AI for Science
最后更新：2026-09-26 ｜ 领域：AI·生成与多模态 ｜ 说明：信息来源为公开网络资料，详见文末参考来源
概述
AI for Science 指用机器学习方法加速自然科学发现，代表性方向包括：蛋白质与生物分子结构预测（AlphaFold 系列）、生物基础模型（ESM3）、材料发现（GNoME、MatterGen）、AI 气象预报（GraphCast、Pangu-Weather、Aurora、GenCast、AIFS）、数学定理证明（AlphaProof）与基因组调控预测（AlphaGenome）。其共同范式是把深度学习、图神经网络或扩散模型与第一性原理（如 DFT、数值天气预报）结合，并通过主动学习/实验验证闭环。典型成果包括 AlphaFold 3 的统一分子结构预测、GNoME 发现的数百万种候选晶体、已被 ECMWF 投入业务运行的多个 AI 气象模型，以及达到 IMO 金牌线的数学推理系统（Isomorphic Labs — Our Tech、AI for Scientific Discovery、Farewell to the external AI models、From silver to gold）。
最新进展（2025–2026）
- 蛋白质结构数据库扩张：AlphaFold 3 与 AlphaFold Server 于 2024 年发布，后者为科学家提供免费的非商业研究结构预测入口；DeepMind 将 AlphaFold 列入其「生命科学与健康、地球与可持续、能源与材料、算法基础」的科学版图（AlphaFold、Science — Google DeepMind）。数据库持续扩容：2026 年 2 月新增异构体（isoforms）与来自 AllTheBacteria、Kinetoplastids、Viro3D、Big Fantastic Virus Database 的条目；2026 年 3 月发布 1,754,199 个源自 Swiss-Prot、WHO 清单与参考蛋白质组的同源二聚体；2026 年 5 月发布约 2.2M 同源二聚体（AlphaFold Database FAQ）。EMBL-EBI、Google DeepMind、NVIDIA 与首尔大学合作开展了横跨 4,777 个蛋白质组的大规模复合物预测研究，涵盖约 19M 同源多聚体与约 8M 异源多聚体，包含 16 个模式生物与 30 个由 WHO 全球健康蛋白质组计划优先的蛋白质组（AlphaFold Database）。
- 生物基础模型：EvolutionaryScale 的 ESM3 被称为首个同时对蛋白质序列、结构与功能进行推理的生成模型，训练覆盖地球自然多样性（从亚马逊雨林、深海到热液喷口等极端环境的数十亿蛋白质）；其方法学以「用语言模型模拟 5 亿年演化」为题发表于 Science（ESM3: Simulating 500 million years of evolution with a language model、Simulating 500 million years of evolution with a language model（Science））。一篇蛋白质大语言模型综述指出，ESM-3 为 98B 参数的多模态生成模型，可用思维链方式设计蛋白质（Protein Large Language Models: A Comprehensive Survey）。
- 蛋白与生物分子工具的智能体化：NVIDIA 将 BioNeMo NIM 微服务封装为可被智能体调用的生物学、化学、基因组学与药物发现技能，并与 Claude Science 集成，使 AI 智能体能够编排蛋白质结构预测流程（Run NVIDIA BioNeMo NIM Microservices for Protein Structure Prediction in Claude Science）；Anthropic 报告称 Claude 在不到四周内完成了 30 余个开源生物分子结构预测、蛋白质设计、蛋白质语言建模与基因组学模型的加速（How Claude is uplifting biomolecular modeling）。
- 基因组学：DeepMind 的 AlphaGenome 可预测人类 DNA 序列中单个变异或突变如何影响调控基因的生物学过程（Science — Google DeepMind）。
- 材料发现：Google DeepMind 的 GNoME 利用图神经网络发现约 220 万种新晶体材料，其中约 38 万种被预测为稳定；同期另一团队证明这类预测材料可被高效合成，「AI 程序 + 机器人」正在加速新型电池、超导体与催化剂探索（DeepMind predicts millions of new materials（Science）、AI for Scientific Discovery）。微软的 MatterGen 于 2025 年 1 月发表于 Nature，是面向无机材料设计的扩散生成模型，可在整个元素周期表范围内生成稳定、多样的材料，并可微调以定向满足化学、对称性及力学/电子/磁性等约束；其配套工具 MatterSim 用于加速仿真验证（A generative model for inorganic materials design（Nature, 2025-01）、MatterGen: A new paradigm of materials design with generative AI）。
- AI 气象：截至 2026 年初，ECMWF 每天运行的外部机器学习模型包括华为 Pangu-Weather、Google DeepMind GraphCast、微软 Aurora 与 NVIDIA FourCastNet，每天运行两次（0 与 12 UTC），由 IFS 业务分析场初始化；在 50r1 升级后 ECMWF 转向内部 AI 模型（Farewell to the external AI models）。ECMWF 的自研 AIFS（Artificial Intelligence Forecasting System）于 2024 年转为业务运行，是首个投入业务化的主流气象机构 AI 天气模型；其集合预报系统 AIFS ENS 亦已投入业务运行（AI Weather Forecasting in 2026 Explained、AIFS ENS becomes operational（ECMWF））。
- 数学：AlphaProof 是 Google DeepMind 的强化学习系统，在 Lean 4 证明助手中寻找并验证形式化证明；2024 年 7 月它与 AlphaGeometry 2 组合解决 IMO 六题中的四题，得 28/42 分，达到银牌水平，整套方法于 2025 年发表于 Nature（AlphaProof、Mathematicians put AlphaProof to the test（Nature））。2025 年 7 月，配备 Deep Think 的 Gemini 高级版本在自然语言端到端条件下解决六题中的五题、得 35 分，达金牌线，IMO 主席 Gregor Dolinar 教授确认了这一成绩（Advanced version of Gemini with Deep Think officially achieves gold-medal standard at the IMO、From silver to gold）。
- 地球与生态：Google DeepMind 的 AlphaEarth Foundations 可在数分钟内分析 PB 级地图数据以检测、分割与分类地理空间变化；Perch 2 可解耦复杂音频以监测动物种群；Fusion 通过学习的等离子体控制加速聚变科学（Science — Google DeepMind）。
- 应用扩散：据报道，OpenAI Foundation 宣布 6000 万美元规模的投入，用于向南亚/东南亚与东非的小农提供 AI 驱动的天气与作物病害预警；美国 NOAA 与 MIT、Penn 等高校合作使用 Aurora 等模型提前识别突发风暴与山洪等局地极端事件（The AI and Machine Learning Forecasting Revolution）。
核心技术与关键概念
- 图神经网络 + 主动学习 + DFT：GNoME 的方法学组合是材料发现加速的模板（AI for Science — Landscape & Method Spectrum）。
- 扩散模型做结构预测：AlphaFold 3 用扩散在原始原子坐标上生成结构，被视为「大规模生成模型」路线相对等变架构路线的胜利（AI for Science — Landscape & Method Spectrum）。
- 生成式材料设计 vs 候选筛选：传统计算材料学依赖对已知/枚举候选做筛选，而 MatterGen 以设计需求为提示直接生成新材料，微软将其定位为「创意生成器」，MatterSim 承担验证，二者构成 inverse design 的新范式（MatterGen、AI meets materials discovery: The vision behind MatterGen and MatterSim）。
- 多模态生物语言模型：ESM3 将序列、结构、功能统一为一个生成空间，可用组合模态的提示（prompt）引导生成，这与纯结构模型的能力面不同（ESM3）。
- 数据驱动天气预报：以历史再分析数据训练的模型可媲美最先进的数值天气预报（NWP），但存在次季节尺度的失效模式——大尺度环流在 14–21 天仍有中等技巧，而基于阈值的极端强度预测会随回归气候态而崩塌（Evaluating the Predictability of Selected Weather Extremes with Aurora）。Pangu-Weather 由华为诺亚方舟实验室于 2023 年 7 月发表于 Nature；GraphCast 在 1,380 个验证目标中的 90.3% 上比 ECMWF 高分辨率确定性模式 HRES 更准确，且可在单块 Cloud TPU v4 上运行（AI Weather Forecasting in 2026 Explained、GraphCast（AI Wiki））。
- 形式化与自然语言两条路线：AlphaProof 走 Lean 4 形式化路线，需先把题目翻译为形式语言；2025 年 Gemini Deep Think 则直接用自然语言在竞赛时长内完成证明（AlphaProof、From silver to gold）。
- 概率化与集合预报：GraphCast 以确定性点预报闻名，GenCast 则作为其概率化（集合）后继，用于表达预报不确定性（AI for Science）。
代表性项目 / 公司 / 产品（附官方链接）
- Google DeepMind / Isomorphic Labs：AlphaFold 3、AlphaGenome、GNoME、AlphaEarth Foundations、Perch 2、Fusion（等离子体控制）（Science、Isomorphic Labs）。
- Microsoft Research：MatterGen（材料生成）、MatterSim（材料仿真）、Aurora 气象模型（Materials、Farewell to the external AI models）。
- EvolutionaryScale：ESM3 蛋白语言/生成模型（ESM3）。
- NVIDIA：BioNeMo NIM 微服务，封装为可被智能体调用的生物医药技能（NVIDIA BioNeMo NIM）。
- 华为云：Pangu-Weather；ECMWF：AIFS / AIFS ENS 内部 AI 预报（AI Weather Forecasting in 2026、AIFS ENS becomes operational）。
关键数据与评测结果（附来源）
- GNoME：约 220 万种新晶体，约 38 万种预测稳定；相较之下，人类实验与早期计算方法此前仅识别数万种（AI for Scientific Discovery）。
- AlphaFold Database：2026 年 3 月 1,754,199 个同源二聚体、2026 年 5 月约 2.2M 同源二聚体；跨 4,777 个蛋白质组完成约 19M 同源多聚体与约 8M 异源多聚体预测（AlphaFold Database FAQ、AlphaFold Database）。
- GraphCast：10 天全球预报在单块 TPU 上不到一分钟完成，并在 90.3% 的验证目标上优于 HRES（GraphCast（AI Wiki））。
- ESM3：98B 参数多模态生成模型，可用思维链设计蛋白质（Protein LLMs Survey）。
- AlphaProof（2024，IMO）：28/42 分，银牌水平；2025 Gemini Deep Think：35 分（六题中解决五题），金牌线（AlphaProof、Advanced version of Gemini with Deep Think（Google DeepMind））。
- Isomorphic Labs：6 亿美元融资、17 条管线、与礼来/诺华近 30 亿美元合作（IsoDDE）。
趋势与争议
- 从预测到临床：AI 制药的关键考验在于管线能否真正进入并通过临床试验，首个 AI 设计药物的试验时间表已被推迟一次（Isomorphic Labs & AlphaFold）。
- AI 气象的边界：数据驱动模型在极端天气强度的次季节预测上会失效，说明其并非全面替代 NWP；有基准研究进一步比较 AI 模型两周以上的长时段滚动预报能力（Evaluating the Predictability of Selected Weather Extremes with Aurora、Can AI Weather Models Predict Beyond Two Weeks?）。
- 架构与范式之争：等变网络 vs 大规模数据驱动生成模型（如 AlphaFold 3 的扩散路线）仍是方法学争议焦点；材料领域则出现「生成式 inverse design」与「计算筛选」两条技术路线的对比（AI for Science — Landscape & Method Spectrum、MatterGen）。
- 口径差异：关于 2025 年 IMO 成绩，Google DeepMind 官方表述为「六题中解决五题、得 35 分」达金牌线，另有第三方文章称「解决全部六题」，两口径并存需注意（Google DeepMind、When AI Earned a Silver Medal in Mathematics）。
- 科研基础设施化：从 GNoME 的晶体库、AlphaFold 的结构数据库到 ECMWF 的业务化 AI 预报，AI for Science 正从论文走向可持续的科研基础设施（Science — Google DeepMind、Farewell to the external AI models）。
参考来源
- Science — Google DeepMind
- AlphaFold — Google DeepMind
- AlphaFold Database FAQ
- AlphaFold Database
- Isomorphic Labs — Our Tech
- AI for Science — Landscape & Method Spectrum
- AI for Scientific Discovery
- DeepMind predicts millions of new materials（Science）
- A generative model for inorganic materials design（Nature, 2025-01）
- MatterGen: A new paradigm of materials design with generative AI
- Materials（Microsoft Research）
- AI meets materials discovery: The vision behind MatterGen and MatterSim
- ESM3: Simulating 500 million years of evolution with a language model
- Simulating 500 million years of evolution with a language model（Science）
- Protein Large Language Models: A Comprehensive Survey
- Run NVIDIA BioNeMo NIM Microservices for Protein Structure Prediction in Claude Science
- How Claude is uplifting biomolecular modeling（Anthropic）
- Farewell to the external AI models（ECMWF）
- AIFS ENS becomes operational（ECMWF）
- AI Weather Forecasting in 2026 Explained
- GraphCast（AI Wiki）
- Evaluating the Predictability of Selected Weather Extremes with Aurora
- Can AI Weather Models Predict Beyond Two Weeks?
- The AI and Machine Learning Forecasting Revolution
- AlphaProof（wiki）
- Mathematicians put AlphaProof to the test（Nature）
- Advanced version of Gemini with Deep Think officially achieves gold-medal standard at the IMO（Google DeepMind）
- From silver to gold
- When AI Earned a Silver Medal in Mathematics
- AI for Science（wiki）
- IsoDDE
- Google DeepMind CEO Announces AI-Designed Cancer Drug Clinical Trials
- Isomorphic Labs & AlphaFold: AI Drug Discovery in Trials