3月4日，香港科技大学和香港科技大学上海中心联手在上海中心举办了一场主题为“AI for Discovery：从范式革命到产业重构”的学术峰会。这次活动汇聚了一大批院士、顶尖学者和产业领袖，共同探讨人工智能如何助力科学研究。大家都觉得，人工智能已经不是简单的工具，而是成了科学发现的“合伙人”。 最近，国内高校都在忙着布局人工智能赋能科学研究，这个领域已经不再只是理论探讨，而是实实在在地推动科研范式发生了改变。2026年初的时候，国内多所高校都在这个领域密集展示了他们的成果。比如复旦大学和上海科学智能研究院联手推出的“星河启智科学智能开放平台”，有个叫“大圣”的超级科研合伙人，它把多模态科学大模型、300多个专家级科研技能模块和长周期群体记忆架构整合到了一起。它能够理解自然语言任务，自己完成“假设—实验—验证—迭代”的整个过程。上海交通大学也不甘示弱，发布了通用科研智能体SciMaster和它的底层模型Innovator。这个平台覆盖了从搜资料到写报告的全链条能力，还能自动调用各种工具。 记者在会上了解到，港科大正在推进一个叫“AI for Lab”的计划，要开发一个叫AINA的实验室智能体。这个计划的目标是把主动推理和自动化实验深度融合起来，让AI既能动手又能思考。这种效率提升效果很明显，比如郭毅可院士分享了一个案例：他们开发的智能体只用两天时间就自动生成了一个完整的实验室工作流程。复旦大学的“大圣”智能体在RNA分类和设计上准确率高达96%，把实验成功率提高了超过50%。它还支撑了价值2000万元的新型补锂剂研发，以及潜在价值5亿美元的FIC类药物发现。上海交通大学的SciMaster展现出极致的效率，它运行6小时的成果就能比得上资深理论物理学博士工作1至3个月的成果。 香港科技大学副教授陆萌茜带领团队通过AI技术颠覆了地球系统科学的可预报性认知，提前一个月预报台风数量的误差只有0.5个。中国科学院院士张统一带领团队通过AI多目标优化破解了材料强度与韧性相互制约的难题。 不过大家也都认同现在还处于起步阶段，有很多瓶颈需要突破。比如硬件问题和实验反馈慢的问题。汪军教授指出科学实验中机械臂损坏、设备故障会导致实验停滞，而化学、材料等领域实验结果反馈周期长与AI快速推理形成矛盾。陆萌茜副教授还提到纯数据驱动的模型难以捕捉复杂系统的物理规律。跨学科人才稀缺也是一个重要问题。 总之，中国高校正在加速布局AI for Science领域，并且通过科研智能体引领科研范式变革。这个领域不仅提高了效率、缩短了周期，还实现了跨领域的突破。虽然还存在一些瓶颈需要解决，但它无疑是未来科学研究中不可或缺的一部分。