中国信通院:科研智能发展报告(2025 年)

报告核心观点

1. 内涵及发展：科研智能是“方法与工程体系”的系统升级。科研智能（AI4RD）是以人工智能为核心支撑，对科学研究与产业研发全流程进行系统性升级的方法与工程体系，涵盖面向科研任务的模型与算法，以及支撑落地运行的工程平台、流程机制与治理规范。从科研流程演进来看，科研智能呈现清晰的阶段性特征：从早期 “辅助分析” 阶段的规则推理与数据挖掘，到 “深度突破” 阶段深度学习驱动的关键科学问题攻坚，再到当前 “生成—验证” 闭环阶段，生成式模型与自动化实验平台的协同联动，正推动科研流程朝着系统化、自动化方向跨越式发展。

2. 政策分析：全球科研智能进入“国家级组织化竞争”阶段。各主要经济体正以 “顶层战略牵引—算力与数据底座—组织化投入—场景任务牵引” 的组合模式，加速布局科研智能赛道：美国通过 “创世纪计划” 整合国家算力与数据资源，构建 “曼哈顿计划式” 科研新底座；欧盟发布《科学人工智能战略》，依托欧洲开放科学云打造跨国界科研能力网络；中国以 “人工智能+” 行动为核心，将 “AI+科学技术” 列为首要任务，通过 “项目群+平台化” 组织机制，系统重构科研范式与创新链条；英国、韩国、日本等也纷纷通过专项方案、国家超算建设、科研数据平台搭建等举措持续加码，形成多层次、协同化的国际竞争格局。

3. 关键技术：五大关键技术耦合演进，推动科研走向“生成—验证”闭环化与自动化。报告基于基础通用性原则，聚焦科研智能五大关键技术领域：科研数据、科研计算、科研模型、科研智能体、自动化实验室。其中，科研数据与科研计算共同支撑科研模型研发；科研智能体在模型能力之上进一步扩展科研任务的“理解—规划—工具使用—环境交互”，并通过自动化实验室实现“干湿闭环”，打通数字空间与物理实验空间。五大技术相互耦合、快速迭代，正推动科研工具与服务从“辅助环节”走向“贯通流程”的系统能力。

4. 典型应用：基础科学提效、产业研发提速，从“预测发现”迈向“目标驱动”的研发新范式。在基础科学领域，科研智能助力研究者高效应对高维搜索空间、复杂系统模拟与海量数据模式挖掘等挑战，显著提升假说提出与实验设计效率。在生命科学、化学、地球与空间科学、数学等领域，生成式模型与自动化平台深度结合，推动研究从 “预测” 迈向 “按目标约束生成候选—实验验证—迭代优化” 的闭环模式。在产业研发领域，科研智能与工程流程深度融合，将性能边界、制造约束、成本与碳排放等目标前置到设计与验证环节，大幅缩短迭代链路、提升全局优化可能性：医药研发中，AI加速靶点发现、分子生成与临床试验优化，直击行业 “投入产出比下降” 痛点；半导体领域，AI从验证覆盖优化、调试根因分析延伸至架构探索与设计副驾，帮助工程师快速筛选高潜力方案；先进制造与工程设计中，约束感知生成式设计让 “能造、好造、造得经济” 成为生成阶段的内生目标，显著提升研发实效。

5. 挑战及展望：跨越规模化应用鸿沟，开启“科研资源即服务”新时代。科研智能从试点走向规模化应用，仍面临系统性挑战，包括高质量数据与标准供给不足、模型外推与可解释性欠缺、工程化集成与评测体系不完善、跨学科协作机制与可信治理框架不健全等。展望未来，科研智能将持续向更高水平的自主化与平台化演进，有望形成 “科研资源即服务（RaaS）” 的新型供给模式，让算力、数据、模型、实验设施等资源以按需、弹性、标准化的方式开放共享，进一步激发全社会创新活力，催生多类规模化应用赛道。