一、 总体基调与核心发现
报告指出，科学数据与人工智能的深度融合已成为科研创新的关键驱动力。高质量、可被AI高效利用的数据（即“AI-Ready”数据）是未来科学研究的“新能源”。
根据2025年对中国学者的调研（772份有效问卷），核心发现如下：
- 支持度高：近八成受访者支持将研究数据开放获取作为学术惯例。
- 实践遇阻：支持意愿与实践之间存在巨大鸿沟，主要障碍是对成果被抢发的担忧（40%）、担心数据滥用（38%）以及贡献得不到足够认可（近半学者认为如此）。
- 实践有进展：超过87%的学者已在实际共享数据中遵循FAIR原则，超过82%有数据整理习惯。AI工具在数据处理阶段的应用尤为普遍。
- 政策支持不足：近三成学者缺乏共享数据所需的专门资金，且普遍需要数据版权、基金管理等方面的帮助。
二、 各重点领域的开放共享实践与展望
报告展示了多个国家级科学数据中心在各自领域的实践成果：
- 高能物理（国家高能物理科学数据中心）
- 特点：数据规模达EB级，高度依赖国际合作。
- 实践：参与全球数据网格（如WLCG），构建“数据+软件+环境”三位一体的共享模式。作为亚洲唯一的LHCb实验国际一级站点，为全球协作提供支撑。
- 未来：依据FAIR原则建立全流程管理规范，制定分级开放策略。
- 气象科学（国家气象科学数据中心）
- 特点：观测体系全、时间序列长、更新速度快、融合价值大。
- 实践：通过中国气象数据网向社会免费开放12类106种数据和产品，服务全球153个国家，支撑超2.5万项科研项目。
- 未来：构建“可信管控、合规运营、价值共创”的生态体系，计划孵化30个认证数据服务。
- 地震科学（国家地震科学数据中心）
- 特点：数据资源超1.48PB，支撑全球最大地震预警网络。
- 实践：产出“谛听”、“震典”等高质量AI数据集，服务国家重大工程抗震设计与科学研究。
- 未来：构建高质量数据资源体系，发展“可用不可见”等数据安全技术，推进智能化数据共享。
- 冰冻圈科学（国家冰川冻土沙漠科学数据中心）
- 特点：整合全球多源观测数据（约500TB产品数据），服务气候变化研究。
- 实践：遵循FAIR原则开放共享，构建了全球冰冻圈研究引擎，探索“大数据+AI+模型”的新研究范式。
- 未来：推动物理机理与AI深度融合，构建“冰冻圈数字孪生”。
- 医学领域
- 现状：政策框架完善，建成多个大型人群队列和国家健康医疗大数据中心。
- AI赋能：AI可用于提升数据质量、通过隐私计算实现安全共享、智能匹配数据供需。
- 挑战：数据安全、标准互操作性、算法偏见、复合型人才短缺。
三、 高质量科学数据的建设、应用与评价
- 建设内涵：高质量数据不仅是“可获取”，更需具备真实性、结构化、可计算性和可解释性，实现从“FAIR”到“FAIR+AI-Ready”的演进。
- 典型案例：scCompass单细胞数据集，通过标准化和语义建模，支撑了亿级参数生命科学大模型的训练。
- 应用实践：
- 催化科学：构建专业知识图谱、开发可解释模型辅助反应器设计、发展“全流程机器人化学家”，实现新材料的高效筛选。
- 化学化工：建设大规模物质基础数据库，通过流程化工具构建AI-Ready专题数据集，驱动分离萃取剂等材料的智能设计。
- 评价体系：
- 由科学地平线平台构建了国际首个面向“数据+模型”的AI就绪度综合评价框架，涵盖规范性、可用性、可解释性、合规性四个维度。
- 该平台通过“人机协同”方式，形成了地球科学、生命科学、材料科学等领域的高质量数据推荐榜单。
四、 国际合作与出版视角
- 施普林格·自然的实践：
- 工具：开发AI驱动的“开放科学助手”，帮助作者完善数据可用性声明。
- 基础设施：推行期刊与数据存储库的集成投稿流程，使数据共享更便捷。
- 认可机制：推广数据论文出版，为数据集提供正式引用路径，弥补“学术认可缺口”。
- 中国合作：与中国科学院计算机网络信息中心合作，推广其通用数据存储库ScienceDB。
五、 核心建议与未来展望
报告提出了系统性建议：
- 加强政策落实：提供具体的数据共享全流程服务、资金支持和激励措施。
- 消解共享阻碍：完善数据引用规范以保障贡献者权益，加强数据管理人才队伍建设。
- 采用可信平台：鼓励科研人员使用如ScienceDB等公益性可信平台，低成本实现FAIR化共享。
- 合理利用AI：拥抱AI工具提升数据管理效率，同时关注其透明性与伦理风险。
未来展望：需要深化跨领域协同与国际合作，推动数据标准化与AI技术融合，构建安全可信、价值共创的数据生态，使高质量科学数据真正成为驱动科研范式变革的核心引擎。
