一款新药从研发到上市，平均耗时十年、耗资数十亿美元。一种新材料从实验室发现到产业应用，往往跨越数十年甚至半个世纪。传统科研的“试错成本”，正在把越来越多的企业逼到墙角。
而另一边，AI4S（科学智能）正以摧枯拉朽之势重塑这一切。从AlphaFold把蛋白质结构预测精度提升到原子级，到AI气象模型精度反超传统数值预报——AI不再只是科研的“辅助工具”，它正在成为攻克基础科学难题的核心力量。
但别急着All in。最近一份刚发布的《科学计算与AI4S基础设施白皮书》，揭开了这个火热赛道里一个被严重低估的真相。
你以为AI4S拼的是算力？错了
算力、模型、数据——AI4S的三大核心要素。
你可能会想：这不跟通用大模型一样吗？搞AI4S，先砸钱买卡就完了。
但白皮书给出的结论恰恰相反：在科学智能这个赛道上，算力需求相对可控，模型研发难度适中。
拿数据说话。通用大模型的参数量动辄万亿级——DeepSeek-V4总参数1.6万亿，阿里Qwen3-Max-Thinking超1万亿。而生物领域大名鼎鼎的AlphaFold2，参数量才9300万左右。最新的AlphaFold3，参数量也不过3.7亿。
什么概念？几块GPU就能跑完完整的训练和推理。根本不需要像训练GPT那样烧掉成百上千块显卡。
真正让行业头疼的，是数据。
产业里根本“没货”，这才是最大痛点
白皮书直言：高质量“端到端”数据集，是当前AI4S行业最大的“卡脖子”瓶颈。
不同于通用大模型可以从互联网上扒海量文本、图片来训练，科学智能需要的数据来自哪里？来自制药厂的实验记录、材料企业的研发报告、化工厂的生产实践。
这些数据有几个致命问题：
第一，根本没有数字化。大部分企业的研发数据还躺在实验报告、纸质记录甚至内部系统里，没有统一整理和标注。能转化为AI训练可用数据的，比例极低。
第二，信息孤岛严重。不同企业之间的数据几乎不通。你愿意把自家核心研发数据拱手让人吗？当然不愿意。企业最多分享点不痛不痒的边角料，真正核心的实验数据根本不会对外披露。
第三，产业里本身就缺乏有效、可串联的端到端数据。想分享都没东西可分享。
什么样的数据，喂出什么样的模型。没有高质量数据，再强的算力、再牛的模型都是空中楼阁。
数据短板怎么补？科学计算登场
数据不够怎么办？算出来。
白皮书给出的答案是：科学计算——依靠数值仿真与微观机理模拟，获取传统实验无法观测的底层数据。
在生命科学领域，分子动力学仿真可以精准模拟药物分子与靶点蛋白的微观结合过程。在新材料领域，第一性原理仿真可以精准表征原子、电子层面的运动规律。
这就是“以算代试”——用计算生成高质量数据。
但问题又来了：这种仿真模拟的计算量，大到离谱。
以生物领域为例，要完成百万原子体系百微秒的仿真计算，天文数字级的运算量，传统超级计算机要算几百年。
更扎心的是，全球唯一能高效完成这类任务的美国专用生物超算，对其他国家严格禁用。我国的科学家和产业界根本用不到。
国产“天穹”硬刚国际封锁
好消息是，这道“卡脖子”的锁正在被撬开。
白皮书重点解析了国产“天穹”专用超算。它采用“算法级全局优化计算”范式，通过专用芯片架构、3D环形网络拓扑与专用计算软件的深度耦合，在生物分子动力学领域实现了百倍性能加速。
实测数据更直接：“天穹”的分子动力学仿真每天可达5-10微秒，较国内传统超算系统快2-4个数量级。它是国内唯一具备百万原子级体系、微秒级时长分子动力学模拟日计算能力的产品。
依托“天穹”打造的新药引擎，已经实现蛋白位点发现、药物结合构象预测、亲和力评估、分子胶理性设计与优化的全链条流程。1-2周内就能针对不同靶蛋白完成分子胶的快速发现。
这标志着我国在专用科学计算领域，正从“跟跑”走向“并跑”。
从实验室到生产线的“最后一公里”
光有算力还不够，还得有人用、用得起。
今年3月，由上海市经信委指导、上海仪电牵头的“爱赛思OpenAI4S社区”正式发布。这是一个开放式科学智能基础设施，提供“工具、数据、算力”三位一体的云端科研环境。
截至目前，社区已汇聚262款模型、125个智能体、2139款工具、10余个干湿实验室，总计超过2500项要素资源。科研团队可以一键获取所需资源，按需匹配项目需求。
更关键的是，社区推行“先用后付、免申即享”的算力补贴机制。科学家“只跑一次”就能搞定从数据到算力到工具的全部需求。
千亿美元赛道，才刚刚开始
市场给出了最直接的回应。
据测算，全球科学智能市场预计将从2020年的378亿美元爆发式增长至2035年的近5万亿美元。中国科学智能市场同期将从98亿美元增长至约1.8万亿美元。AI4S被英伟达列为与大语言模型、具身智能并列的三大AI关键方向之一，远期市场规模有望达千亿美元。
今年的政府工作报告已将“深化拓展‘人工智能+’，实施超大规模智算集群”列为重点任务。AI4S作为“人工智能+”在科学研究领域的核心落地方向，正在成为培育新质生产力的关键抓手。
白皮书最后的建议很清晰：从国家层面统筹布局科学数据中心、专用算力集群与产学研攻关体系，加快打造自主可控的AI4S全产业链生态。
数据是燃料，算力是引擎，模型是方向盘。三者缺一不可，但最缺的从来都是那个看不见摸不着、却决定一切的东西——高质量的数据。
谁能率先补齐这块短板，谁就能在AI4S这场关乎未来科技话语权的竞赛中，占据先机。
