2026年5月23日，鲲鹏昇腾开发者大会2026——昇腾AI4S技术论坛在北京成功举办。
论坛以「算力驱动科学发现」为主题，九大议题围绕大模型时代下AI4S智能体应用及生命科学方面的发展展开，汇聚企业、高校、科研院所多位行业专家，分享前沿理念、技术成果与落地案例，全方位探讨AI赋能科学研究的新方向与新路径。
来源：华为计算官方报道（2026年5月23日鲲鹏昇腾开发者大会）
当AI从「聊天助手」进化为「科研伙伴」，一个全新的科学发现时代正在开启。
一、AI for Science：从工具到伙伴的跨越
2024年诺贝尔物理学奖和化学奖的公布，让「人工智能赋能科学研究（AI for Science，简称AI4S）」从科学专业议题走向更广泛的公共视野。那一年，AI技术同时获得了诺贝尔两个学科的认可，这在诺贝尔奖历史上还是头一次。
但如果仔细审视这个趋势，会发现AI在科学领域的角色正在发生根本性变化。
过去，AI更多是科学家的「工具」——帮忙跑数据、做模拟、生成图表。但现在，AI正在从工具升级为「伙伴」，参与从假设提出、实验设计、数据分析到结论验证的全流程。
这个跨越的核心驱动力，是大模型和智能体技术的成熟。
华为昇腾技术专家于璠在论坛上判断，当下的技术发展呈现两大趋势：
第一，基础模型与智能Agent双轨并行。基础模型融合物理规律、借助图神经网络深挖数据关联；Agent则赋能自主科研，助力打造跨学科全流程科研闭环。
第二，依托标杆应用与前沿学术成果，持续驱动开源生态蓬勃发展。
这两个趋势的交汇，意味着AI for Science正在进入一个新阶段——不再是单点突破，而是系统性渗透。
二、AI4S的四大主战场：技术落地的真实图景
华为昇腾技术专家张玉橙在论坛上详细介绍了昇腾AI4S的整体布局与能力积淀，在四大方向上已经孵化出丰富的原生模型与智能Agent应用案例。
方向一：生命科学
这是当前AI4S最火热的战场，也是商业化前景最明确的领域。
北京昌平实验室领衔科学家陈明辰介绍了开源且昇腾原生支持的生物分子AI设计平台——TorchX科研生态。围绕结构预测、质量评估与全原子设计三大核心环节，推出了三款工具：
TorchFold：完整复现AlphaFold3并兼容官方权重，在抗原抗体复合物预测等复杂场景中超越了AF3。
TorchScore：质量评估工具。
TorchDesign：全原子设计工具。
以TorchDesign为例，相比初始版本性能提升15倍，推理序列长度提升4倍。这不是小步迭代，而是数量级的跨越。
广州实验室AI高级工程师郭东博士介绍了另一个案例：广实与昇腾合作研发的多模态纳米抗体序列大模型编码器GND（GZlab Nanobody Design）。这是基于超大规模天然纳米抗体实验数据，全量训练和优化完成的纳米抗体序列基础大模型。
在纳米抗体结构预测方面，使用性能优化提升的昇腾版本蛋白质折叠模型，序列长度提升67%，推理速度提升100%，实现公开数据集INDI纳米抗体序列的全量结构推理。
方向二：材料化学
材料的创新直接影响能源、航空、电子等核心产业。但传统材料研发周期长、成本高、效率低，「发现一种新材料平均需要10-15年」是业界公认的难题。
AI正在改变这个局面。通过大规模计算和机器学习，AI可以在计算机上快速筛选候选材料，预测其性能，大大缩短研发周期。
昇腾在材料化学方向的重点是「AI计算与传统计算配合的通用解决方案」，也就是把AI计算和第一性原理计算、分子动力学模拟等传统科学计算方法结合起来，让科学家能够同时发挥AI的高效和传统方法的精确。
方向三：地球科学
气候变化、极端天气预测、资源勘探……地球科学的问题直接影响人类生存。但地球系统的复杂性，使得传统方法很难做出精确预测。
AI的介入，正在改变这个局面。通过融合物理规律和机器学习，AI可以更好地理解地球系统的运作规律，提高预测的准确性和时效性。
方向四：电磁仿真
电磁仿真是芯片设计、航空航天、通信等多个领域的核心技术。但传统电磁仿真计算量巨大，复杂模型的仿真可能需要几天甚至几周。
昇腾的解决方案是通过软硬件深度协同，提升电磁仿真的计算效率。在芯片设计领域，这意味着更快的仿真迭代周期；在航空领域，意味着更精确的气动性能预测。
三、标杆案例：AI4S的中国力量
论坛上，多个来自中国顶尖科研机构的案例分享，展示了AI4S领域的「中国方案」。
案例一：上海人工智能实验室：通专融合的科学智能体
上海人工智能实验室AI4S中心负责人白磊介绍了团队提出的「引领性Agentic Science（智能体科学）」概念，以及通专融合科学智能体系统InternAgents（书生科学发现系统）。
关键数据：团队AI4S大模型经昇腾软硬件优化后——
- 深空大模型的百步平均训练时长相较开箱下降约60%
- 风乌大模型的百步平均训练时长相较开箱下降约29%
- 材料大模型的强化学习单epoch耗时，在科学计算典型数据集上相较开箱下降约92%
这三个数字说明什么？训练效率的倍增，意味着科研周期的压缩。过去需要一个月完成的训练任务，现在可能只需要一周。
案例二：中国科学技术大学：从科研需求到物质创制的全流程自动化
中国科学技术大学陈林江教授作了题为《原子比特通用力场模型与灵境造物科研智能体》的报告。
团队自主研发的AtomBit通用机器学习力场模型与灵境造物科研智能体平台的深度集成，以昇腾算力为底座，实现从科研需求到物质创制的全流程人机协同自动化。
陈老师指出了一个核心问题：通用大模型擅长发散推理，但缺乏精准预测能力；专属模型精准，但泛化能力不足。怎么解决这个问题？
灵境造物的答案是：让AI驱动科学研究的新范式——连接大模型的发散推理与专属模型的精准预测，赋能机器人自主发现新知识。
这个案例的启示在于：AI4S不只是「用AI做计算」，更是「用AI重新定义科研流程」。
案例三：中科院自动化所：「磐石」科学基础大模型
中国科学院自动化研究所研究员张家俊介绍了「磐石」基础大模型3大智能体：
磐石·文献罗盘——科研智能助手，帮助科学家快速检索、阅读、整理文献。
磐石·智能体工厂——多任务科学智能体，支持多种科研任务。
磐石·ScienceClaw——通用科学智能体，面向通用科学场景。
在算力生态方面，「磐石」科学基础大模型及相关智能体已成功适配昇腾AI基础软硬件平台，后训练和推理效率持平业界标杆。
案例四：深圳河套学院：500个模型自动迁移的工程能力
深圳河套学院副院长欧阳万里介绍了基于昇腾的模型自动适配调优工具。基于多智能体协同技术，构建起模型检索、环境适配、算子适配、质量评估、性能优化的全流程自动闭环。
这个工具的核心价值在于「让科学家专注科学，而不是被工程问题困扰」。
关键数据：依托该工具已完成500余个PyTorch模型的快速迁移，357个模型在昇腾平台上性能超越业界。
500余个模型迁移，这在以前需要多少人力和时间？现在通过自动化工具一键完成。
四、从「大炼模型」到「精细化落地」：AI4S的新阶段
回顾AI4S的发展历程，会发现一个明显的趋势：从「模型为王」到「应用为本」的转变。
早期，AI4S的核心议题是「怎么训练出一个更好的科学大模型」。大家比拼的是参数规模、benchmark分数、论文数量。
但现在，焦点正在转向「怎么让AI真正帮助科学家提高科研效率」。这需要的不仅是模型能力，更是工程能力、系统能力、生态能力。
昇腾的技术布局很好地反映了这个转变。在软件层面，昇腾提供了从模型训练到推理部署的完整工具链；在硬件层面，昇腾超节点在大规模多卡并行任务中表现出色；在生态层面，昇腾正在与科研机构、企业开发者共建开放生态。
这种「软硬一体、开放协同」的模式，可能比单纯追求模型性能更有长期价值。
五、科学智能时代：中国不能再落后
中科曙光董事长历军在论坛上的一段话值得深思：
「AI for Science正在重塑人类认知世界的方式，基础科学突破能力已成为全球科技竞争新的’胜负手’，人类正加速迈入’科学智能时代’，支撑它的是一套全新的’大科学’新基建，而大算力是入场券。」
这段话的核心意思是：在AI时代，科学发现的能力将决定国家竞争力。
回望历史，每一次科技革命都伴随着科学方法的根本性变革。工业革命带来了实验科学的方法论，信息革命带来了计算科学的方法论，而现在，AI正在带来科学智能的方法论。
在这个新战场上，中国的表现值得关注。从昇腾AI4S技术论坛的案例可以看到，中国在生命科学、材料科学、地球科学等多个AI4S方向上都有实质性突破。
但也要看到挑战。AI4S的核心算法和基础模型，目前仍主要来自美国和中国的高校和科研机构。中国需要更多「从0到1」的原始创新，而不仅仅是「从1到100」的工程落地。
当科学发现插上AI的翅膀，那些率先掌握翅膀的国家，将在未来几十年的科技竞争中占据先机。
你觉得，AI for Science会在哪些领域最先实现突破？欢迎在评论区分享你的观点。
我要评论