2025年AI for Science发展历程、应用布局与对我启示报告.pdfVIP

2025年6月16日第25期总第906期

AIforScience发展历程、应用布局与对我启示

4月25日，习近平总书记在主持二十届中共中央政治局第

二十次集体学习时强调，以人工智能引领科研范式变革，加速各

领域科技创新突破。赛迪研究院分析AIforScience概念内涵，

梳理发展历程与应用布局现状，认为当前人工智能技术在科学研

究领域加速应用，成为破解科研阻梗和加速科学进程的关键助力，

AIforScience正成为全球科技强国争相抢占的新高地，并据此提

出几点启示，以期支撑AIforScience前沿技术与应用落地加速

发展，推动前沿科学领域加速突破，助力我国科技强国建设。

-1-

一、AIforScience历经萌芽、探索和快速发展三个阶段

AIforScience（又称AI4S，即人工智能驱动的科学研究）是

利用人工智能技术和方法，通过从海量数据中提取有价值的信息，

构建模型以预测和解释自然现象等，助力解决科学研究中的复杂

问题和科研挑战，从而加速科学发现的进程。AIforScience发展

是人工智能技术进步、科学数据积累和科学计算发展融合演进的

过程，其发展历程可以分为以下几个重要阶段：

萌芽阶段（1950s-20世纪末）：计算机辅助科学的早期尝试。

从1936年阿兰·麦席森·图灵提出图灵机的构想开始，人类从未停

止对人工智能应用的思考和探索。1950-1980年代，计算机主要

用于数值计算领域，并在数值模拟领域得到应用。科学家们利用

计算机进行复杂的物理系统模拟，解决大量的数学方程，推动了

计算科学的初步发展。1980年代，专家系统的兴起带动人工智

能发展迎来小高潮。专家系统通过逻辑推理模拟人类专家决策，

验证了知识工程的潜力，将其应用于化学分析、医学诊断等领域，

代表如研究有机分子识别的工具DENDRAL、医疗诊断工具

MYCIN和CADUCEUS等，但因依赖人工规则和有限的数据处

-2-

理能力，其应用范围受限。1990年代起，机器算法和神经网络

的研究快速发展，特别是1997年IBM的深蓝超级计算机战胜国

际象棋世界冠军卡斯帕罗夫，引发了全球对AI在复杂任务上应

用潜力的关注。此阶段以计算机作为辅助工具、以解决特定科学

问题为核心特征，但受限于符号逻辑主导的算法、缺乏数据驱动

能力和有限的计算能力，使其难以应对复杂系统的动态建模。

探索阶段（21世纪初-2010年代中期）：机器学习与科学研

究的初步结合。进入21世纪，随着计算能力大幅提升、科学数

据库初步积累以及卷积神经网络（CNN）、循环神经网络（RNN）

等一系列关键算法突破，科学家开始尝试利用AI从大规模数据

中自动提取高层次特征、挖掘科学规律。特别是深度学习等技术

的发展推动AI在图像识别、语音识别等领域的突破，为科学研

究带来了新的机遇。2006年，杰弗里·辛顿（GeoffreyHinton）提

出深度信念网络（DBN），推动深度学习训练方法的发展。同年，

NVIDIA推出CUDA框架，利用GPU的并行处理能力加速各种

计算任务，大大提升了深度学习算法效率。2008年，Google语

音识别应用程序基于隐马尔可夫模型等技术，大大提高语音识别

-3-

的准确率，这些技术后被迁移至蛋白质序列分析领域。2012年，

杰弗里・辛顿与他的两位研究生训练的深度卷积神经网络

（AlexNet）在ImageNet图像识别竞赛中以碾压优势夺冠，验证

深度学习在复杂数据中的潜力，推动计算机视觉技术向科学领域

渗透。这一阶段，AI仍以辅助性角色存在，应用集中于基因组

学、化学信息学、天文学等数据密集型领域，特别是2003年人

类基因组计划完成后对海量数据分析的需求激增，AI技术被用

于基因序列分析、基因表达数据处理等，而物理、材料等机理驱

动学科仍以传统计算为主，尚未形成系统性方法论，但这也推动

了从专家系统到数据驱动模式的发展，为后续AI