- 综合排序
- 最热优先
- 最新优先
AI与科学的双向革命：AI4Science与Science4AI如何重塑未来？
这不仅是对传统科研体系的颠覆，更宣告 AI与科学融合进入"双向赋能"新阶段 ：AI4Science（人工智能加速科学发现）与Science4AI（科学理论反哺AI创新）形成螺旋上升的结构性协同，重塑人类认知世界的方式 https://agents4science.stanford.edu/ 一、AI4Science：当人工智能成为科学发现的"超级引擎" 生物医疗领域：从"十年磨一药"到"数月出成果" 2025年5月， 2025年2月，华盛顿大学David Baker团队在《Science》发表论文，首次通过AI设计出具有全新折叠类型的高效丝氨酸水解酶。 https://seedllm.org.cn/ 二、Science4AI：当物理、数学成为AI创新的"理论引擎" 物理学的馈赠：从自旋系统到神经网络 2024年诺贝尔物理学奖授予霍普菲尔德和辛顿，标志着科学理论对 数据与理论的融合：新科研范式的诞生，科学第四范式 《科学智能白皮书2025》指出，AI4Science正推动科研范式从"假设-验证"向" 数据-发现 "转变。
1.4K10编辑于 2025-08-27AI for Science领域综述论文
”AI急需紧缺人才研修项目、Stanford成长创新圈线下活动等。 for Science落地及学术问题。 AI for Science领域重大进展AI for Science领域正经历底层变革，近期两大核心进展对行业影响深远，具体如下：3.1 LabOS：全球首个AI-XR协同科学家系统该系统由普林斯顿AI 创业方向延伸：AI for Social Science基于FastPaperRead项目经验，团队规划将方向延伸至“AI for Social Science（AI for Public Good）” AI for Science；4. DataAgent。AI未来发展前景广阔，期待AGI时代的到来。本报告感谢上海市科技金融协会组织的本次AI研修培训支持。
6.8K31编辑于 2025-10-27- 来自专栏机器之心
AI预测蛋白质结构登上Science、Nature年度技术突破，AI for Science潜力无穷
如果要给 AI 领域的 2021 评个最具突破奖，你会选择谁？《science》和《nature》给出的答案都是「蛋白质结构预测」。 即使在不知道相似结构的情况下，AI 也可以在原子层面上精确预测蛋白质的结构。 RoseTTAFold 发表于《science》杂志上，论文地址：https://www.science.org/doi/abs/10.1126/science.abj8754 从结构上来看，RoseTTAFold 扩展来看，不只是对蛋白质结构预测的变革，AI 对整个科研领域还有大量的潜力等待挖掘，这也是 AI for Science 这一主题在今年备受关注的原因，如 AI + 数学、AI + 化学、AI + 医药 也许，接下来两年会有更多 AI + 科研的突破，大家可以重点关注下。
53840编辑于 2021-12-22 - 来自专栏AI科技评论
AI for Science时代，知识何存？
AI for Science为何重要？实际上，它是比知识与数据协同范式的影响更为深远的发展方向。 “科学研究有两大基本目的：一是寻求基本规律，二是解决实际问题。 当下正在蓬勃兴起的 AI for Science 有可能促使两种既有范式的深度融合，激发一场新的科学革命。 这其中，达摩院首先提及的便是AI for Science。 AI for Science为何重要？实际上，它是比知识与数据协同范式的影响更为深远的发展方向。 综上，达摩院总结出了未来的十大科技趋势，AI科技评论基于知识重定义、知识与数据协同、基础设施、人工智能伦理四个方面列出如下： 知识重定义 AI for Science 大小模型协同进化 知识与数据协同 绿色能源AI 高精度医疗导航 柔性感知机器人 XR 互联网 基础设施 星地计算 硅光芯片 云网端融合 人工智能伦理 全域隐私计算 1 知识重定义 AI for Science 人工智能成为科学家的新生产工具
70140编辑于 2021-12-29 Science | AI 驱动的结构基础模型
biology 期刊: Science 链接: https://doi.org/10.1126/science.adx7802 https://zenodo.org/records/6568518 代码 近日，发表于《Science》的重磅论文《AI to rewire life’s interactome》，系统阐述了如何利用人工智能（AI）与加速计算技术构建"计算显微镜"，为解析和重构生物分子相互作用组提供了革命性工具 二、生成式AI在分子构象研究中的核心应用 1. NeuralPLexer：蛋白质-配体相互作用的动态解析工具 生物分子具有高度动态性，其功能依赖于多种构象状态的转换。 这些成果表明，AI模型可成为解析变构调节、酶催化等分子机制的核心工具，为理解生物功能的结构基础提供全新视角。 三、跨尺度分子研究的技术协同与创新 1. 结语 该研究通过AI与结构生物学的深度融合，构建了从静态结构到动态功能、从已知相互作用到从头设计的完整研究体系。
10810编辑于 2026-01-08- 来自专栏机器之心
《Science》公布年度十大突破，AIGC、AI for science赢麻了
机器之心报道 编辑：小舟、蛋酱 创造力和科研能力，AI都已具备。 刚刚，《Science》评选出 2022 年度十大科学突破。 2022 年 AIGC 模型的发展引发人们对于 AI 创作艺术的关注和伦理思考。 另一方面，在科学、数学和编程方面 AI 模型也延续了 2021 年的进展。 2021 年 《Science》的十大年度突破包括预测蛋白质结构的 AI 模型 AlphaFold。在这项工作的基础上，研究人员现在已经使用人工智能来设计可用于疫苗、建筑材料或纳米机器的全新蛋白质。 在《Science》今年 9 月发表的一篇论文中，华盛顿大学医学院生物化学教授 David Baker 等研究者提出，AI 可以通过两种思路从头设计蛋白质。 上周，AlphaCode 这项研究在《Science》上正式发表。 与人类程序员相比，AlphaCode 的成绩处于中等水平。
60120编辑于 2023-03-29 - 来自专栏新智元
Science：AI竞赛，学界正在输给业界
相比于学界的前沿性研究，风靡当下的 AI 聊天机器人 ChatGPT、AI 艺术生成器 Midjourney，以及微软发布的新一代 AI 驱动搜索引擎 New Bing、谷歌发布 ChatGPT 竞品 2023 年 3 月 3 日，来自麻省理工学院、弗吉尼亚理工大学的研究团队在权威科学期刊 Science 上发文，阐述了业界在「数据、算力与人才」方面的优势，并探讨了业界的这些优势可能带来的隐患，以及可行的对策 业界在 AI 研究中日益占据主导地位 如今，业界对 AI 输入的主导地位表现在 AI 成果的日益突出，尤其是在研究发布、创建最大模型和超越关键基准方面。 有了这些能力，学界可以继续塑造现代 AI 研究的前沿，并为负责任的 AI 制定基准。若没有这些能力，重要的公众兴趣 AI 工作将被抛弃。 参考资料： https://www.science.org/doi/10.1126/science.ade2420
20820编辑于 2023-03-29 - 来自专栏DrugOne
Science | 生成式AI的版权问题
对于生成式AI的批评者来说，缺乏对他们原创作品的归属和补偿是其他令人不悦之处。目前在美国正在进行的版权诉讼对于生成式AI系统的未来具有重大影响。 如果原告获胜，那么在美国合法的生成式AI系统只能是基于公共领域作品或者在许可下进行训练的系统，这将影响到所有部署生成式AI、将其整合到产品中并将其用于科学研究的人。 2023年5月中旬，美国国会首次举行了有关生成AI和版权问题的听证会，期间证人对此表达了不同的观点。美国版权局非常了解生成AI在依赖版权的社区中引发的困扰。 参考资料 Pamela Samuelson ,Generative AI meets copyright.Science381,158-161(2023). DOI:10.1126/science.adi0656
71420编辑于 2023-09-19 - 来自专栏大数据文摘
Science：AI竞赛，学界正在输给业界
相比于学界的前沿性研究，风靡当下的 AI 聊天机器人 ChatGPT、AI 艺术生成器 Midjourney，以及微软发布的新一代 AI 驱动搜索引擎 New Bing、谷歌发布 ChatGPT 竞品 2023 年 3 月 3 日，来自麻省理工学院、弗吉尼亚理工大学的研究团队在权威科学期刊 Science 上发文，阐述了业界在“数据、算力与人才”方面的优势，并探讨了业界的这些优势可能带来的隐患，以及可行的对策 业界在 AI 研究中日益占据主导地位 如今，业界对 AI 输入的主导地位表现在 AI 成果的日益突出，尤其是在研究发布、创建最大模型和超越关键基准方面。 有了这些能力，学界可以继续塑造现代 AI 研究的前沿，并为负责任的 AI 制定基准。若没有这些能力，重要的公众兴趣 AI 工作将被抛弃。 参考链接： https://www.science.org/doi/10.1126/science.ade2420 点「在看」的人都变好看了哦！
20720编辑于 2023-04-10 - 来自专栏量子位
Science：AI竞赛，学术界输了
Science在最新一期正刊上发了一篇文章，整理了近几年AI领域的相关数据，结果也是一目了然： AI竞赛，学术界输了。 Science统计了论文、AI最大模型以及SOTA模型在各个领域的占比。 那为啥AI人才都从学术界流向产业界了呢？ 从大的层面上来讲，和Science之前提到的算力有关。 显而易见，在这块儿，产业界相较于学术界有很大的优势。 学术界转向应用研究是大势所趋 …… 基础研究到应用，产业界包圆了 而人才的流失和算力的倾斜，在一定程度上也可以说是必然结果，在Science的文章中，列出了两点原因： AI领域相较于其他学科领域有特殊性 不过，这一套逻辑并不适用于AI圈，在AI领域，基础研究和应用研究之间的界限被模糊掉了。 参考链接： [1] https://www.science.org/doi/10.1126/science.ade2420 [2] https://rowanzellers.com/blog/rowan-job-search2
41620编辑于 2023-03-06 AI for Science，走到哪一步了？
图：谷歌 DeepMind AlphaFold在谷歌 DeepMind等持续深耕 AI for Science的科技企业引领下，以生物学为代表的科学智能正在进入一个高产出、快迭代的应用落地期。 （二）AI 驱动医疗落地应用全面开花AI 辅助病理检测拓展新疾病场景。 上述进展突破了过去几年国内乃至国际AI驱动药物发现鲜有突破临床II期的瓶颈，备受国内外关注和肯定。（三）AI在材料学、气象学、数学等领域加速应用AI+材料科学有望成为科学智能的下一个前沿阵地。 上海人工智能实验室、浙江大学等联合团队提出科研智能体（Agentic Science），旨在构建一个能自主完成科研闭环的AI系统。 Al for science,science for humanity未来几年，科学智能的技术的演进速度和应用价值转化效率将随着AI 基础大模型能力的持续上涨、机器人技术的不断成熟和规模化而进一步提高。
44710编辑于 2025-12-04- 来自专栏智药邦
Science博客｜AI能否解决临床数据问题？
2024年6月27日，来自布列根和妇女医院的Daniel Barron和哈佛医学院的Xiang Li、Quanzheng Li在Science发表评论：Can AI solve the clinical 关于人工智能（AI）是否会以及如何改变心理健康护理的问题，存在着诸多困惑与兴奋。作为一名疼痛科医生和精神科医生（D.B.） 参考资料： https://www.science.org/content/blog-post/can-ai-solve-clinical-data-problem
21510编辑于 2024-08-07 - 来自专栏大数据文摘
Science最新：DeepMind部署自学AI，攻陷FPS“雷神之锤”
如今，FPS也被AI攻陷。 DeepMind采用的AI玩家会和人类有同样的视角，AI不知道其他玩家的信息，包括位置、状态等。另外这款游戏比其他棋牌游戏更能接近真实的战场。 AI玩家从零开始，用强化学习训练，在游戏的开始，真实加入战场的AI角色是随机选择的，这会使得智能体的行为更能接近最初设置的策略目标。 同时，强化学习还要求AI通过其他指标的对比进行调整。 AI玩家在一开始就像一张白纸，研究人员给他们的目标不仅是游戏结束时候的得分，还要关注在游戏前期的得分。 然而，当两名职业游戏测试人员得到一张特别复杂的地图时，这张地图AI并没有见过。重新让AI在这张地图上训练的话，只需要6个小时的训练就能脱颖而出。
80130发布于 2019-06-04 AI4Science之分子材料成像调研洞察
分子成像技术与大数据和AI的结合可以更深入地理解材料的本质特性，为解决能源、环境等领域的关键问题提供新的思路和解决方案。 相比传统的深度学习任务，分子材料成像任务庞大繁杂，且数据结构、种类跨度极大，与AI的结合仍处于初期阶段，尚无业界认可的"包罗万象"的数据集，新提出的模型方法也没有公认的可以刷点对标的"benchmark "，更没有 "大一统" 的AI模型，但考虑到分子材料成像领域的重要程度，或许在不久的将来，会有大量研究机构布局，科研人员扎堆，将“AI+分子材料成像”领域从做成类似于当下【AI+分子生成】、【AI+分子属性预测 Identification Artifact Identication in X-ray Diraction Data using Machine Learning MethodsNMR peak shift DP4-AI
32700编辑于 2025-02-11- 来自专栏前端专精
《Science》观点解读：AI无法创造真正的智能体（AI Agent）
--------------------------------------------------------------------- 《Science》观点解读：AI无法创造真正的智能体（AI 何况Manus测试刷屏的消息似乎已经打开了AI Agent的时代，真的如此吗？ 但是，最新一期的 Science 期刊发表了一篇题为“Large AI models are cultural and social technologies”文章，提供了一种与主流观点不同的思考角度， 三、结语 未来或许可能出现更接近智能 agent 的 AI 系统，我们可以讨论如何应对这些假设的 AI 系统，但大模型并非这样的系统，它们更像印刷术、图书馆目录或互联网技术一样，是人类文化与社会技术发展长河中的一部分 cultural and social technologies：www.science.org/doi/10.1126/science.adt9819 [2]微信公众号“学术头条”：
27900编辑于 2025-04-18 - 来自专栏CreateAMind
80图表最全综述AI for science软件 数据 基准 课程
Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems https://arxiv.org/abs 相关推荐： AGI之 概率溯因推理超越人类水平 DeepMind Dreamer 在这个任务上栽了 自由能AI模型的理论高度和潜力（信息量大） 世界模型仅用 1 小时训练一个四足机器人从头开始翻滚
36230编辑于 2023-09-01 AI for Science在化学材料研究领域的应用
所以以后有了这些数据积累的基础，结合AI+科学技术，AI for science，就不需要人工去介入做实验了。 AI+科学技术（AI for science）模拟化学反应用的科学研究范式其实是用第四范式（数据科学范式）+第三范式（科学研究用数学仿真模拟数据）最终推导出了第五范式（AI for science, 刘铁岩石老师提出 有了这些理论基础以后我们对于AI真正应用于科学研究才有信心，AI+科学技术，AI for Science可以应用于材料发现，生物发现，新药发现。 新范式是年轻科学家用科学研究的第四范式（数据科学研究）加上第五范式（AI+科学技术，AI for science）去做科学方面的研究包括寻找规律，探索科学公式（物理学，化学，生物学，材料学，医学等等）， 做干实验和湿实验（为主），赋能用AI for Science来帮助做科学实验。
46530编辑于 2025-12-28- 来自专栏AI SPPECH
2025 AI4Science入门：新手如何用AI加速科学研究？
在2025年，AI for Science（简称AI4S）正以前所未有的速度改变着科学研究的范式，让曾经需要数年甚至数十年的科研工作，如今可能在几个月内完成！ 新手必须了解的核心概念 1.1 AI4S的定义 AI for Science（AI4S）是指利用人工智能技术来解决科学问题、加速科学发现的交叉领域。 参考文献 Coursera - AI for Science: https://www.coursera.org/ edX - Artificial Intelligence for Science: : https://ai4science.slack.com/ arXiv - AI for Science Papers: https://arxiv.org/ YouTube - AI4Science Channels: https://www.youtube.com/ Science - AI in Science: https://www.science.org/ Nature - AI for
1.3K10编辑于 2025-11-13 - 来自专栏DrugOne
【THETA TEAM | AI + Medicine 国际跨学科团队】招募AI4Science博士RAIntern
【THETA TEAM | AI + Medicine 国际跨学科团队】招募AI4Science博士/RA/Intern Monash University · Griffith University AI for Science (Biomedical)｜生物医药方向 1) 生物分子发现与设计（Small Compound/ Protein / Peptide / Antibody/...） • 聚焦 Transparency） • 提升模型在复杂生物场景中的推理能力与透明度 • 目标：从相关性走向因果/机制线索，支持科学假设生成与证据链追踪 团队代表作 (Selected Publications) 团队近年来在 AI4Science 加分项（Preferred Qualifications） • 顶会/顶刊发表： 在 NeurIPS / ICML / ICLR / CVPR 或 Nature / Science 子刊有发表经验（含一作 你的未来：从模型到生物的真实落地 如果你渴望： • 开启深度学跨学科研究之旅，但是不知道如何入门 • 计算建模经验丰富缺少科学问题和落地场景，希望冲击 Nature / Science / Cell 等顶级跨学科刊物
12920编辑于 2026-02-03 - 来自专栏新智元
Science：深度学习建模，AI巧手设计特定蛋白质
复杂的蛋白质结构 图源：science 而现在研究人员利用全蛋白质组氨基酸协同进化分析和基于深度学习的结构建模，可完成对蛋白质结构的系统性预测。 随后，来自华盛顿大学生物化学系的Jue Wang等人提出了两种深度学习方法来设计「预设定功能位点的蛋白质」，并将其成果发表在Science上。 论文链接：https://www.science.org/doi/10.1126/science.abn2100 首先，他们发现了可折叠成包含功能位点的蛋白质序列。 参考资料： https://singularityhub.com/2022/07/26/protein-designing-ai-opens-door-to-medicines-humans-couldnt-dream-up
37610编辑于 2022-08-26
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号