化学反应精准预测，材料研发告别“碰运气”……AI如何重塑科研范式？

当人工智能（AI）的浪潮涌向科学研究，会激起怎样的浪花？日前，2026年“创·在上海”国际创新创业大赛“LIT DAY创业者活动日”分会场，聚焦“AI for Science”的清创荟006期专题路演在上海启迪之星高质量孵化器举行。来自清华大学的学者、创业者和投资人共同交流AI重塑科研范式的探索与前景，为科学智能项目的成果转化搭建快车道。

当前，化学数据集普遍存在数据单一、格式多样的问题。中国科学技术大学常晓军团队将AI应用于化学合成与逆合成领域，构建了一个包含360万化学反应数据和27万化学分子数据的多模态数据集。通过引入三维结构信息，AI首次不仅能理解单个分子，还能掌握分子间的反应机制。常晓军表示，借助大模型应对数据匮乏与杂乱的问题，科学家可以从繁琐的试错中解放出来，将精力投入到更具创造性的科学探索上。

AI应用正从学术研究走向产业实践。在生物医药领域，水木未来团队将AI引入冷冻电镜，构建起数字化生物医药基础设施。最初依靠人力耗时数月的蛋白质结构解析，如今缩短至5到10分钟，新药研发效率将大幅提升。

在新材料领域，氮化硅陶瓷基板正成为兼具高效散热与可靠绝缘的新一代高性能工程材料。但其研发长期依赖有限经验，通过摸索和试错缓慢推进。声子时代团队利用AI构建材料数据库，加速先进电子封装材料的研发，实现了从配方设计到工艺放大的快速迭代，其自研产品的导热率已超过国际同类产品。

AI不仅加速了科研流程，也开始触及人类经验难以抵达的地带。人们对高熵合金等复杂金属材料的认知仍然有限。这类材料通常由多种主元元素构成，传统研发模式下，面对庞大的元素组合空间，科学家只能同时调配2到3种元素，许多高性能材料靠“碰运气”发现，再作局部增量改进。创材深造创始人王轩泽介绍，利用AI可更高效探索新材料体系，其自研平台已能实现8种元素的联动优化，大幅拓展了研发边界。

然而，与会者也认识到当前科学智能面临的现实挑战。大模型的“黑盒”与“幻觉”问题，让科学家难以完全信赖其输出结果。从实验室里的AI设计到工厂的稳定量产，中间也横亘着复杂的工程化难题。

如何让大模型成为真正可用的AI？上海交通大学重庆人工智能研究院齐鹏认为，应像管理人类团队一样管理AI，通过设定边界、过程留痕、结果可验证等机制，将大模型的通用能力与确定性工具相结合，打造出可信、可控的科研及产业应用。

未来，AI或许不仅是科学家的“工具”，更会成为“智能伙伴”。上海交通大学计算机学院副教授陈露介绍，当前大模型已在文献调研、实验设计、数据分析和想法迭代等科研全流程中发挥作用。通过领域知识增强、外部工具调用、多模态理解和持续学习，大模型有望进化为具备自主科学发现能力的智能体系统，推动科学研究从经验科学、计算科学、数据科学迈向智能驱动的新阶段。