十一月二日，2026大湾区科学论坛人工智能分论坛暨第七届中国（广东）人工智能论坛在广州南沙开场，主题定为“AI与科学研究”。主办方是广东省科学技术厅、香港科技大学（广州）与西安电子科技大学广州研究院。开场有个设计颇为特别：论坛借助AI复原了北宋科学家沈括的形象，让他做了一段致辞，用古今对话的方式引出议题。热闹之后，议程很快落到具体的东西上：四个成果发布，多组签约，一个联盟倡议。
这场论坛最值得记录的不是发布了什么模型，而是签了什么合同。华为与首芯分子、深原质药、天士力数智中药围绕AI制药达成合作；中国科学院深圳先进技术研究院与兆威灵巧手布局机器人本体；东莞新一代人工智能产业技术研究院与宜安科技指向新材料。三组签约覆盖生物医药、灵巧机器人、新材料三个方向，都不是演示性质的合作。
把签约与成果放在一起看，会看到一条完整的链条：实验室出方法，企业出场景，研究院出工程能力。AI制药这一组尤其典型。华为提供算力与模型底座，首芯分子与深原质药提供靶点与分子设计能力，天士力提供中药这条最难标准化的管线。三方各缺一块，凑在一起才构成可执行的方案。
这也是AI for Science在国内落地的一个现实特征：单点技术早就有了，缺的是把技术塞进既有研发流程的那套接口。论文里可以只报一个指标，药企要的是能过内部评审、能对接实验记录、能追溯每一步判断的依据。签约的意义在于，接口这件事开始由甲方乙方一起定义了。
论坛同期还倡议成立广东省人工智能赋能科学研究创新发展联盟，方向是算力、数据、模型与学科交叉的开放共建。联盟能不能做成事，取决于两件具体的事：算力怎么分配，数据怎么确权。这两件不解决，联盟容易停在发牌子的阶段。
四个成果里，广州国家实验室的EpiETL最接近“能立刻用”的标准。官方描述是一站式AI驱动的全球传染病疫情情报平台，用于疫情情报抽取与公共卫生风险研判。翻成日常语言：它把全球各地散落的疫情信息，包括通报、论文、新闻、监测数据，自动抓取、抽取结构化字段、汇成可研判的情报。
这件事的难点不在模型，在数据。疫情信息的来源极度分散，语言不同、口径不同、更新频率不同，同一个指标在不同国家的定义可能完全不一样。要让模型抽取，先得有一套能对齐的字段体系；要让研判可用，还得给出置信度与来源追溯。这两步都是脏活，也是这类平台真正的护城河。
公共卫生场景对错误的容忍度很低。漏报一次可能意味着错过干预窗口，误报一次可能引发不必要的资源调动。所以这类系统的评价标准不是准确率，而是“在什么条件下会错、错了能不能被发现”。这也是为什么它由国家级实验室牵头，而不是由一家公司单独做。
从产业角度看，这条线还有一层外溢价值。疫情情报平台需要处理多语言、多格式、多时区的数据流，这套能力可以迁移到药物警戒、食品安全、口岸检疫等场景。过去这些系统各自建设、互不相通，一个统一的情报抽取底座能省下大量重复投入。
第二个成果来自鹏城实验室与北京邮电大学：基于语义知识库的6G语义通信基站原型。语义通信的思路与现在的通信协议不同。传统链路追求把比特准确送达，语义通信追求把意思准确送达，接收端依靠共享的知识库补全细节，从而在同样的带宽下传输更多有效信息。把语义知识库嵌入基站，等于在链路层放了一个理解器。
这条路线的价值在极端场景。带宽受限、时延敏感、信道不稳定时，传“意思”比传“数据”更划算。但它也带来一个新问题：知识库不同步时，收发双方对同一个信号的理解会分叉。这就要求协议层增加一套知识版本协商机制，而这套机制目前还没有标准。原型做出来只是第一步，进入标准是更长的路。
第三个成果来自小鹏汽车，主题是“AI赋能物理世界”全栈技术，探索物理世界基座模型在人形机器人与商业场景的落地。车企做这件事有天然优势：量产车本身就是移动的传感器阵列，每天采集海量真实道路数据；同时车企有完整的制造、供应链与售后体系，能把算法变成能交付的硬件。
难点在迁移。自动驾驶模型处理的是“在道路上如何运动”，人形机器人处理的是“在室内如何操作”，两者的动作空间、失败代价、安全约束完全不同。把车端的基座模型迁到机器人上，需要重新定义动作表示与奖励结构。小鹏给出的“全栈”说法，实际考验的是它能否把数据闭环从车延伸到机器人，而不是把模型直接搬过去。
论坛上反复出现的一个判断是，AI for Science正在从论文场景走向合同场景。这个转变的含义比听起来更深。论文场景的评价单位是“一次实验的成功”，合同场景的评价单位是“一批项目的可重复交付”。前者允许挑最好的结果展示，后者要求最差的那次也不能出事。
两者之间隔着三样东西。第一样是可复现的数据管线。实验室的数据往往由同一个人采集、清洗、标注，换个人就复现不了；企业要求任何一个人接手都能跑出同样的结果。第二样是可审计的判断链。模型给出一个候选分子，为什么要它、依据是什么、哪一步可能出错，都要留痕。第三样是可分摊的成本。论文里跑一次算力是项目经费，企业里跑一次要算进单品成本。
这三样东西恰好是联盟这类组织能发挥作用的地方。算力共建解决第三样，数据确权解决第一样，标准与评测解决第二样。如果联盟只做前两样，第三样仍会卡住，因为它需要跨机构的评测基准与第三方复现。
还有一个容易被忽略的角色：自动化实验平台。模型给出假设之后，要有人去做实验验证。人工验证的速度决定了整个闭环的迭代频率。国内已有团队在做机器人实验站，把加样、培养、检测串成流水线。这类设备不性感，但它决定了AI4S能不能从“每周验证十个假设”提升到“每天验证一百个”。
回到这场论坛，最实在的信号是签约密度。一个论坛发布四个成果不算多，但同时落地三组产学研合同，说明地方政府在把科研资源往具体产业上推。接下来要观察的是这些合同的执行情况：一年后有多少变成了产品，有多少停在了样机阶段。这个数字比任何一场发布都更能说明AI4S在广东的实际进度。