“第三條腿”：AI，已經給這些中國科學家帶來哪些改變？

9月22日，2025浦江創新論壇之“未來化學論壇”在上海舉辦。

撰文｜戴晶晶

人工智能（AI）自誕生以來，就承載著加速科學發展、破解世界性難題的種種期望。2024年諾貝爾獎更是將AI推到了科學舞臺的中央。

當AI以前所未有的速度滲透科學研究時，隨之而來的新問題是，科學探索的方式將被改寫到何種程度？

9月22日，2025浦江創新論壇之“未來化學論壇”在上海舉辦。該論壇由上海尚思自然科學研究院承辦，以“AI—Charting the Future of Chemistry Research”為主題，集合海內外頂尖專家探討AI如何顛覆傳統化學研究范式、推動化學智能系統發展，以及促進跨學科融合等話題。

“很多人把AI看成是工具，”上海尚思自然科學研究院院長魯白在論壇上指出，“但我認為AI從根本上改變了科學研究的范式。”

中國科學院院士、中國科學院大連化學物理研究所教授楊學明認為，化學學科發展的根本目標在于建立更精確的理論和模型，以提升對科學問題的可預測性。同時，更快更好地解決重大科學與技術問題，如新材料研發和新藥創制。

“基于數據驅動的AI技術為我們實現這樣的目標帶來了變革性的手段和工具。”楊學明在論壇上表示，AI已經成為除了實驗和理論之外，推動化學學科發展的“第三條腿”。

中國科學院院士楊學明在未來化學論壇

01 AI如何重構科研邏輯

2005年，《科學》雜志曾于創刊125周年之際發布過125個推動基礎科學研究的科學難題，其中包括“水的結構如何”。

“水是非常反常的物質，比如4℃時的液態水的密度要大于水的固態——冰，這與其他物質有截然不同。”在論壇上，中國科學院院士、中國科學院大連化學物理研究所研究員張東輝以“基于機器學習的高精度普適水分子力場的構建”為題進行報告時指出。

中國科學院院士、中國科學院大連化學物理研究所研究員張東輝在未

水看似簡單，由幾個原子組成，但其微觀結構非常復雜，即使是2個水分子也存在12維自由度，4個水分子則涉及30維空間，用傳統方法幾乎不可能把多維函數精確表達出來，也就無法分析水分子微觀結構。

從2013年開始，張東輝團隊嘗試用基本不變神經網絡方法（FI-NN）構建體相水勢能面。“我們用1萬個CPU運算了400天，計算了400多萬個水分子相互作用點，”張東輝說，“精度比過去提高了一個數量級，加入量子效應后，水密度變化的理論計算結果與實驗非常吻合。”

復旦大學教授劉智攀認為，在AI時代，可以通過計算和模擬方法解決化學、材料和物理問題，但目前還存在數據不足、算法不夠通用以及軟件工具不完善的瓶頸。

復旦大學教授劉智攀在未來化學論壇

劉智攀致力于構建一種通用全局勢函數模型，他開發了大規模機器學習原子模擬（LASP）AI平臺，用來預測結構和反應途徑。

通過輸入分子式，LASP平臺可在10-20秒內生成三維結構。“化學家們可以快速篩選勢能面，取得較好的樣本后，再去做實驗，避免了因為勢能面過高而注定會失敗的合成。”劉智攀同時指出，未來甚至有望跳過勢函數直接開展材料與反應設計。

在化學領域，許多研究依賴“試錯法”，通過反復實驗尋找合適的反應條件或材料組合，不僅效率低，還消耗大量資源。

中國科學院院士、復旦大學教授麻生明就在論壇上描述了這一傳統實驗模式，并將其比喻為“搖瓶子”。借助AI工具，麻生明教授團隊開始從大量實驗中搜集數據，通過描述符預測實驗結果，依靠僅僅476條數據集，其模型回歸系數（R2）便達到了0.6。

中國科學院院士、復旦大學教授麻生明在未來化學論壇

02 從理論到產業

在AI for Science的浪潮下，科研不僅關注實驗室的理論突破，也強調了技術攻堅與實際應用的深度結合，生物制藥、化學化工和新材料都在AI的加持下呈現新的發展機遇。

在藥物研發領域，上海交通大學張健教授聚焦First-in-class藥物研發，在論壇上介紹了該團隊闡述基于 Allosteric 技術挖掘難靶向位點、電子云生成優化分子等方法。該團隊研發的P53等候選分子，已推進至臨床階段。

上海交通大學教授張健在未來化學論壇

“通過利用AI藥物研發的效率有所提升，另一方面藥物研發的管線鏈條非常長，”中國科學院上海藥物研究所研究員鄭明月在論壇上指出，目前AI主要在部分環節表現較好，而從新靶點發現到臨床應用的成功案例相對較少。

鄭明月團隊的研究聚焦于利用AI推動藥物研發，縱向包括構建大數據平臺、開發算法，并應用于重大疾病的新靶點和候選藥物分子的發現與驗證，橫向上則針對藥物研發各環節開發AI方法以提升效率。

中國科學院上海藥物研究所研究員鄭明月在未來化學論壇

其中，鄭明月提出了基于蛋白質序列信息預測藥物-靶標作用的TransformerCPI模型，直接從蛋白質序列出發進行藥物設計發現，無需經過基于結構的藥物設計（SBDD）的復雜流程。

“此外我們與其他團隊合作，根據發現的新機制、新靶點，利用基于序列的方法，快速找出活性化合物或者候選的藥物。”鄭明月說。

在新材料方面，日本東北大學教授李昊介紹了其主導的“材料圖靈計劃”，旨在構建以AI賦能的材料數據庫和自動化實驗平臺。他提出了“數字材料”概念，通過整合大規模實驗與理論數據、AI算法以及閉環自動化實驗，加速材料研發。

日本東北大學教授李昊在未來化學論壇

“最終目的是擺脫傳統試錯，加速材料科學突破。”李昊說。目前，該團隊已經搭建覆蓋催化、電池、儲氫等9大材料的百萬級別真實實驗材料數據庫+AI智能體平臺“數字材料平臺”。

03 如何更進一步

“當前大模型訓練已吸收互聯網上絕大多數知識，單純訓練已難以進一步提升智能體水平。”廈門大學教授洪文晶在論壇上提出，具身智能可以讓AI從存量數據挖掘邁向新增數據之路，能應用于分子科學。

廈門大學教授洪文晶在未來化學論壇

洪文晶認為，當前人工智能領域的前沿是空間智能。在分子科學研究中，空間智能幫助科學家理解原子與分子之間的相互作用及其空間連接關系，這要求為大模型提供不同時間尺度和空間分辨率的數據。

洪文晶同時聚焦超分子自由基電子學，展示了其團隊在單分子器件高電導與低功耗領域的突破，為綠色化學與分子電子學融合提供新思路。

“幻覺”問題在將AI應用于科研探索時同樣存在，如何應對成為挑戰。“幻覺問題難以解決，若單純依靠數據驅動做實驗可能有安全風險。”中國科學院化學研究所研究員江劍就指出純數據驅動的短板。

李昊也提到，在在回答稍復雜的科學問題時AI幻覺高達94%。通過收集高質量、創新數據并將其利用至AI大模型平臺，能夠盡可能將AI幻覺降到最低。

鄭明月提及，目前生成式AI可以與知識圖譜協同使用。由于知識圖譜基于事實性數據，可以幫助判斷哪些生成結果可能存在“幻覺”。

為此，鄭明月團隊構建了一個包含8種實體、11種關系、超過400萬條差異基因調控事件的知識圖譜，以支持更準確的靶標推斷和虛擬篩選。

9月22日，2025浦江創新論壇之“未來化學論壇”在上海舉辦。

江劍認為，基于物理知識嵌入的AI模型，才是AI for Chemistry的重要方向。

北京大學的高毅勤教授在作“agent AI與分子計算：從工具到助手”報告時也同樣提及，應將物理規則和實驗信息交給模型，使其在生成新結構或序列時能夠遵循物理規律，從而顯著提升預測準確性和實驗可比性。