2026年7月在上海举办的WAIC 2026上，AI for Science成为最密集出现的词汇之一。据新华社7月27日报道，越来越多的AI4S新成果正在改写科研的效率公式，多位受访专家判断科学智能未来两到三年将进入产业化爆发期，而数据这一最基础也最稀缺的要素正在成为各方争夺的战略高地。
中国科学院自动化研究所研究员徐楠在论坛中表示，通过应用中科院发布的磐石科学基础大模型2.0，催化剂设计时间从几个月缩短到30分钟，成功发现了一种活性提高38%的新型催化剂。清华大学教授俞立表示AI正从辅助工具演变为科研基础设施的关键组成部分，其目标并非取代科学家，而是将科学家从重复劳动中解放出来使之专注于科学洞察与创造性思考。从年缩短到天再到分钟，时间尺度的不断压缩背后是AI对科研范式的一次根本性重塑。
中科院发布的磐石科学基础大模型2.0覆盖数学、物理、材料、天文等八大基础学科。该模型采用科学数据统一编码、自然世界知识对齐、领域任务定向解码的三层架构，依托全球1.7亿篇科技文献集成8000余个专业科研工具和技能库。一个模型即可完成跨学科的数据理解、科学推理与内容生成，突破了专用模型只精于一事、通用模型流于宽泛的双重瓶颈。
徐楠介绍目前磐石2.0已将文献调研从数周压缩到20分钟，报告制作效率提升5到10倍。AI for Science在中国科学院已落地上百个科研场景。在材料科学领域研究团队已经利用该模型发现了具有产业应用潜力的高性能催化剂。这种跨学科的通用能力尤为关键，在真实科研场景中许多突破性发现恰恰发生在不同学科的交叉地带，一个能够同时理解物理学方程、材料学相图和生物学蛋白质折叠的模型天然具备发现学科交叉创新点的能力。
崂山实验室展示了AI在海洋科学研究中的突破性进展。过去预测海洋变化面临硬件要求高、预测速度慢、不确定性因素大三大瓶颈。现在崂山实验室开发的全球海洋环境高分辨率智能预报模型基于海洋观测数据自动生成全要素海洋预报产品，仅需1.5分钟就能预报未来15天的海洋环境变化。崂山实验室副主任吴能友透露海外研究团队已经用AI从海洋观测数据中发现了一个在学界争论几十年的海洋问题的新型数学表达式，这意味着AI已经开始参与科学假说的提出。
小米材料CORE团队负责人俞之奡分享了AI辅助材料研发的实践经验。材料追求多维度均衡性能，传统方式很难同步兼顾全部指标，但AI可以统一优化性能、原材料成本、量产工艺和制造制程，快速筛选收敛到高潜力研发方向。小米公司已通过实际项目验证了AI辅助材料研发的可行性。清华大学教授俞立提出了暗实验室的重要方向，通过将大模型、自动化设备和科研数据结合可以减少大量重复性的实验操作。
在AI4S真正迎来产业化爆发的前夜，一个基础性问题正在浮出水面。谈及制约AI4S下一步发展的瓶颈时徐楠直言第一是数据，第二是模型架构，第三是算力。科学数据与互联网数据有着本质区别。地震波、海洋洋流、大气影像、蛋白质结构这些高度专业化的观测数据分散在不同机构不同格式不同标准中，需要经过科学家的专业标注和加工。北京智源人工智能研究院研究员雷博透露神经科学可用于模型训练的数据可能不到目标数据的万分之三。
面对这一瓶颈各方正在加速布局。北京智源构建了BrainToken平台统一预处理超过20个平台的开源神经科学数据。上海AI实验室推出Sciverse科学智能数据库提供大规模高准确度AI Ready数据基座。中科院文献情报中心牵头建设的敖仓科技语料库也在WAIC期间正式发布。业内判断未来当数据壁垒逐步打通、算力底座持续夯实、科学大模型与自动化实验系统深度耦合，新材料的发现和新药物的诞生将进入批量涌现的新阶段。从国家战略层面看AI4S的破能力直接关系到生物医药、新材料、清洁能源等战略性领域的国际竞争力。多国政府已将AI4S列为重点支持方向，中国在数据资源和应用场景方面的优势正在转化为科研效率的实质提升。从国家战略层面看AI4S的突破能力直接关系到生物医药、新材料、清洁能源等战略性领域的国际竞争力。多国政府已将AI4S列为重点支持方向，中国在数据资源和应用场景方面的优势正在转化为科研效率的实质提升，为全球科学智能的发展贡献了中国方案。
WAIC 2026上多位科学家和企业代表一致认为未来两到三年将是AI4S进入产业化爆发期的关键窗口。届时AI与自动化实验设备的深度耦合将产生协同效应，科学研究将从人找数据变成数据找人，从试错实验变成预测验证，极大释放科研生产力。清华大学提出的暗实验室方向通过将大模型、自动化设备和科研数据结合，正朝着这一目标稳步推进。从产业化的角度看AI4S的产业化路径已经清晰可见，接下来的关键是打通数据壁垒和建设标准化评估体系，让更多的科研机构和企业能够参与到这场科研范式变革中来。多家投资机构已将AI4S列为未来两年的重点投资方向。