AI4S

一场不能输的战争

2025年诺贝尔化学奖揭晓，评委说了一句话，在全球科研圈刷屏：

"AlphaFold 证明了一件事——AI不是科学家的工具，AI本身就是科学家。"

这句话的重量，比大多数人意识到的要重得多。

它意味着，过去几百年人类赖以发展的科研范式——提出假设、设计实验、验证结果——正在被AI系统性重写。

而这场重写，美国、中国、欧盟、英国、日本，在同一时间选择了all in。

这不是科技竞争。

这是定义未来50年国力的战争。

一、AI4S有多重要？三个维度，说透

维度一：战略级别——各国已无退路

2025年，AI4S的关键词只有一个： 国家战略。

美国能源部启动"创世纪计划"，被华尔街日报称为"人工智能时代的曼哈顿计划"，60天内锁定20项国家科技挑战，整合17个国家实验室超算、3大科技巨头（英伟达、谷歌、微软）协同参与，配套资金超过3亿美元，首批目标直指先进制造、关键材料、核聚变、半导体、量子信息——全是"卡脖子"领域。

中国不甘示弱。2025年8月国务院"人工智能+"行动，AI4S被列为6大重点行动之首；2026年"十五五"规划纲要，专章部署人工智能赋能科研，要求研发经费年均增长7%以上。北京、上海、四川、浙江，半年内密集出台地方配套政策，力度罕见。

欧盟发布RAISE战略，计划到2028年AI资助翻倍；英国拿出1.37亿英镑系统性推进；日本喊出"科学复兴"口号，量化的目标直接写进文件：AI论文全球排名从第10升到第5。

为什么各国押注这么重？

因为AI4S不只是提升科研效率——它决定了一个国家在生物医药、新材料、新能源、半导体等所有战略新兴领域的自主可控能力。

制药行业有一句话："谁掌握AI药物研发，谁就掌握下一个十年的生物医药主导权。"

材料行业同样："材料基因工程搞不定，新能源、航天、芯片全部受制于人。"

这不是选择题，是生存题。

维度二：产业成熟度——已有清晰的商业闭环

2018年之前，AI4S是学术圈的玩具。

2026年，AI4S的商业闭环已经跑通：

案例一：晶泰科技（02228.HK）

"AI+量子计算+自动化实验室"全链路模式，自研200+AI模型，智能实验工厂日通量超10万次。2025年营收8.03亿元，净利润1.35亿元——港股AI4S领域首个盈利企业。与辉瑞、礼来等全球Top20药企深度合作，出海协议额累计59.9亿美元。

案例二：特斯拉Dojo超算 + Optimus机器人

从材料发现到量产上车，周期压缩至6-12个月，成本降低90% 。新型硅碳负极材料助力Model S续航突破1000km；固态电解质离子电导率提升100倍，2027年量产。火箭发动机AI设计平台热试车一次通过率达99.7%，研发周期从24个月缩至3个月。

案例三：NASA AstroAgents

8个AI代理协同工作，可自主完成火星样本分析，效率为人类团队的50-80倍。ExoMiner升级版发现370颗新系外行星，准确率100%。

这不是PPT里的故事，是已经发生的事实。

而Nature 2023年的数据进一步确认：AI可将药物发现的时间和成本降低25%-50% 。这意味着，在同等预算下，一个药企用AI可以多做一倍的管线；在同等疗效下，AI可以将价格打到原来的几分之一。

维度三：实际效果量化——降本增效，数据说话

申万宏源研究对AI4S ROI的测算非常清晰：

效率提升不是线性改善，是数量级跨越。

背后原因：AI4S实现了从"大海捞针"到"定向钓鱼"的范式转变。传统研发靠经验试错，AI研发靠模型预测前置筛选，把最不可能的路径提前排除，把最有可能的路径优先验证。

这意味着：

• 速度快10倍：不需要穷举所有可能性
• 成本降90% ：不需要做那么多实验验证
• 成功率更高：模型从海量历史数据中学习，比人类经验更全面

二、AI4S市场前景：有多大，为什么大？

1. 覆盖领域足够广——几乎涉及所有战略产业

一张图看AI4S的应用版图：

生物医药 ── 蛋白质结构预测、药物发现、合成生物学
材料科学 ── 新能源材料、半导体材料、航空航天材料
物理天文 ── 系外行星探测、宇宙模拟、量子计算
地球科学 ── 气候建模、碳中和预测、地质勘探
先进制造 ── 发动机设计、芯片仿真、数字孪生
能源工程 ── 电池研发、核聚变模拟、石油勘探
数学证明 ── 高维方程求解、算法优化
…… （仍在持续扩展）

几乎所有国家战略产业，都在AI4S的覆盖范围内。这意味着，AI4S不是一个赛道，是N个赛道的基础设施。

2. 产业链足够长——每个环节都是大市场

AI4S不是单点技术，是一条完整的产业链：

上游 ── 算力芯片、超算集群、数据治理、科学大模型框架
中游 ── 科学大模型、科研智能体、自动化实验室、仿真平台
下游 ── 药物研发、材料设计、工业仿真、气象预测……
配套 ── 行业应用集成、数据标注、验证服务

每个环节都有独立的市场规模和商业模式：

• 上游偏基础设施：算力芯片（类比AI算力赛道）、科学数据库（类比SaaS估值逻辑）
• 中游偏平台型：科研大模型天然具有高通用性、强壁垒、可复用（类比SaaS估值逻辑）
• 下游偏应用定制：与产业深度绑定，按管线/项目估值

英伟达+礼来5年10亿美元联合实验室、晶泰科技60亿美元出海协议——这些数字背后，是资本市场对整条产业链价值的确认。

3. 长期主线确立——为什么AI4S不会昙花一现

判断一个赛道能否成为长期主线，有三个标准：

第一，是不是结构性需求，不是周期性机会？

AI4S解决的是科研范式的根本问题——效率、精度、速度。只要人类还在做科学研究，AI4S的需求就持续增长。这是结构性的，不是昙花一现。

第二，能不能形成正向飞轮？

AI4S有一个天然的数据飞轮：AI预测→实验验证→数据回流→模型迭代→预测更准。越用越强，越强越多人用。这和消费互联网的逻辑类似，但壁垒更高、护城河更深。

第三，是不是国家意志加持？

当美国、中国、欧盟同时把AI4S列为国家战略，背后是国家信用背书的基础设施投入。这不是市场自然演化，是顶层设计加速。

结论：AI4S不是风口，是基础设施。

三、中科曙光为什么能做好？产业链视角的深度拆解

（以下分析以AI4S产业链视角展开，中科曙光作为算力基础设施层的代表性企业，其核心能力折射出国产AI4S底座的整体竞争力。）

为什么要在产业链视角下讨论这件事？

因为AI4S的竞争，本质上是基础设施之争。没有足够强大的算力底座、没有成熟的科学计算平台、没有打通产学研的工程交付能力，一切上层应用都是空中楼阁。

而这，恰好是中科曙光深耕了30年的主场。

能力一：开放架构——让AI4S生态真正落地

AI4S最难落地的障碍之一，是生态壁垒。

科研场景极度碎片化：生物材料团队用Python+PyTorch，气象预测团队用Fortran+自研求解器，化学模拟团队用Gaussian+VASP……每个领域有自己的工具链、数据格式和工作流。

如果算力平台只能支持某一种框架、某一类硬件，客户就要面临大规模迁移成本，AI4S落地就成了一句空话。

中科曙光的解法是开放架构。

2025年9月，中科曙光联合20余家产业链企业发布AI计算开放架构，开放关键技术，推动多领域适配：

• 全兼容CUDA主流生态，支持多品牌国产加速卡混合部署
• 适配400+主流大模型/世界模型
• 可全面覆盖生物、材料、气象、石油等AI4S核心学科场景

开放架构的本质是降低AI4S落地门槛：让科研团队用自己的工具、用自己的数据，在曙光的基础设施上跑起来，而不需要被绑定在某一个封闭体系里。

这对AI4S生态的繁荣至关重要——生态活了，上下游的应用创新才能真正爆发。

能力二：全栈自研——"算、存、网、电、冷、管、软"七位一体

AI4S对基础设施的要求，比普通AI训练严苛得多：

• 科学计算需要FP64高精度，普通AI训练只需要FP16甚至更低
• 大规模分子动力学模拟需要超低延迟网络通信，跨节点数据交换频繁
• 数天到数月的长周期训练需要极低PUE，否则电费惊人
• PB级科学数据需要高速存储IO，否则GPU空转等数据

通用AI算力平台解决不了这些问题，因为AI4S的需求是科学计算+AI大模型的混合负载。

中科曙光是国内首个实现"算、存、网、电、冷、管、软"紧耦合全栈自研的IT基础设施企业。七大维度全面覆盖，没有短板：

• 算力：覆盖FP64/32/16/8全精度，完美匹配科学计算+AI混合需求
• 存：芯片-系统-应用三级优化，AI加速卡利用率提升55%
• 网：自研scaleFabric原生RDMA高速网络，400Gb/s带宽、<1μs时延，填补国产空白，解决跨节点密集通信瓶颈
• 冷：浸没相变液冷，PUE低至1.04，单机柜支持640卡超节点
• 管：智能调度引擎管理万级节点、十万级用户，每秒万级作业调度

这不是拼凑，是系统性创新能力无可替代的护城河。

能力三：超算+智算深度融通——精准匹配AI4S的多元需求

这是AI4S最核心的技术路径之争。

超算负责高精度科学计算（DFT、分子动力学、有限元），精度高但速度慢；智算负责大模型拟合与推理，速度快但精度不够。

AI4S真正需要的是： 两者融合，一体化调度。

中科曙光是国内超智融合技术的先行者与标准制定者。

2025年推出的Nebula800超智融合算力平台，是国内首个行业标准化超智融合平台：

• 一套系统打通超算与智算的技术和生态壁垒
• 支持多精度、混精度计算
• 破解了非融合系统精度不全、应用普适性差、异构资源调度困难三大痛点
• 荣获2025 CCF全国高性能计算学术大会技术创新奖

更关键的是，中科曙光参与牵头编写了《超智融合集群能力要求》行业标准，建立了覆盖架构设计、功能、安全和评估方法的完整体系。

既是裁判员，又是运动员——这种生态引领能力，是最难被复制的。

能力四：超大规模工程交付——30年大系统集成经验

这是最容易被人低估的能力。

AI4S落地最难的不只是技术，是工程交付——万卡以上的集群怎么运维？6万卡集群怎么做散热和故障恢复？PB级科学数据怎么做存储和管理？

这些问题的答案，需要的不是PPT，是大量真实项目沉淀下来的工程经验。

中科曙光已完成从万卡到6万卡规模AI4S集群的落地验证，成功部署于国家超算互联网核心节点，成为该平台上线以来接入的全国最大单体国产AI算力资源池。

截至目前，该节点已吸引来自高校、科研院所、企业的超3000位用户积极参与测试，成功为多家头部AI大模型厂商提供从系统环境部署、数据安全隔离，到大规模训练调试与推理验证的全流程支撑。

没有多年的大系统集成经验，根本做不了这件事。

能力五：实践案例——标杆验证，说服力最强

理论再漂亮，不如案例有说服力。以下三个标杆案例，验证了曙光AI4S方案的真实落地能力：

案例一：中国农业大学生物育种AI4S平台

痛点：基因比对、蛋白质模拟等生物信息学计算需求旺盛，但通用计算环境不适配，存储和网络性能严重不足，制约育种科研效率。

曙光方案：超智融合技术，整合通用与AI多元算力，适配AlphaFold等深度学习模型；全闪+混闪双存储系统实现微秒级数据响应；scaleFabric高速网络将基因样本分析耗时从数小时压缩至几分钟。

成效：算力资源利用率提升超30% ，有效支撑国家玉米生物育种等关键技术突破。

案例二：中国石化人工智能计算中心

这是能源行业唯一入选发改委AI示范工程的项目。

曙光提供超智融合解决方案，依托液冷高密、高速互联、智能调度，满足石油勘探地震数据处理、油藏模拟、智能勘探等复杂计算需求。

意义：打破了国外厂商在高端能源计算领域的垄断，为AI4S在工业领域的推广提供了可复制的范本。截至目前，曙光超智融合方案已在30+行业落地。

案例三：地质大模型"坤枢" + OneScience科学大模型平台

地质领域专用大语言模型"坤枢"，基于曙光超智融合技术，采用TG-MoLE架构，有效解决"学新忘旧"的难题，实现专业知识与通用能力的平衡优化。

OneScience平台（2025年10月发布）是国内首个科学大模型一站式开发平台：

• 深度复现并集成数十个AI4S热点模型及数据集
• 支持地球科学、生物信息、流体仿真、材料化学等多领域
• 让用户3小时开发一个模型成为可能
• 联合顶尖科研机构发布全球首个蛋白质结构智能压缩与生成AI服务器Protein-OCR，实现10倍压缩、98%保真

平台代码已向业界开放下载，零成本体验，已支持昌平实验室、大气物理研究所等机构，在生物分子设计、气象大模型等研究中实现全流程AI高效开发。

四、总结：AI4S竞争的本质，是基础设施竞争

回到最初的问题：AI4S为什么重要？

因为它决定了各国在生物医药、新材料、新能源、半导体等战略领域的自主可控能力。这不是科技竞争，是国运之争。

为什么市场前景大？

因为覆盖领域足够广、产业链足够长、长期主线确立。英伟达+礼来、晶泰科技60亿美元协议——资本已经用真金白银确认了这个判断。

为什么中科曙光有机会做好？

因为AI4S的竞争，归根结底是基础设施的竞争。而基础设施需要的是：开放生态（让所有科研团队用起来）、全栈自研（没有短板）、超智融合（精准匹配AI4S需求）、大规模工程交付（跑过才知道坑在哪里）、标杆案例（经得起验证）。

这五个能力，中科曙光都有。

而更重要的是：这些能力组合在一起，才能真正支撑AI4S从"实验室"走向"产业场"。

参考资料：《AI for Science 创新图谱 2026》（中信所）、《AI for Science 全球发展蓝皮书（2026）》（中国科协）、日本 JST《AI for Science 2026》、《AI FOR SCIENCE 2025》（复旦大学）、特斯拉AI Day 2021-2026官方资料、NASA AI for Science官方资料、中科曙光官方技术白皮书及公开资料、申万宏源AI4S研究报告、Nature/BCG等相关学术及行业研究。