AI for Science年度盘点｜人工智能驱动科学革命的10大进展

导读

2025年，人工智能在科学界的角色发生了决定性转变，它已超越单纯的“分析工具”，成为一个能主动作为的科研伙伴，能够提出新颖假说、从头设计全新分子，并以前所未有的精细度预测行星系统。

2025年，人工智能在药物发现、气候科学和材料工程等关键领域取得了突破性进展，大大加速科学发现，由人工智能引领科学革命的浪潮已经到来。

值得一提的是，中国虽然没有选一例入选，但许多关键领域都接近行业领先水平。本文结合行业专家、ChatGPT、Gemini、Deepseek等模型的分析，对2025年最具代表性的研究案例进行分析总结。

深究科学｜来源

01

BioEmu-1：模拟蛋白质复杂构象

BioEmu-1模型由微软研究院AI for Science团队开发，今年发表在Science杂志上，团队核心成员包括SarahLewis、TobiasHempel等。

BioEmu采用扩散模型架构，结合AlphaFold的Evoformer编码器和二阶积分采样技术高效地从蛋白质构象分布中采样，通过结合AlphaFold数据库中的静态结构、超过200毫秒的分子动力学（MD）模拟数据，以及50万条蛋白稳定性实验数据，训练后能够在单张GPU上每小时生成上千个独立蛋白质结构。

BioEmu模型示意图

BioEmu能模拟蛋白质在功能过程中出现的关键结构变化，如隐性口袋、局部解折叠和结构域重排，模拟成功率分别达到70%、75%、80%。

BioEmu以前所未有的效率和精度模拟了蛋白质的构象变化，这为理解蛋白质功能机制和加速药物发现打开了新路径。应用场景包括药物研发、蛋白质工程、结构生物学等。

02

MatterGen：材料设计突破性工具

MatterGen是基于扩散模型的晶体材料生成模型，该模型由微软研究院
团队完成，并发表在Nature发表，团队核心成员包括谢天等。

MatterGen是材料逆向设计的突破性工具，可大幅提升新型稳定材料的生成效率与定向可控性。应用场景包括新型能源材料、功能材料设计等。

与现有生成模型相比，MatterGen生成的稳定、独特且新颖材料的比例提高了2.9倍，接近局部能量最小值程度提升了17.5倍。

在合成材料验证中，模型生成的结构与实际材料高度一致，并且模型能够识别具有相同成分无序结构的不同材料。

03

Aurora：精准预测大气

Aurora是一款大气预测模型，该模型由微软研究院与剑桥大学等机构联合开发，论文发在Nature杂志上，核心团队成员包括Paris Perdikaris等。

Aurora模型基于超百万小时天气气候模拟数据训练，采用3D SwinTransformer与Perceiver编码器解码器架构，能处理多维度大气变量，训练周期仅4-8周，远短于传统基线模型的数年时长。

Aurora架构示意图

相较于最先进的数值预报系统IFS，Aurora计算速度提升约5000倍，且成本更低，其在空气质量、海浪、热带气旋路径及高分辨率天气预报四大领域均达SOTA水平，如5天热带气旋路径预报全面超越7个业务预报中心。

Aurora可灵活微调适配多样预测任务，可让数据稀缺地区获得精准气象信息，可助力农业、能源、灾害应对等领域应对气候变化挑战，为构建全地球系统综合模型奠定了基础。

04

Quantum Echoes：量子物理模型

Quantum Echoes是一款基于超时序关联器（OTOC）的量子算法，由谷歌Quantum AI团队及其合作者开发，论文于2025年10月发表于Nature杂志。

其核心原理是通过量子系统正向演化—扰动—反向演化的流程，借助相长干涉放大信号、抵消噪声，将难测量的量子关联转化为可观测的“量子回声”，从而实现高灵敏度的系统结构与动力学映射。

Quantum Echoes算法不仅在量子多体动力学模拟上比Frontier超级计算机快约13000倍（2小时完成经典机3年任务），更首次达成可验证、可复现的量子优势。在分子结构测定实验中，其结果与成熟技术高度一致。其应用覆盖量子多体物理、材料科学、量子化学等领域，可为相关研究提供高效工具，并助力加速量子计算实用化进程。

05

RFdiffusion2：全新蛋白设计

RFdiffusion模型是华盛顿大学David Baker团队开发的深度学习驱动的蛋白质结构从头设计工具。2025年，基于该模型Baker团队发了一系列高水平论文。

简单来说，RFdiffusion2模型基于RoseTTAFold All-Atom架构，可自动推断侧链构象与序列索引，高效生成蛋白支架，其核心优势在于可仅基于功能基团原子坐标设计酶，无需规定残基顺序或逆向旋转异构体枚举，能直接适配无序列索引原子、部分配体等复杂活性位点需求。

RFdiffusion2蛋白质设计示意图

2025年，Baker团队在Nature杂志的一项研究显示其设计的抗体与流感血凝素、艰难梭菌毒素B等靶点结合构象契合度高，CDR环设计达原子级精度，经亲和力成熟后可实现个位数纳摩尔级结合强度。

另外，Baker团队使用RFdiffusion从头设计针对三指毒素（3FTx）蛇毒中和蛋白，获得了具有显著热稳定性、高亲和力以及与计算模型近乎原子水平一致性的蛋白质，论文同样发表于Nature杂志上。

RFdiffusion强大的功能使得其成为当前计算蛋白设计领域的核心工具之一。

06

Evo-2：基因组模型

Evo-2模型由来自 Arc研究所、斯坦福大学及NVIDIA等团队联合推出，核心成员包括Brian L. Hie、Patrick D. Hsu等，可广泛应用于疾病基因组学、合成生物学等领域，助力临床变异评级、基因组设计等任务。

Evo-2是一款兼顾预测与生成的基因组基础模型，覆盖原核、古菌等全生命域，具备单核苷酸分辨率，支持100万bp超长上下文窗口。其核心能力突出，零样本即可精准预测非编码致病变异、BRCA1临床变异等，还能生成高自然度基因组序列，自主习得外显子-内含子边界等生物特征。

相较于同类模型，Evo-2数据覆盖更全、架构更高效，零样本性能优异且完全开源，大幅降低落地门槛。

07

DeepMind全自动实验室

DeepMind Automated Labs是DeepMind公司提出的一项研究新范式和物理科研设施，它基于通用模型Gemini架构，由AI系统基于现有数据生成假设并负责实验设计，机器人系统执行实验，机器学习模型分析结果以确定下一步流程。设施全流程自动化，可7×24小时运行。其中Gemini作为核心智能层，负责多模态理解、实验规划、代码生成与多智能体协作。

DeepMind自动化实验室旨在加速涉及复杂的化学和物理相互作用、需要大规模迭代实验的新材料研发进程，特别是超导体和先进半导体材料。

人工智能系统则以规模化的方式执行的新范式，并有望扩展到制造、药物发现、能源优化，甚至工业研发等任何依赖重复测试和优化的领域。

08

MAGE：抗体全新设计范式

MAGE是首个无需模板即可设计多种靶标抗体的序列型蛋白质语言模型，由Vanderbilt大学Ivelin S.Georgiev团队提出并发表在今年的Cell杂志上。

MAGE基于十亿级蛋白序列上预训练的自回归解码器模型Progen2微调，经18507对抗体-抗原序列训练，可仅输入抗原序列，直接生成配对人源抗体的重链和轻链抗体可变区序列，且生成抗体具备多样化序列特征与新型互补决定区序列。

MAGE模型示意图

在MAGE模型生成的1000条抗体序列中，99.1% 通过结构完整性与人源性筛选。与训练集中最相似序列相比，重链平均差异 11.7 个残基，轻链差异 1.4 个，这显示其创新性。在针对新冠病毒抗体设计中，20种生成抗体中9种具结合特异性，1种中和效价优于10纳克/毫升。

MAGE为新兴病原体快速响应提供可能，未来结合结构预测等技术，有望重塑抗体发现与疫苗设计范式。

09

AlphaEvolve：通用算法

AlphaEvolve是一款由Gemini系列大语言模型驱动的进化式编码智能体，专注于通用算法的自主发现与迭代优化，由Google Deepmind提出，预印本发表于arxiv平台。

其核心依托Gemini Flash与Gemini Pro协同工作，前者拓展思路广度，后者深挖优化要点，结合自动化评估器与进化算法，实现“提示生成-程序创作-评估筛选-迭代进化”的全链路自主运行，确保解决方案的准确性与优质性。

AlphaEvolve工作流程

应用层面，AlphaEvolve已深度赋能谷歌计算生态：优化数据中心调度提升资源利用率，优化芯片设计Verilog代码，成果融入下一代TPU芯片；提升AI训练效率，使Gemini核心矩阵运算提速23%，Flash Attention机制运算最高提速32.5%。

在学术领域，它突破4×4复矩阵乘法最优解，为“接触数问题”等50余个开放性数学问题提供解法，20%案例超越现有最优解。AlphaEvolve突破单点函数局限进化完整代码库，为数学领域及计算实用场景提供了高性能算法解决方案。

未来，其通用架构有望拓展至材料科学、药物研发等领域，推动更多行业创新。

10

Future House：人工智能科研代理

Future House是由MIT博士山姆·罗德里格斯（Sam Rodriques）和安德鲁·怀特（Andrew White）建立的一家多智能体代理平台。

平台核心为四款专业代理：Crow通用检索，提供简明学术答案；Falcon深耕文献综述，覆盖多专业数据库；Owl聚焦“前人是否做过X”的问题；Phoenix（实验性）助力化学实验规划。另有一款尚未发布的专为实现生物学领域数据驱动的自动化发现而设计的智能体Finch。

这些平台智能体基于其拥有240亿参数的开源化学推理模型ether0模型。经基准测试，前三者检索精度与准确性优于主流模型，且超越博士级研究人员。

不同模型搜索精度与准确性比较

未来，这一平台应用场景包括可快速挖掘疾病机制、识别文献矛盾、批判分析研究方法，还能通过API定制流程，助力蛋白靶点筛选与化学空间分析等，大幅加速科学发现进程。

简而言之，2025年不仅有更好的模型，更是“科研伙伴”崛起的一年。像AlphaEvolve和谷歌最新科研智能体这样的系统，能够识别药物重定位候选者，并在数天内预测抗菌素耐药性，其工作成果可媲美人类团队过去数年的努力。

随着人工智能从工具转变为合作伙伴，科学方法本身正在被改写——其进程加速了百倍，唯一的限制仅在于实验室验证的速度。

人工智能已深度参与科研过程的各个环节，并将在今后仍会带来一系列突破。

Deep Science预印本