人工智能赋能科研范式变革的基础设施构建路径

添加时间:2026-11-19 点击次数:6

新一轮科技革命与产业变革背景下,人工智能与科学研究深度融合,推动传统“实验观察+理论分析+数值计算”科研范式向“数据驱动发现+智能模型预测+自主实验验证”的新型范式转型。人工智能赋能科学研究(AI for Science)基础设施作为承载智能科研活动、支撑大模型训练、科学计算与自动化实验的核心载体,是国家科技竞争力的重要组成部分。

当前,全球主要科技强国均将AI for Science基础设施纳入战略布局,通过顶层统筹、资源整合与生态培育,抢占智能科研发展先机。我国高度重视人工智能与科学研究融合创新,在算力网络、数据资源、大模型研发、科研装置建设等领域已形成坚实基础,具备加快推进AI for Science基础设施体系化建设的有利条件。但对标国际先进水平与国家战略需求,我国在算力协同调度、数据共享流通、高端科学模型供给、智能实验装备贯通等方面仍存在短板。

本研究旨在系统梳理国际AI for Science基础设施建设战略与实践,分析我国发展现状与突出问题,并从算力、数据、生态等维度提出体系化构建路径,通过推动我国AI for Science基础设施建设,提升国家原始创新能力与科技竞争力,为实现高水平科技自立自强提供战略支撑。

一、国外AI for Science基础设施建设战略与实践

(一)顶层设计:高位统筹、系统化、工程化推进人工智能赋能科学研究基础设施建设

国外先进国家和地区普遍将AI for Science基础设施建设上升为国家战略,强调高位统筹与系统推进。2025年11月,美国特朗普政府启动“创世纪计划”,要求能源部牵头整合联邦政府拥有的超级计算机、科学基础模型、高质量科学数据、自动化实验系统等资源,建设运营“美国科学与安全平台”,形成集算力、算法、数据和实验于一体的闭环系统(魏巍,2025)。10月,欧盟委员会发布“科学AI战略”,布局建设“欧洲人工智能科研资源中心”,以数字平台为纽带,链接“欧洲高性能计算联合体”“欧洲开放科学云”,以及成员国科研机构的算力、数据等分散资源,打造虚拟的泛欧洲科学研究基础设施。

国外先进国家的顶层设计均体现出三大共性特征:一是高位统筹,将AI for Science基础设施纳入国家战略,明确政府的主导作用,强化跨部门协同;二是系统化布局,围绕算力、数据、模型、实验装备等核心要素,制定配套政策与实施路径,形成全方位、多层次的建设体系;三是工程化推进,明确阶段性目标、责任主体与保障措施,确保战略部署落地见效。这种高位统筹、系统化、工程化的推进模式,为我国建立国家层面统一领导、多部门协同的AI for Science基础设施推进机制提供了重要借鉴,避免资源分散与重复建设。

(二)算力设施:向自主可控、公私合作、集群协同演进升级

算力作为AI for Science的核心底座,是支撑科学模型训练、海量数据处理、自动化实验验证的关键基础。当前,国外先进国家的算力设施建设正朝着自主可控、公私合作、集群协同的方向加速演进,形成了“全栈自主、多元供给、协同高效”的发展格局。

2025年7月,美国白宫发布《赢得竞争:美国人工智能行动计划》,将AI算力定位为“国家战略资产”,优先部署美国制造芯片的数据中心,推动联邦机构采购本土算力服务,构建“从芯片到云”的全栈自主算力体系,并通过公私合作扩大高性能计算资源开放共享。“创世纪计划”布局建设的美国科学与安全平台,将整合能源部17个国家实验室的超级计算机和云端智能计算资源(高云龙 等,2025)。7月,英国科学、创新和技术部发布《英国计算路线图》,提出政府主导的主权算力优先服务国家战略任务,私营主导的本土算力打造“算力集群+产业协同”区域生态,通过欧洲高性能计算联合计划拓宽算力供给渠道,构建“主权算力+本土算力+合作补充”三级协同体系。4月,欧盟委员会发布的《人工智能大陆行动计划》,聚焦算力集群化整合,部署扩展“AI工厂”网络,建设超大规模“AI千兆工厂”。

国外算力设施建设的发展趋势与实践,对我国算力设施建设的启示主要体现在三个方面:一是坚持自主可控。加大芯片、操作系统、算力调度软件等核心技术的研发投入,突破国外技术垄断,构建全栈自主的算力体系。二是深化公私合作。充分发挥政府与市场的双重作用,政府聚焦主权算力与战略需求,市场主体聚焦商业算力与产业需求,形成多元协同的算力供给格局。三是推进集群协同。加快建设全国一体化算力调度平台,实现不同区域、不同类型算力资源的互联互通与智能调度,提升算力使用效率。

(三)科学数据:推动数据质量规范、组织模式、治理机制全面提升

科学数据作为AI for Science的核心原料,其质量、治理水平直接决定了科学模型的精度与科研突破的效率。国外先进国家高度重视科学数据的规范化管理与价值释放,推动数据质量规范、组织模式、治理机制的全面提升,构建“高质量、可共享、可复用”的科学数据体系。

2025年10月,美国能源部发布其2025年《人工智能战略》报告,将“美国科学云”定位为国家核心基础设施,致力于打通国家实验室、学术界与私营部门的数据壁垒,实现大规模科学数据集的高效访问与协同利用。11月,英国科学、创新和技术部发布《人工智能赋能科学研究战略》,将数据作为推进AI for Science的第一支柱,部署系统提升科研设施、实验室、研究机构等实验运行与模拟数据的存储规模,目标是确保到2030年每一次实验产生的有价值数据均得到规范存储、系统整理,并符合“可查找、可获取、可互操作、可重复使用”(FAIR)原则;启动“暗数据”采集试点,包括未公开实验结果、实验装置与条件细节、尚不具备机器可读性的数据,以及实验中的负结果数据;建设大规模数据基础设施,在“主权算力”附近集中托管高价值数据集,通过配套扩容存储和安全的数据访问与智能体交互机制,实现科研数据共享效率与隐私保护的动态平衡。12月,欧盟委员会发布《欧洲数据联盟战略》,建设能够连接数据持有者、通用数据空间、特定领域数据系统、欧盟成员国AI系统的“数据实验室”,面向企业等提供高质量数据接入、数据存储与组织、数据汇聚、合成数据生成、数据集标准化处理等服务。

综上,国外先进国家普遍依托FAIR原则构建了标准化、开放化、安全化的科学数据治理体系,通过盘活存量科研数据、挖掘暗数据价值、推进数算协同部署,夯实智能科研数据底座。其规范化治理、开放式共享、安全化管控的发展思路,为我国完善科学数据要素体系、破解数据孤岛难题提供了重要借鉴。

(四)模型平台:科学可信模型、科学基础模型、自主科学智能体加速发展

科学模型是AI for Science的核心工具,其性能与可靠性直接影响科研效率与创新质量。当前,国外先进国家正加快推进科学可信模型、科学基础模型、自主科学智能体的研发与应用,推动模型从“纯黑箱”向“融入科学机理”演进,提升模型的科研赋能能力。

美国能源部2025年《人工智能战略》报告将模型部署视为人工智能关键基础设施,强调在模型架构中引入守恒律、对称性等物理约束,以及文本、图像、时序、结构等异构多模态信息融合,发展非“纯黑箱”科学可信模型构建范式。美国“创世纪计划”提出建设覆盖各科学领域的特定领域基础模型,以及能够评估实验结果、执行自动化工作流程的智能体;美能源部宣布在“创世纪计划”框架下,建设变革性创世纪使命联盟,利用独有科学数据、超级计算和领域知识,开发可自主学习、自我优化的人工智能模型。《英国计算路线图》提出建设国家级“模型即服务”平台,培育本土开源模型生态。

总体来看,全球AI for Science模型发展呈现“高可信化、领域专用化、自主智能化”的鲜明趋势,各国均摒弃传统纯数据驱动的黑箱模型研发模式,着力推动科学机理与AI算法深度融合,科学模型正从通用大模型向融入科学机理、可自主迭代的专用科学基础模型演进。对我国而言,需重点突破科学模型可信性短板,强化高端专用模型供给,构建普惠共享、自主可控的科学模型支撑体系。

(五)实验装备:向网络互联、人机协同、自主闭环迭代升级

自动化实验装备是实现科研范式转型的重要支撑,国外先进国家正推动实验装备向网络互联、人机协同、自主闭环迭代升级,构建“AI指令—机器人操作—数据回传”的闭环实验体系,大幅提升实验效率与创新性。

2025年7月,美国发布《美国人工智能行动计划》,将构建“可编程云实验室网络”列为优先事项,在全美建立人工智能驱动的自动化实验基础设施;8月,美国国家科学基金会宣布初期聚焦生物技术、材料科学领域,投资1亿美元建设该网络,“云实验室”已进入规模化应用阶段。12月,在“创世纪计划”框架下,美国能源部扩大投资推动人工智能嵌入科学发现全过程,与国家实验室等24家全球领先企业机构签署合作备忘录,在实验执行方面将构建“AI指令—机器人操作—数据回传”闭环,建设支持7×24小时无人化运行的自动化机器人实验室。英国《人工智能赋能科学研究战略》提出,推动自主实验室、科学智能体和通用人工智能科学工具研发,发展“AI生成假设—实验—分析”的闭环科研模式;12月,英国政府与谷歌旗下DeepMind公司合作设立“自动化研究实验室”,聚焦新型超导材料、前沿功能材料研发,采用“人工智能+机器人”方式进行自动化闭环实验。

国外发达国家正加速推进科研实验装备的智能化、网络化、自主化升级,着力打造人机协同、无人闭环、全天候运行的智能实验体系,打通智能科研“最后一公里”。对我国而言,应加快大型科研仪器智能化升级,建设国家级自动化实验室网络,贯通“假设—实验—分析—优化”全链条。

二、我国AI for Science基础设施建设现状与问题

(一)发展现状与基础优势

我国AI for Science基础设施建设已由单点探索进入区域协同、重点突破的新阶段,北京、上海、深圳、江苏等先进地区先行先试、系统布局,在顶层设计、算力供给、数据汇聚、模型研发、智能实验等方面形成一批典型经验,为全国体系化建设奠定坚实基础。

一是专项规划密集出台,顶层统筹不断强化。我国高度重视AI for Science基础设施建设,形成了“国家引导、地方主建、市场参与”的协同推进格局。国家层面,将AI for Science纳入人工智能、科技创新、数字经济等相关战略规划,明确了基础设施建设的总体方向与重点任务。如:国务院《关于深入实施“人工智能+”行动的意见》设置“‘人工智能+’科学技术”重点行动,将 AI for Science 纳入国家人工智能与科技创新部署,推动科学大模型与新型科研范式建设;科技部会同国家自然科学基金委启动“人工智能驱动的科学研究”专项部署工作,促进人工智能技术与基础学科等深度融合。地方层面,先进地区率先出台专项规划,细化建设目标与实施路径。北京率先出台《北京市加快人工智能赋能科学研究高质量发展行动计划(2025—2027年)》,将算力平台、科学数据平台、干湿闭环实验系统作为重点建设任务,打造怀柔科学城与中关村AI算力协同枢纽。上海启动“AGI4S珠穆朗玛计划”,构建“算力—数据—自主实验”三位一体科学智能创新中枢,统筹推进科研数字化与智能化转型。深圳、江苏等地将AI for Science纳入科技创新与数字经济重点布局,形成“国家引导、地方主建、市场参与”的协同推进格局。

二是算力体系加快成型,专用化与普惠化同步推进。我国综合算力规模持续快速增长,国家超算中心、“东数西算”枢纽节点、智算中心全域布局,形成通用算力、智能算力、超算算力多元供给格局。北京围绕分子模拟、材料计算等科研刚需建设专用算力集群,构建以智能算力为主,新一代超算、云计算、区块链等多元协同的城市算力供给体系,着重满足大模型训练算力需求和推理算力需求,并推出“人工智能算力券”降低科研团队使用门槛。上海通过DeepLink超智融合算力平台,实现通算、超算、智算异构协同与跨域调度。江苏、广东等地推进省市一体化算力调度,对接全国百余算力节点,算力供给向科研适配、低碳集约、开放共享加速转型,为区域内科研机构提供便捷高效的算力服务。

三是数据资源优势凸显,高质量科学数据底座加快构建。我国拥有全球规模最大的工业体系与丰富的科研场景,实验数据、观测数据、工业数据、生物医学数据资源体量巨大。北京统筹建设高质量科学数据库,推动文献数据、实验数据、模拟数据标准化整合,全面对接FAIR原则。上海建设百PB级Sciverse科学智能数据库,汇聚多家顶尖科研机构权威数据集,搭建开放共享的“科学数据广场”,为科学发现提供高准确度、强时效性的数据基座支撑。多地依托工业互联网平台构建“产业数据湖”,多项数据集入选国家首批高质量数据集典型案例,为科学模型训练与智能研发提供坚实数据支撑。

四是科学模型加速迭代,科研全链条赋能能力提升。我国生成式人工智能大模型研发与应用走在世界前列,备案模型数量持续增长,科学垂类模型快速落地。北京发布全球首个覆盖读文献、做计算、做实验、多学科协同的人工智能科研平台“玻尔科研空间站”,推出一批融入物理约束的高可信科学模型,打造贯通科学研究全链条的云研发入口(关一文,2025)。江苏苏州、连云港等地培育工业大模型、药械大模型等特色垂类模型,形成多领域、多层次模型供给体系。

五是智能实验室试点落地,交叉创新生态日趋完善。北京、上海、深圳、苏州等地区率先推进自动化实验室建设,构建“AI指令—机器人操作—数据回传”闭环实验体系,实现7×24小时无人化运行。我国高校与科研院所人工智能学科实力雄厚,清华大学、北京大学、南京大学等在人工智能领域全球领先,“AI+基础学科”交叉融合创新氛围浓厚。开源社区、创新载体、产业联盟加快培育,产学研用协同创新不断深化,为AI for Science基础设施建设提供稳定人才与生态保障。

(二)存在的问题

一是算力结构失衡,统筹调度与使用效率偏低。全国算力资源区域分布不均、类型错配,通用算力过剩与科研专用算力不足并存。国家级、区域级算力统一调度平台尚不完善,算力资源智能化调度水平不高,不同类型、不同区域的算力资源难以实现高效互联互通,导致“算力闲置”与“算力短缺”并存,“算力质效”与集约化利用水平有待提升。同时,科研场景适配性不足,专用算力集群建设滞后,难以满足不同学科科研的个性化算力需求,且算力使用成本偏高,部分中小科研团队难以承担。

二是数据孤岛突出,共享流通与治理体系滞后。科学数据管理碎片化、标准不统一,跨部门、跨区域、跨学科数据壁垒严重,高校、科研机构、企业之间的科研数据难以实现有效共享,大量高价值科研数据沉淀闲置。数据产权、共享机制、安全规范不健全,缺乏明确的数据分类分级管理标准与共享激励机制,科研机构开放共享数据的积极性不高。符合FAIR原则的高质量科学数据集供给不足,数据清洗、标准化处理、标注等基础设施不完善,部分科研数据质量参差不齐,难以满足科学模型训练的需求。此外,“暗数据”的挖掘与利用不足,未公开实验结果、负结果数据等未能得到有效采集与整理,浪费了宝贵的数据资源。

三是高端科学基础模型供给不足,国际影响力偏弱。我国通用大模型数量较多,但具备国际领先水平的科学基础模型偏少,在物理、材料、能源、航空航天、生物医药等关键领域,缺少融入科学机理、具备自主创新能力的权威科学模型,模型“科学可信性”与工程化落地能力有待提升。同时,我国科学模型的开源生态不完善,模型算法、训练框架等核心技术对外依赖度较高,缺乏自主可控的核心技术体系,国际影响力偏弱,难以参与全球AI for Science模型领域的竞争与合作。

四是智能科研链条断裂,软硬协同与自动化水平不高。大型科研仪器设备智能化升级滞后,多数科研仪器智能化程度低,难以实现与AI模型、数据平台的高效交互。模型与实验装备接口不统一、交互不畅,“数据—模型—实验”闭环尚未全面贯通,导致科研数据无法及时反馈至模型进行优化,模型预测结果难以快速转化为实验方案,影响了科研效率与创新质量。自动化实验室、智能科研平台建设仍处起步阶段,全国性AI for Science开源社区与工具链生态不完善,产学研协同效率不高,科研机构、高校、企业之间的协同创新机制不健全,难以形成推动智能科研链条贯通的合力。

三、我国AI for Science基础设施体系构建路径

(一)优化全国算力布局,提升协同调度与供给效能

构建国家科研专用算力体系,在科教资源密集区、大科学装置集聚区建设专用算力示范节点,部署异构融合算力,定向支撑前沿科学计算与大模型训练。加快建设全国一体化智能算力调度平台,实现跨区域、跨类型算力统一接入、智能调度、弹性供给,大幅提升全国算力使用效率与科研适配性。推动低碳算力枢纽建设,发展面向科学研究的标准化算力云服务,推广“算力券”等支持机制,降低科研单位与创新团队算力使用成本。

(二)破除数据壁垒,构建高质量科学数据治理体系

制定国家科学数据标准规范,全面对接国际FAIR原则,建立统一数据接口、元数据标准与质量评价体系,打通跨域数据汇聚整合通道。强化科研数据安全保障,运用区块链、隐私计算等技术,实施数据分类分级、分级授权与全程溯源,推广“可用不可见”安全共享模式。完善数据产权与激励机制,建立数据贡献补偿、收益分配、署名共享等制度,激活科研数据、产业数据、公共数据要素价值。

(三)推动软硬融合,贯通智能自主科研全链条

实施国家科学基础模型专项,组建跨学科创新联盟,研发融入物理规律、科学先验知识的高可信科学模型,强化关键领域自主模型供给能力。加快大型科研仪器与装置智能化升级,攻关模型-装备交互、统一控制接口、实时反馈等关键技术,提升科学装置智能化水平。建设国家级自动化实验室与云实验室网络,构建“假设生成—实验执行—数据分析—模型优化”全闭环科研模式,形成数据、模型、实验相互赋能生态。

(四)完善智研创新生态,强化关键要素保障

打造国家级AI for Science开源社区,设立开源贡献激励机制,推动算法、模型、数据集、工具链开放共享。研发国家级科研专用算法库、数据标注工具、预训练框架与仿真平台,降低科研团队重复开发成本。加强“人工智能+基础学科”复合型人才引育,构建产学研用协同培养机制,完善“人才+算力+数据+项目”一站式支持体系。

四、结论与展望

人工智能赋能科学研究是不可逆的科研范式变革趋势,AI for Science基础设施作为智能科研体系的核心底座,是各国抢占前沿科技制高点、提升原始创新能力、实现高水平科技自立自强的战略核心载体。当前美、欧、英等科技强国/地区均通过国家高位统筹、工程化系统布局,构建了适配前沿科研需求的算力、数据、模型、智能实验一体化支撑体系,形成了自主可控、协同开放的发展格局。我国AI for Science基础设施建设已具备政策、算力、数据、场景等基础优势,但仍存在算力结构错配、科学数据孤岛严重、高端科学模型供给不足、智能科研全链条贯通不畅等突出短板。立足全球科技竞争格局与我国创新发展需求,需从算力调度优化、科学数据治理、科研全链条智能化、创新生态培育四大维度系统完善基础设施体系,补齐发展短板,全面激活AI赋能科研创新的核心动能,为我国科研范式转型升级、科技核心竞争力提升筑牢基础。

伴随人工智能与基础科学研究的深度融合,AI for Science基础设施将持续迭代升级,成为驱动科技创新的常态化核心支撑。未来我国需持续跟踪全球AI for Science领域前沿动态与各国战略布局,主动参与国际标准制定、深化国际产学研合作,吸收先进建设经验并完成本土化创新;持续攻坚算力核心硬件、科学可信模型、智能实验装备等关键核心技术,突破基础设施自主可控瓶颈;持续推动基础设施与材料科学、生物医药、核聚变、量子科技等前沿科研场景深度融合,完善人才培育、政策保障、协同创新长效机制,不断贯通智能科研全链条,持续释放AI赋能科研创新效能,为我国前沿科学突破与科技强国建设提供长效支撑。

来源:尹倩 左茜 孙占(江苏省科学技术情报研究所;江苏省科学技术发展战略研究院)/文,首发刊载于《科技中国》杂志2026年第9期 特别关注栏目