【AI】2025年科学智能白皮书-上海科学智能研究院.pdf

1、第一章 序言1.定义与范式2.发展与态势 3.数据分析第二章 AI 前沿1.从大语言模型走向自主智能体2.具身智能3.脑机接口4.AI 内生安全第三章 数学1.基础理论2.优化3.统计4.科学计算5.复杂系统第四章 物质科学1.物理 2.化学 3.材料 4.能源 第五章 生命科学1.合成生物学2.医学 3.神经科学 4.医疗 5.演化第六章 地球与环境科学 1.大气科学 2.环境科学 3.生态科学 第七章 工程科学 1.通信 2.遥感 3.微电子 4.空间信息第八章 人文社会科学1.社会科学2.人文科学3.AI 伦理治理第九章 展望与政策1.未来挑战与研究方向2.政策框架目录345121314

2、1518181920212425262730313233343738394242444548495051511第一章徐增林 复旦大学、上海科学智能研究院程 远 复旦大学、上海科学智能研究院杨燕青 上海科学智能研究院徐 燕 上海科学智能研究院第二章邱锡鹏 复旦大学 付彦伟 复旦大学 王守岩 复旦大学 杨 珉 复旦大学 邹 宏 复旦大学 第三章陆 帅 复旦大学 石 磊 复旦大学 魏 轲 复旦大学 朱雪宁 复旦大学 高卫国 复旦大学 李颖洲 复旦大学 林 伟 复旦大学 杨 伟 复旦大学 第四章向红军 复旦大学季敏标 复旦大学刘智攀 复旦大学 曹风雷 上海科学智能研究院高 悦 复旦大学 第五章 应天雷

3、 复旦大学 郁金泰 复旦大学 刘 雷 复旦大学 程 远 复旦大学、上海科学智能研究院朱思语 复旦大学、上海科学智能研究院彭汉川 复旦大学 徐书华 复旦大学 第六章李 昊 复旦大学、上海科学智能研究院张宏亮 复旦大学 赵 斌 复旦大学 第七章迟 楠 复旦大学 徐 丰 复旦大学 刘 琦 复旦大学 曾 璇 复旦大学 杨 帆 复旦大学 高 跃 复旦大学 第八章吴力波 复旦大学、上海科学智能研究院唐世平 复旦大学 胡安宁 复旦大学 周葆华 复旦大学 吴肖乐 复旦大学 傅晓明 复旦大学 文少卿 复旦大学 杨庆峰 复旦大学汤维祺 复旦大学 第九章应天雷 复旦大学 颜 波 复旦大学 主席金 力 复旦大学委员（

4、按姓氏拼音字母排序）步文博 复旦大学龚新高 复旦大学金亚秋 复旦大学彭慧胜 复旦大学研究团队内容支持吴文婷 施普林格自然张嘉慧 施普林格自然Rebecca Dargie 施普林格自然John Pickrell 施普林格自然数据支持巨 蓉 施普林格自然黄珏珺 施普林格自然陈佳怡 施普林格自然Vivek Aggarwal 施普林格自然项目协调徐晓创 复旦大学杨燕青 上海科学智能研究院王晓夏 施普林格自然丁思嘉 施普林格自然张瑶瑶 施普林格自然排版设计赵新武 施普林格自然Sou Nakamura 施普林格自然专家委员会漆 远 复旦大学、上海科学智能研究院沈维孝 复旦大学吴力波 复旦大学、上海科学智能

5、研究院张人禾 复旦大学科学智能白皮书 2025 23第一章 序言第一章序言1.定义与范式1.1 定义面向科学研究的人工智能（AI)创新和人工智能驱动的科学研究的总和可被定义为科学智能（AI for Science,AI4S），是体现了人工智能创新与科学研究双向促进与深度融合1，从而变革科研范式。1.2 范式科学研究促进人工智能创新。传统科研范式大致可分为经验归纳（实验科学）、理论建模（理论科学）、计算模拟（计算科学）以及数据密集型科学2。实验科学由自然现象和实验结果归纳出一般性规律，但没有抽象出经验规律背后的普适理论。理论科学基于自然现象或实验结果，提炼科学问题并形成科学假设，然后运用逻辑推理

6、和数学分析，构建普适理论，但难以在复杂系统中实验验证。计算科学以科学模型为基础，通过数值方法模拟复杂系统，但需要简化模型以及提高模拟精度，以解决模拟系统精度低且计算成本高的挑战。随着技术的发展和数据规模的增长，出现了数据密集型科学的研究范式。这一范式利用机器学习方法，自动从数据中发现统计关联，一定程度上避免了提出科学假设，但无法发现因果关系，且难以分析低质量数据和发现复杂系统中的规律。当前的科学研究主要面临系统复杂性的挑战，相互关联的自然、技术和人类系统受到跨时间和空间尺度作用力的影响，导致复杂的相互作用和涌现行为1。传统科学研究方法难以应对这些复杂性挑战，迫切需要新的科学研究方法。针对复杂数

7、据中的因果关系，发展了一系列新的因果推断方法。针对高质量科学数据缺乏问题，如大气数据、天文数据等，发展了生成式人工智能技术，如扩散模型和大语言模型。针对处理复杂系统的局限性，发展了融合先验知识的深度学习，将先验知识嵌入深度神经网络，在增强模型可解释性的同时，显著提高模型的泛化能力，如物理信息神经网络3。人工智能创新重塑传统科学研究过程，加速科学发现。人工智能通过融合数据和先验知识的模型驱动、假设生成与验证、自动与智能化实验以及跨学科合作等方式，加速科学发现。传统科学发现以实验观察和理论建模为核心，提出科学假设并归纳一般规律，如物理定律。人工智能则采用模型驱动的方式，从大规模数据中自动发现隐藏的

8、规律，diyun Zhu/Moment/Getty科学智能白皮书 2025 452.发展与态势 2.1 最新进展随着深度学习、生成模型与强化学习等技术的突破，人工智能不仅能从海量数据中识别人类难以察觉的复杂模式，更展现出自主提出科学假设、设计实验方案、优化研究路 径 的 惊 人 能 力。DeepMind 推 出 的AlphaFold 31突破性地实现了对几乎所有分子类型的蛋白质结构预测，提高了蛋白-配体相互作用预测的准确度，为新药研发、疫苗 设 计 带 来 革 命 性 变 革。Google 的GraphCast 模型2、华为“盘古”大模型3、复旦大学“伏羲”大模型4等 AI 气象模型显著提升了

9、全球天气预报能力，实现更长时间尺度、更高精度的天气预测。普林斯顿等离子物理实验室利用强化学习优化等离子体控制，解决撕裂不稳定性问题，加速核聚变能源的实现5。加州大学伯克利分校和劳伦斯伯克利国家实验室利用机器人执行实验，机器学习规划实验并结合主动学习优化实验过程，研发用于无机粉末固态合成的自动实验室 A-Lab，显著提高了材料合成效率6。2.2 前沿科学问题与突破路径2.2.1 如何构建跨尺度的科学智能模型科学研究涉及从原子尺度到宏观系统的跨尺度建模，但当前 AI 模型通常仅适用于单一尺度，缺乏有效的多尺度耦合机制。为了解决这一挑战，可以从以下几个方面寻找突破路径：利用物理模型与 AI 的耦合建

10、模，将已知的物理规律嵌入到 AI 模型中构建跨尺度关联，打造“灰盒模型”，提高模型的可信度和计算效率。开发跨尺度、多模态统一的神经网络架构，用于从微观到宏观的统一建模。2.2.2 如何提升 AI 模型在科学研究中的泛化性AI 模型依赖大规模训练数据，而高质量的科学数据往往有限。在数据有限的情况下，模型可能无法学习到有效的特征，难以适应新的领域或任务，限制了其在实际科学问题中的应用。为了解决这一挑战，可以从以下几个方面寻找突破路径：利用生成式模型生成高质量科学数据，补充数据稀缺领域的样本多样性。通过预训练跨领域基础模型，结合小样本学习技术，快速适应新任务或学科场景2.2.3 如何利用 AI 拓展

11、科学发现的创新边界AI 目前仍局限于已有知识的重组与推理，主要通过对已有数据的模式识别和重组来生成结果，而缺乏真正的创造性思维。科学研究往往涉及跨学科的知识和数据，AI 模型在整合不同领域的知识时存在困难。如何使其真正参与科学假设的提出和验证，仍是未解的难题。为了解决这一挑战，可以从以下几个方面寻找突破路径：构建跨学科知识图谱、因果推理和生成模型，整合多领域知识库，使 AI 能够从已有知识中提取洞察并提出新颖的科学假设。建立强化学习驱动的 AI 辅助实验设计、数据分析、理论建模的闭环系统，实现自动化科学发现。开发可视化工具与交互界面，将AI 生成的假设映射为可解释的科学逻辑链，支持领域专家进行

12、修正与理论完善。传统科学发现从大规模解空间中生成候选假设并验证，效率低且难以找到高质量解4。人工智能凭借强大的数据处理和分析能力，可以更有效地探索解空间，生成高质量的候选假设。例如，在纯数学领域，机器学习可以辅助数学家发现新的猜想和定理5。科学研究依赖于实验评估理论。传统的实验设计和优化方法依赖人工经验和反复试错，成本高且效率低，如材料合成以及核聚变。人工智能与机器人技术结合可以实现实验的自动化设计与执行，并根据实时数据调整实验参数，优化实验流程和候选对象。总之，人工智能可以有效整合不同学科的数据和知识，打破学科壁垒，促进多学科深度融合，解决学科的挑战性问题。跨学科合作不仅拓展了各学科的研究边

13、界，还催生了计算生物学、量子机器学习、数字人文等新兴学科。1.P.Berens.et al.AI for science:an emerging agenda.arXiv Preprint,https:/arxiv.org/abs/2303.04217v1(2023).2.T.Hey.et al.The Fourth Paradigm:Data-Intensive Discovery,Microsoft(2009).3.Raissi,M.et al.Physics-informed neural networks:a deep learning framework for solving fo

14、rward and inverse problems involving nonlinear partial differential equations.J.Comput.Phys.378,686707(2019).4.Griffin,C.et al.A new golden age of discovery:seizing the AI for science opportunity.Technical report,https:/ al.Advancing mathematics by guiding human intuition with AI.Nature 600,70-74(20

15、21).1.Abramson,J.et al.Accurate structure prediction of biomolecular interactions with AlphaFold 3.Nature 630,493500(2024).2.Remi Lam et al.,Learning skillful medium-range global weather forecasting.Science 382,1416-1421(2023).3.Bi,K.et al.Accurate medium-range global weather forecasting with 3D neu

16、ral networks.Nature 619,533538(2023).4.Chen,L.et al.FuXi:a cascade machine learning forecasting system for 15-day global weather forecast.npj Clim.Atmos.Sci.6,190(2023).5.Seo,J.et al.Avoiding fusion plasma tearing instability with deep reinforcement learning.Nature 626,746751(2024).6.Nathan,J.S.et al.An autonomous laboratory for the accelerated synthesis of novel materials Nature 624,8691(2024).第一章 序言核心AI地球与环境科学工程科学人文与社会科学生命科学数学物质科学总量AI4S总量308.87330.57367.86414.58466.41648.57753.50821.57907.4295