编辑推荐：
截至2026年，人工智能（artificial intelligence， AI）已完成从专门分析工具到科学探究基础引擎的质性转变，从根本上改变了知识生成的范式。在本综述中，研究人员系统评估了AI for Science（AI4Science）的进展，其特征是
截至2026年，人工智能（artificial intelligence， AI）已完成从专门分析工具到科学探究基础引擎的质性转变，从根本上改变了知识生成的范式。在本综述中，研究人员系统评估了AI for Science（AI4Science）的进展，其特征是从以文本为中心的内容生成转向面向推理的智能，以及基础模型深度嵌入整个研究生命周期。研究人员提出了一种统一的闭环研究范式，包含六个核心模块：文献调研、数据分析、假设形成、实验执行、报告生成和自主演化。此外，研究人员综合了前沿领域（包括信息科学、数学、能源、物理、化学、材料科学、医学、生命科学、天文学、地球科学和社会科学）的突破性进展，强调了AI克服维度限制和实现复杂逆向设计的能力。随后，研究人员指出了仍然存在的关键挑战，例如标准化高质量数据的稀缺性、可解释性差距以及生成输出的物理一致性。最后，研究人员对构建跨学科科学基础模型和培育人类-AI协作自主研究的未来提供了前瞻性观点。
论文解读：AI驱动的科学发现——迈向闭环自主科研新范式
一、研究背景与问题
传统科学研究长期依赖假设驱动和人工实验的范式，随着数据规模和问题复杂度的指数级增长，这种模式在效率、可重复性和跨学科整合方面面临根本性瓶颈。尽管深度学习已在特定任务（如蛋白质结构预测）上取得突破，但AI仍多作为碎片化的工具辅助数据分析，未能系统性嵌入科学发现的完整生命周期。现有综述往往聚焦单一技术层面或特定学科，缺乏对AI如何重塑科学方法、工作流和研究组织结构的统一视角。为此，研究人员在《The Innovation》发表本综述，旨在更新2021年的前期工作，系统阐述大模型时代AI4Science的新范式——从文本生成走向推理导向智能，从孤立工具走向闭环自主研究引擎。
二、关键技术方法
研究人员采用文献综合分析方法，整合了近年来AI领域的核心技术进步，包括：基于Transformer架构的大语言模型（large language models， LLMs）及其涌现能力（如零样本泛化、上下文学习）、扩散模型用于高保真视觉合成与物理模拟、多模态大语言模型（multimodal LLMs， MLLMs）实现文本/音频/视频联合处理、视觉-语言-动作（vision-language-action， VLA）模型推动具身智能、以及强化学习（reinforcement learning， RL）、因果AI和机械可解释性等技术。研究覆盖信息科学、数学、物理、化学、材料、能源、地球科学、生命科学、医学、天文学、脑机接口、具身智能和社会科学等多个领域。
三、主要研究结果
AI的新时代（The new ERA of AI4Science）：AI正从判别式学习转向生成式建模，从文本生成转向推理导向智能。基础模型的规模化带来了涌现认知能力，如AlphaFold利用注意力机制捕捉序列-结构映射，LLM驱动的自主实验室整合多模态推理与机器人执行。通过长思维链、混合专家模型（mixture of experts， MoE）和群体相对策略优化（group relative policy optimization， GRPO）等技术，大模型已超越人文文本生成，具备面向科学的逻辑推理能力。
AI在信息科学中的应用（AI in information science）：AI正重塑计算机科学自身。在电子设计自动化（electronic design automation， EDA）中，LLM被用于硬件描述语言生成（如ChipLlama）和图神经网络驱动的布局布线优化；在编译器优化中，机器学习将优化决策重构为数据驱动过程，MLGO等系统在生产编译器中替换启发式规则；在自驱动数据库管理系统中，深度强化学习和LLM被用于查询优化、自动配置调优（如GPTuner）和故障诊断（如D-Bot）；在软件工程中，LLM嵌入“约束-验证-反馈”管道，支持需求结构化、代码生成、测试生成和运维修复（如SWE-bench基准）。
AI在数学中的应用（AI in mathematics）：AI与数学呈现双向赋能关系。在定理证明方面，AlphaProof在2024年国际数学奥林匹克中获得银牌水平，DeepSeek-Prover系列通过合成数据和强化学习提升证明能力；在猜想与方法发现方面，FunSearch解决了极值组合学中的cap set问题，AlphaEvolve改进了矩阵乘法算法；在自动形式化方面，Lean Workbook项目构建了大规模自然语言-形式化配对数据集，ProofBridge通过检索增强生成对齐自然语言证明与Lean代码。
AI在医学科学中的应用（AI in medicine science）：AI正推动医学从离散工具向集成生态系统转型。在智能医疗方面，Ferber等人整合MedSAM视觉基础模型与临床指南检索，将肿瘤决策准确率从30.3%提升至87.2%；在数字孪生方面，UNICORN框架预测DNA序列的基因表达，Squidiff模型模拟细胞分化过程中的转录组变化；在药物发现方面，AlphaFold2实现蛋白质组规模的结构预测，DiffDock将分子对接重构为概率生成问题，PandaOmics识别TNIK作为抗纤维化靶点并推动候选药物进入II期临床试验。
四、总结与结论
尽管AI4Science取得了显著进展，但仍面临关键挑战：标准化高质量数据的稀缺性限制了模型训练与泛化；可解释性差距使黑箱模型的科学可信度存疑；生成输出的物理一致性难以保证；以及人机协作研究中的信任与伦理问题。研究人员指出，未来的方向在于构建跨学科科学基础模型，发展因果AI与机械可解释性技术以确保物理透明性，并通过反思性验证机制（如执行-评估管道、预测-测量-更新循环）抑制幻觉和迭代优化。最终，AI将从碎片化工具演变为科学发现的核心引擎，实现人类-AI协作的自主研究，推动更高效、可重复和创新的科学进步。
