研究即产品：AI如何重塑科学与产业的边界？

托马斯·库恩在《科学革命的结构》中提出，科学的发展并非知识的线性积累，而是旧范式向新范式的颠覆与跃迁。2024年诺贝尔物理学奖和化学奖的公布，让“人工智能赋能科学研究（AI for Science，简称AI4S）”从科学专业议题走向更广泛的公共视野。

在实验科学、理论科学、计算科学和数据密集型科学之后，越来越多研究者将AI4S视为“第五科研范式”。近两年，AI4S以前所未有的速度持续发展演进，在更大范围深刻重塑着人类探索未知的方法论。

如今，科学家开始以模型的视角重新审视蛋白质、材料、气候等等复杂系统，将这些复杂的物理实体映射进一个可计算、可搜索、可优化、可验证、可复用的数字空间。这从根本上击穿了传统知识生产的边际成本。

它的快速进展还在不断地提醒人们：AI早已不再只是用来查文献、写综述、生成报告和制作PPT的辅助工具，而正在越来越深地介入科学问题的提出、假设生成、实验设计、结果验证乃至知识生产本身。

人类科技进步史表明，每一次科学方法的底层变革，必将引爆巨大的产业红利。如同17世纪显微镜的诞生，不仅拓宽了列文虎克观察生命的尺度，更直接催生了现代医学与制药工业；又如20世纪冯·诺伊曼架构的计算范式，不仅让图灵机落地，更孕育了数十万亿美元的信息产业。AI4S同样如此。它正通过将“知识生产”无缝嵌入产业流程，改写着当下与未来的生产力格局。

如果要将AI4S带来的生产力变革逐层分解，我们至少可以找出三重递进的产业浪潮：一是，科学发现带来的直接产业成果；二是，全链需求催生的产业生态；第三，也是最深层的一重——知识生产本身，正在演变为一种全新的产业形态。

第一重浪潮：全新范式的成果突破

AI4S使研究者能够基于海量数据逆向生成科学假设、显著提升科学实验设计和运行水平、推动复杂系统与高维问题突破、促进跨学科深度融合，甚至进行全自动的“自驱动研究”。它能把候选分子从百万级筛到千级、把材料搜索从“碰运气”转变为“导航式”、在虚拟空间中成千上万次地完成特定环境偶发事件的模拟。

这种变革将原本高度依赖个体经验和长周期试错的传统科研，重塑为可计算、可迭代、可平台化的工程体系，为众多曾经“不可试”“不可等”“不可解”“不可承受”的难题提供了全新的突破可能。

细数近年AI4S在材料工程、药物发现、气候科学等领域取得的重大突破，产业颠覆力已然令人咋舌：

谷歌DeepMind的GNoME一次性可预测220万种新晶体结构，相当于人类科学家过去800年的总和，形成了对固态电池材料、新型芯片材料传统研发的降维打击；微软MatterGen能直接根据设计需求自动生成新材料，几乎完全颠覆了传统电池、催化剂、半导体等领域的研发路径。

在药物发现领域，传统上从靶点发现到临床前候选药物确认需耗时4-5年，而AI能将其缩短至1-1.5年，被寄予打破新药研发领域“双十定律”（平均需要10亿美元投入和10年研发周期）的厚望。

在气象服务领域，谷歌DeepMind的GraphCast和GenCast、微软的Aurora、英伟达的FourCastNet模型都展现出了对传统顶尖数值天气预报系统碾压级的性能优势，而被多国气象部门采购和引入。

不难看出，AI的介入显著激活了前沿科学研究的产业化“爆款”体质，使科学研究重新成为产业部门“点金术”的来源。这也是为何国内外科技巨头近年聚焦生命科学、材料学等AI4S最为活跃的领域，纷纷布局AI4S实验室的原因——意在实现对前沿领域商业价值的提前卡位。

第二重浪潮：全链贯穿的产业需求

如果说第一重浪潮来自科学发现的直接变现，那么从更宏观的产业链视角来看，第二重浪潮则源于AI4S运行机制本身为整个上下游带来的巨大“卖水人”机遇。

AI4S将大规模数据、算力、工程系统和科研问题前所未有地耦合在一起。任何一项AI4S突破，都不是单一模型的胜利。这背后，需要高质量科学数据、专业模型、算力平台、自动化实验系统、仪器接口、标准体系、验证平台、以及能够承接科研成果的中试和产业化能力的支撑配套。

具体来说，有没有AI-Ready的高质量数据体系？能不能闭环进行自动实验和自动验证？模型输出可不可以自动转化成工艺参数？……一切旨在把科学发现变成可生产、可监管、可交付产品的技术节点，都在爆发强劲的产业需求。

围绕这一核心，一个全新AI4S的产业生态正在成型：科学数据服务、自动化实验室、新材料中试平台、高性能计算服务、专业模型工具链、仪器数据接口与标准化平台领域都已经成为了全新的产业方向和风投竞逐的战场。

多家投资机构估算，整个AI4S市场及周边配套市场将催生万亿级市场。这个判断未必是简单意义上押注某个单一市场的爆发，更确切的理解应是数据、算力、模型、实验、工程化和行业应用多个环节叠加形成的系统性机遇。

换言之，AI4S不是一个孤立赛道，而是一组新产业基础设施的集合。万亿规模的共识正是嗅觉敏锐的资本市场对下一代工业基础设施价值的提前定价。

第三重浪潮：知识生产的“新工业化”

前述两重机遇固然瞩目，但如果我们将视线从具体的发现和产品上移开，去审视AI4S正在对“知识生产”本身的深层解构，会发现一个更具颠覆性的趋势：

AI4S赋予了知识生产直接的生产力价值，使“研究本身”即成为了一种全新的产业形态。

这也是AI4S带来的第三重、也是影响最为深远的产业浪潮。具体来说，过去基础研究和产业转化之间往往存在漫长链条：研究需要论文发表，发表之后需要工程验证和复现，工程化之后还要经过产业界量产才能进入市场。上述的每一个环节不仅伴随极高的时间损耗和资本消耗，更难免会遭遇“卡壳”甚至脱节的风险。

但在AI4S的强力推动下，“发现—验证—量产”这三个步骤被无缝压缩进“数据—模型—验证”的数字闭环之中。知识在生成之初，就已经历了应用约束和验证筛选。这不仅提升了知识生产的效率，还极大压缩了从基础研究到产业转化的链路。

这种转变的意义甚至不亚于AI4S对科研范式的重塑。AI不仅弥合了研究与产业之间那条漫长而模糊的鸿沟，也从技术上根本性地消解了传统科学不利于转化的弊病。

而这背后的本质原因在于：经由AI4S，科学发现与产业应用之间的“中间态”消失了。

这就能精准解释为什么哈萨比斯可以一边拿诺贝尔奖，一边通过创立的Isomorphic Labs融资6亿美元的原因。因为在AI4S范式下，诺奖级的科学成果与可销售的产品，在物理形态上甚至可以是同一个文件。这在现代科技史上具有划时代意义——它意味着知识的生产不再只是产业化遥远的起点，而本身就已具备完整的生产力属性。

类似地，前文提到的GNoME生成的不只是某个晶体结构的理论，而是220万个可被下游直接筛选的候选结构，GraphCast的成果也不在于发现大气动力学的新方程，而是各国气象局可以立刻替换的推理模型。

这为产业带来深刻的结构性变化。“发论文”和“办公司”之间的时滞，正在以肉眼可见的速度消失。鲜明的例子是，近两年国内科研团队在将AI4S论文送上顶级期刊后，普遍会同步成立公司进行产业落地。这种此前非常罕见的现象，而今正越来越成为AI4S领域的常态。

或许，这种“研究即产品”的特性，源于计算机学科“研究对象和研究方法合一”的独特基因，通过AI4S的方法论载体，外溢至一切可被数字化表征的学科领域。与此同时，它还将软件“零边际成本复制”的底层逻辑，第一次注入到“知识生产”这项古老而昂贵的人类活动中，使之终于成为可被“工业化”变革的对象。

如此，“可计算的科学对象”与“工程化的研究流程”深度结合，彻底将知识生产从个人灵光一现的“手工时代”，拉入到标准化、高通量、可扩展的“大工业时代”，从而使知识生产本身，成为了极具爆发想象力的产业。——这正是AI4S第三重浪潮的关键所在。

AI4S：正在开启的全新生产力纪元

诚然，AI4S仍在早期阶段。在前述那些知名的成功案例背后，AI4S从科学可行到工程可行、商业可行、监管可行，中间还普遍隔着工艺稳定性、成本控制、产业配套和市场准入等多重门槛。在许多学科领域，还面临着高质量、可复用的数据稀缺，自动化实验平台建设成本高昂，模型结果的可重复性和可解释性检验等问题。

然而，趋势已然明晰。如同19世纪，蒸汽机让人的体力被机器放大；20世纪，计算机让人的脑力被计算放大；21世纪，AI4S可能正在推动着一场更加深刻的变革——让“发现”本身的价值被AI放大。

沿着这一脉络看，我们能更清晰地发现这三重浪潮呈现的递进线索：

第一重，是AI4S加速科学发现，使新药、新材料、新模型等成果更为惊艳；

第二重，是围绕数据、算力、模型、实验和中试平台形成新的基础设施；

第三重，则是知识生产本身开始被工程化、平台化和资产化。

它们三者并不孤立存在，发现提供新的可能，基础设施提升转化效率，而知识生产方式的重构，则让发现从少数项目中的偶发突破，逐渐走向可组织、可迭代、可验证的连续过程。当知识生产越来越多地被纳入这一“新工业化”的工程流程，科学发现就不再只是产业源头的活水，而转变为一条能持续生成新产业、新工具和新基础设施的磅礴河流。

正如开篇库恩所断言的：旧范式的颠覆必将孕育新世界的规则。或许这正是AI4S最令人期待之处，不只是科学新纪元的开启，更是一个全新生产力时代的到来。

（作者钱学胜为智能系统博士、复旦大学智慧城市研究中心高级研究员、《科学画报》编委会人工智能专委会副主任委员）