赛迪前瞻：2025年AI for Science发展历程、应用布局与对我启示报告（16页）.pdf

1、 -1-2025 年 6 月 16 日 第2025 年 6 月 16 日 第2525期 总第 906 期期 总第 906 期 AI for Science 发展历程、应用布局与对我启示发展历程、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 AI for Science 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，AI for Science 正成

2、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 AI for Science 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。-2-一、一、AI for Science 历经萌芽、探索和快速发展三个阶段历经萌芽、探索和快速发展三个阶段 AI for Science（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。AI for Science 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

3、，其发展历程可以分为以下几个重要阶段：萌芽阶段（萌芽阶段（1950s-20 世纪末）：计算机辅助科学的早期尝试世纪末）：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 DEN

4、DRAL、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 -3-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（探索阶段（21 世纪初世纪初-2010 年代中期）：机器学习与科学研究的初步结合年代中期）：机器学习与科学研究的初步结合。进入 21 世纪

5、，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（Geoffrey Hinton）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

6、识别 -4-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 for