AI4S 2026：科学智能的分水岭

2026年2月，日本科技振兴机构（JST）发布了一份叫《Trends in AI for Science 2026》的报告。JST 是国家级科技政策机构，这份报告做了一个大判断：

这不是营销话术。看看各国的动作：

AI4S 不再是"几个实验室的兴趣项目"。它是国家级战略竞赛。

如果说 JST 报告定义了 AI4S 的战略高度，那么中国正在构建它的工程落地。
第一层：政策。 从国务院"人工智能+"行动到科技部 AI4S 专项再到 NSFC 双清论坛，2025年被密集政策覆盖。AI4S 被列入国家重点研发计划颠覆性技术创新重点专项。
第二层：平台。 四张国家级牌：

• 中科院"磐石100"（2026.04）：以磐石科学基础大模型为根，覆盖数学、物理、材料、天文、环境、空天、地理、生命八大领域
• 上海 AI 实验室"珠穆朗玛计划"（2026.03）：2500 万篇高保真解析论文的 Sciverse 数据库 + DeepLink 超智融合算力 + 风乌 GHR 气象大模型（有效预报 11.25 天，世界纪录）
• 上智院/复旦 CFFF 平台：40 PFlop/s 算力，横跨 1500 公里，4000 名用户，95% GPU 利用率
• 北京 AISI（科学智能研究院）：鄂维南院士推动，运营 DeepModeling 开源社区和玻尔科研空间站

第三层：企业。 四家头部，估值/市值合计超千亿：

第四层：资本。 剂泰科技 6900 倍认购不是孤例。英矽智能 E 轮超 1 亿美元，深势科技 C 轮 8 亿元，北京、上海、深圳国资密集入场。
但一个值得注意的事实是：中国 AI4S 目前还没有一个"AlphaFold 时刻"级别的出圈项目。 业界共识是，深势科技、晶泰们正在冲刺——目标是固态电池、First-in-class RNA 药物等方向的突破。

如果说中国 AI4S 是资本和政策的故事，那开源社区正在悄悄地打一场更根本的仗——如何让 AI Agent 和科学工具互联。
2026年，开源 AI4S 工具链围绕三个标准快速收敛：

科学工具通过 MCP 把自己变成 LLM 可以直接调用的函数。Harvard 的 ToolUniverse 项目把 1000+ 科学 ML 模型和 API 封装成 MCP 工具，用两阶段缓存把上下文窗口压缩 99%。mcp.science 社区维护了 DFT 计算、Materials Project、Jupyter 等 12 个科学 MCP 服务器。

K-Dense 的 scientific-agent-skills 仓库——27,200 Stars——封装了 141 个科学技能，覆盖 PubChem、ChEMBL、UniProt、COSMIC 等 100+ 数据库。一个技能就是一个可复现的科学分析协议。SKILL.md 文件直接扔给 Claude Code、Cursor、Codex 就能用。

多 Agent 协作不再靠对话上下文传递，而是通过工作区文件。SakanaAI 的 AI-Scientist（13,900 Stars）是第一个做到"假说→实验→写作→审稿"全自动闭环的系统，每篇论文成本不到 $15。
三个标准合在一起，勾勒出 2026 年开源 AI4S 的完整图景：

1科学工具 → MCP Server → LLM Agent (Skills) → 文件协作 (File-as-Bus)

2026年5月 Frontiers in AI 的一篇 perspective 论文把这个图景推到极致——提出了"MCP-native 分层 AI 科学家生态系统"：基础层是专家手工构建 MCP 工具，中间层是自动代码到 MCP 的转换（Code2MCP），顶层的 Agent 可以自主发明新工具。
这不是科幻。Organon 项目已经实现了 30+ 科学技能的 Agent，包含对抗性假说委员会（让多个 Agent 互相挑刺）和四阶段验证管线。在 Einstein Arena 科学写作评测中拿了最高分。

AlphaFold 太成功了，以至于很多人以为 AI4S = AI 制药。但 2026 年的实际进展远不止于此。

Google DeepMind 的 GNoME 用图神经网络发现了 220 万种新晶体结构，其中 38 万高度稳定——相当于 800 年的传统实验工作量。Berkeley 的 A-Lab 自主合成了 41 种。
Microsoft 的 MatterGen 更进一步——不只是发现，而是按需生成。你想设计一种特定硬度、特定化学组成的材料？输入参数，扩散模型直接输出候选结构。TaCr₂O₆ 的实验验证误差小于 20%。MIT 开源。
资本市场也注意到了。CuspAI 融资 1 亿美元，估值 5.2 亿美元。号称"客户需求到新材料只需 6 个月"——传统路径十年起步。Lila Sciences 和 Periodic Labs 各拿 2 亿美元种子轮。
中国的 DeepModeling 社区也不遑多让。Deep Potential 分子动力学做到了 100 亿原子规模，CrystalFormer-CSP 做晶体结构预测，Uni-Mol/OCNet 把光电器件性能预测提升了 20%。这些都是开源的。

2025年2月，ECMWF（欧洲中期天气预报中心）将 AIFS 投入运营——全球首个主要气象机构的 AI 天气预报系统。
GenCast（DeepMind）在 97.2% 的测试指标上超过了 ECMWF 自己的集合预报，15 天预报只需 8 分钟、1 个 TPU v5——而传统方法需要超级计算机跑几小时。华为的 Pangu-Weather 发表于 Nature 2023，快 1 万倍，在华南已经业务化部署。
但到了 2026 年 5 月，ECMWF 做了一个出人意料的决定：停止运行所有外部 AI 模型。
原因？ECMWF 把自己的 IFS 系统升级到 Cycle 50r1 后，微调过的 AI 模型（GraphCast、Aurora）性能反而下降了。Pangu-Weather 和 FourCastNet 倒是保持中性——但也证明了这些模型对新训练数据的依赖比想象中更强。
这个事件暴露了 AI4S 的核心难题：当底层数据变了，模型能不能跟得上？

DeepMind 在 2022 年就让 AI 自主控制了托卡马克等离子体——单个神经网络操控 19 个磁线圈，造出了前人没见过的"双等离子体液滴"形状。中国 EAST 托卡马克的 AI 现在能以 94% 的准确率预测等离子体破裂。
化学合成方面，DeepRetro 在 USPTO-190 基准上拿到 96.31%——还独立发现了 2 条文献上不存在的天然产物合成路径。自驱动实验室（自动化实验设备 + AI 决策）目前处于 L2-L3 自治水平，瓶颈不在硬件，在软件中间件——设备之间的通信协议还没统一。
地球科学方面，NASA/IBM 的 Prithvi-EO-2.0 已经部署到国际空间站和卫星。地震 AI 能在几秒内预测余震风险。

读到这里，你可能觉得 AI4S 一片光明。但有一个结构性矛盾被大多数人忽略了。
ScaleVP 在 2025 年对生物基础模型的深度分析揭示了一个残酷现实：

什么意思？Schrödinger——最成功的计算化学软件公司——最后不得不自己开发药物管线才能上市。试图只卖数据的公司（Celera、Abcellera）全部转型。AlphaFold 开源看似慷慨，实则逼着药企自建 AI 能力，无意中培养了买方市场。
但有三个信号说明"这次不太一样"：

1. AlphaFold 等模型覆盖的是药物管线中的结构预测环节——不是专利性发现。纯工具模式有了空间。
2. 毒性预测和安全测试——90% 临床分子失败，临床前测试每年烧数十亿美元。AI 替代只需要给出 go/no-go 信号，不需要持有资产。
3. 买家能力质变——AlphaFold 开源后药企被迫自建 AI 团队，卖软件给有 AI 能力的团队比以前可行得多。

这条规律不只适用于药物。材料、气象、化学——凡是 AI 替代的是"预测/筛选"环节（非"发明"环节），纯工具模式都可能成立。

回到剂泰科技那 6900 倍的认购。这个数字不是"AI 概念股泡沫"能解释的——2026 年的资本市场对"AI 概念"早已免疫。真正的信号是：
AI4S 正在从"国家实验室里的论文"变成"港交所里的招股书"。
这不是说科学智能已经成熟了。ECMWF 停掉外部 AI 模型说明可复现性仍是软肋。自驱动实验室还在 L2-L3 阶段。中国还没有一个"AlphaFold 时刻"。
但 2026 年出现了三个不可逆的变化：

1. 基础设施标准化：MCP + Skills + File-as-Bus 让科学 AI 从"每个实验室造轮子"变成"可组合的工具链"
2. 竞争国家队化：从美国 Genesis Mission 到中国磐石 100，AI4S 成了大国科技竞赛的新赛道
3. 价值闭环形成：AlphaFold 获诺奖 → 深势科技 60 亿估值 → 剂泰科技 6900 倍认购 → 资本确认科学智能可以赚钱

AlphaFold 是 AI4S 的第一声惊雷。但 2026 年告诉我们，真正改变科学发现方式的，不是某个模型，而是一整套让 AI 和科学互操作的协议层。

参考来源：JST CRDS《Trends in AI for Science 2026》、国务院"人工智能+"行动意见、中科院"磐石100"发布会、上海AI实验室"珠穆朗玛计划"、剂泰科技招股书、Frontiers in AI (2026)、Nature (GenCast, 2024)、Stanford HAI 2026 AI Index、ScaleVP 生物基础模型分析、K-Dense scientific-agent-skills、ToolUniverse (Harvard)、DeepModeling 社区博客