AI4S成果，中国立足实体需求、深耕产业落地，走出了务实高效的本土化路径，为新质生产力、生物制造自主可控与绿色低碳产业筑牢了数字科研底座。