8月21日，2026科学智能大会在北京海淀中关村国际创新中心开幕。近50位院士、80余位青年学者以及来自政府、高校、科研院所和科技企业的2500名参会者，围绕科学基础大模型、科研智能体、自主实验室和重点产业应用，讨论同一个问题：当人工智能进入科学研究的核心环节，科学发现将以怎样的方式被重新组织？

大会期间，中关村（海淀）科学智能（AI4S）创新集聚区正式发布，统筹西三旗片区160万平方米产业空间和74万平方米中试空间，尝试把“核心策源、中试验证、场景拓展”接成一条链。由此，前沿讨论有了一个区域样本：AI4S的下一阶段，竞争的不只是模型能力，更是一个区域能否把分散的科研要素组织成持续运转的系统。

这也是观察AI4S“下半场”的主线：从单点工具能力走向可复用、可验证、可迭代的系统能力。关键不在于再多一个模型，而在于数据能否进入模型、模型能否进入实验、实验结果能否回流数据、科研成果能否在真实产业约束中持续迭代。沿着这条主线看，海淀的优势不只在高校多、企业多，而在于它最有条件把“数据—模型—实验—产业”组织成新的科研基础设施。

2026科学智能大会，中关村（海淀）科学智能（AI4S）创新集聚区正式发布

从单点提效到体系重构：AI4S如何重塑科学发现

“真正的科学发现是一个小概率事件。”鄂维南在大会上的判断，点出了现代科研体系的内在张力。当知识获取、理论计算和实验验证都十分昂贵时，研究者能够尝试的问题天然有限。AI首先改变的正是试错成本：文献智能体扩展知识边界，科学基础模型降低理论计算门槛，自动化系统则让大量候选路线先在数字世界筛选，再进入真实实验。

但单个环节提速仍只是工具升级。真正的变化在于，AI正同时进入知识获取、假设生成、理论计算、实验设计和结果验证，推动科研从实验、理论、计算仿真和数据驱动之后，走向被称为“第五科研范式”的新阶段。AI4S由方法探索转向科研体系重构，问题怎样提出、证据怎样积累、成果怎样走出实验室，都需要重新设计。

大原子模型是一个切口。DeePMD等模型通过学习高精度计算结果，把部分原子模拟提速数千倍乃至更高，使过去只能在超算上完成的任务逐步下沉到普通科研团队。海淀已形成从通用科学基础模型到材料、生命、化学等垂直模型的能力矩阵，过去被算力和专业技能锁住的能力，正在转化为可反复调用的公共工具。

这也是“科研平权化”的现实含义：不是降低科学标准，而是降低参与前沿探索的资源门槛。鄂维南提出，低成本、高效率的科研工具，多维度科研经费来源，以及知识产权交易、中试平台、揭榜挂帅等成果转化机制，需要同时具备。技术能力只有与资源配置和组织方式同步变化，才会成为科研生产力。

AI也不会因此取代科学家。谢晓亮提醒，AI可以帮助寻找规律，但“很难给你推导出本质性的科学原理”。王坚更愿意把AI理解为“增强智能”。因此，单点提效只是起点，体系重构才是方向；而让这套系统持续学习和积累的关键，是可被机器理解的数据和不断生成新数据的实验系统。

闭环决定能力边界：数据、模型与实验如何相互强化

王坚在大会上说，这场变革“应该讲就是从数据开始的，不是从模型，也不是从算力开始的”。科学世界并不等同于文本世界，真正决定实验与物质性质的，往往是光谱、显微图像、分子结构、仪器时序、工艺参数和失败记录。科学基础模型不应只是在大语言模型上叠加垂直插件，而要让语言、代码和科学数据在同一模型中共生。

因此，科研数据必须从“人能读”转化为“机器能用”的AI-Ready形态。海淀已经形成一组数据底座：ScienceDB汇聚全球100多个国家和地区科研人员上传的超过1.5万个数据集；scCompass覆盖13个关键物种、超过1.04亿个单细胞，并支撑GeneCompass研发；“磐石·壹科学”平台可直接调用AI-Ready数据，把过去需要数周的实验方案筛选压缩到半天以内。

数据底座产品化之后，专业能力才可能向更多研究者扩散。玻尔科研平台拥有450万科研用户，并有近200所高校和150家企业入驻；谱图解析工具SpecXMaster已被超过2000个课题组使用，BioMaster则已在250所高校和科研院所投入使用。平台的意义不是堆叠应用，而是让科研智能体围绕一个问题调用文献、计算和实验工具。

数据只有在实验中被重新生产，系统才会形成飞轮。所谓“干湿闭环”，是由模型在数字空间完成阅读、计算和推演，再由自主实验室完成制备、检测和验证，结果继续回流模型。海淀规划建设的科学发现自主实验室、AI原生材料实验室，将通过AI与自动化设备协同，把实验通量提升10至100倍。

这正是系统能力与工具能力的分界线：工具完成一次任务，闭环则让系统在一次次任务中学习。算法可以迁移、算力可以采购，但高质量数据以及背后的仪器、实验与标准体系很难在短期复制。科研闭环形成之后，AI4S还要进入产业，在成本、安全、工艺和规模化条件下接受检验。

AI正在进入数据分析、实验设计与自动化操作等科研核心环节

真实约束检验创新：AI4S如何走向产业价值

从论文和榜单走向产业一线，AI4S是否有效，要看它能否改变研发周期、实验成功率、生产成本和工程迭代速度。海淀同时拥有生物医药、新材料、流程工业和商业航天等不同成熟度的应用场景，可以让科学智能能力在多种真实约束中反复校验。

生物医药最先显现价值。传统新药研发常被概括为“三十定律”：周期超过10年、投入超过10亿美元、成功率不足10%。华深智药依托全链路AI数字化研发体系，将临床前候选分子开发周期从3至5年压缩到10个月，技术平台获得国际药企超过44亿美元合作授权；哲源科技从分子设计到获得临床试验批准，用时不到两年。AI缩短的是候选生成、筛选与验证之间的往返距离。

材料与工程领域也出现可验证结果。DPA4登顶材料发现权威榜单Matbench Discovery；中国科学院微生物研究所团队依托8PB数据构建蛋白质功能模型，发现具有工业应用潜力的新型酶，使目标前体生成量较对照提高10%以上。素源矩阵在水泥生产场景中将产品合格率从95%提升至98%，单吨综合成本下降2%至3%；“Prime一行”火箭发动机研发智能体平台则将以年计的迭代周期压缩到两周量级。

大会现场，市科委中关村管委会发布了首批16个人工智能赋能科学研究典型案例，其中12个位于海淀区，这些案例的共同方向，是AI4S从给出一个预测结果，走向接管一段可度量、可复盘的研发流程。张林峰提到，企业数据里常常“有配方没有性能、有性能没有配方”，真正的成本、安全和工艺限制又隐藏在研发人员脑中。科研智能体必须与一线人员持续交互，把隐性知识转化为多目标优化约束。

产业因此不只是提供场景，更为系统提供“真实世界反馈”。真实约束让模型知道什么方案可行，失败结果成为新的训练数据，企业需求又被重新凝练为科学问题。“数据—模型—实验”的科研闭环由此延伸为“需求—研发—验证—生产”的产业闭环：前者让AI4S持续学习，后者让它的价值可衡量、可复制。

系统能力决定区域胜负：海淀如何把优势变成基础设施

区域竞争的关键，已经不是简单比较模型、论文或企业数量，而是看哪里能够把数据、模型、实验和产业组织在同一套基础设施中。中关村科学城管委会副主任、海淀区副区长唐超表示，海淀“已经在科学智能领域构建起先发优势和产业集聚效应，是支撑北京抢占全球科学智能发展制高点的核心枢纽”。

海淀首先拥有源头创新的密度：37所高校、96家国家级科研机构、30余家AI4S创新企业和近2000家人工智能企业，围绕中关村科学城、百年京张AI创新带和西三旗片区形成相互衔接的创新网络。高密度的意义不只是“多”，而是问题、人才和技术能够以更短路径相遇。

其次是可共同调用的公共底座。从通用科学基础大模型“磐石”及“磐石100”，到MegaDFT、DPA4、OpenComplex 2.5，再到覆盖读文献、做计算和做实验的玻尔科研空间站，海淀形成了“通用大脑”与“专科专家”并行发展的体系。相关报道用“资源最密、底座最实、模型最强”概括其比较优势。

但资源密集并不自动等于系统能力。王坚强调：“开放是让所有这些事情发生的基础的基础。”只有模型、数据、工具和仪器能够持续开放、被反复调用，高校的源头创新、公共平台的通用能力、企业的垂直产品和园区的中试空间，才可能真正接成一条链。

图注：王慧文在社交平台上画出的“投资黄金方框”

中关村（海淀）科学智能创新集聚区正把这种协同落实为空间和制度安排。依托西三旗金隅科技园，160万平方米产业空间和74万平方米中试空间将“核心策源、中试验证、场景拓展”配置在连续链路上，补上科学发现从模型到实验、从实验到中试、从中试到市场之间最容易断裂的环节。整个链条被概括为“需求凝练—模型推演—实验验证—产品定型—推广应用”。

资金和人才政策也将同步投入。按照规划，海淀将加快设立AI4S专项基金，联动20亿元成果转化基金、80亿元科技成长基金及市场化资本；每年培养不少于1000名高层次人才，吸引不少于10个海内外高层次团队，推动不少于15个优质项目落地。其目标是让源头创新不必在实验室和产业之间反复寻找接口。

中关村（海淀）科学智能（AI4S）创新集聚区空间布局

如果这套机制能够跑通，海淀形成的就不只是若干单点突破，而是一座持续运转的“科学智能工厂”：文献和实验被治理成AI-Ready数据，通用模型与垂直模型完成推演，自主实验室在物理世界验证，中试空间把候选成果推向产业，产业反馈再带来新问题和新数据。这里的“工厂”，指的不是“流水线”，而是一套能够反复运转、持续积累的科研基础设施。

科学的下一个百年会从哪里开始，现在还没有唯一答案。但答案的一个重要坐标，正在海淀一间间持续运转的实验室、一个个不断迭代的模型，以及一条逐渐闭合的科学智能产业链中变得清晰。