摘要：
真正进入具体研究场景，AI科研的价值才开始变得具体。
凤凰网科技 出品
作者｜杨乐
编辑｜刘毓坤
拿到诺贝尔奖的，永远是科学家。很少有人会注意，科学家身后站着什么。
2024年诺贝尔化学奖授予蛋白质结构预测领域的科学家，AlphaFold由此成为AI进入基础科学的标志性案例。
但一个模型能够预测蛋白质结构，只是故事的开始。
一篇论文可以在几个月里完成，一套科研基础设施却可能需要几年、十几年。
AI for Science真正进入科研现场之后，最先暴露出来的，反而是这些需要长期投入的问题。
9月18日，华为全联接大会科研分论坛，八家国内科研院所的一线研究者轮番登台。他们讲的，不是一个又一个漂亮的AI故事。更多时候，他们在讲算力不够、模型适配困难、实验设备难以联网，以及AI生成的高分结果如何真正落到实验室。
这反而让人看见了AI for Science的现实困境。当AI开始进入科学，最难的那部分，恰恰是最不显眼的。
从一台智算系统到一张算力网
鹏城实验室智算部副主任余跃梳理了鹏城云脑八年的迭代历程：2018年一号、2019年二号，到如今已经投用的三号，以及正在规划中的四号、五号，整套智算系统的底层算力始终由昇腾算力支撑。
这套自主创新的算力底座也交出了亮眼成绩。今年6月，国际超级计算大会（ISC 2026）IO500全球存储性能榜单发布，鹏城云脑在IO500全球总榜和研究榜双双夺冠，得分603334分，达到历史纪录的2.8倍，实现十二次连冠，项目此前还曾斩获国家科学技术进步奖一等奖。
余跃更看重的，是把一套套智算连接起来。
鹏城实验室正在搭建全域科研算力网络，打通算力、设备和AI服务之间的共享壁垒。思路与美国经过多年建设的ESNet科研网络相近，通过全域组网联动各类大科学装置和算力资源，让科研资源能够跨区域流动，服务更多前沿研究。
问题是，算力铺开之后，模型能不能跑起来？
深圳河套学院副院长欧阳万里提到一个行业普遍存在的情况，主流模型已经适配海外主流生态，并不意味着换到国产芯片上就能稳定、高效运行。
他的团队联合华为开展大规模模型适配验证，从海外主流生态中选取500个可用模型，在昇腾平台逐一测试。欧阳万里介绍，在本次测试集和算子优化条件下，500个模型全部跑通，80%的模型准确率与海外生态基本对齐。不仅如此，本次测试条件下，超过70%的模型在昇腾920C上的运行速度优于同水平海外主流硬件平台。
更值得注意的是适配效率。
过去，一个模型跨生态手动适配往往需要数周，如今借助华为工具链，模型跨生态适配从数周可以压缩到一小时左右。面对成百上千个模型，真正决定效率的，往往就是这些藏在底层的算子和工具链。
再往下看，基层科研面对的甚至还是有没有算力的问题。
四川省科技厅计算机研究院副院长牛颢提到，四川拥有大量科研平台和实验室资源，许多科研团队却缺少算力，也缺少模型选型和使用路径。科研需求已经摆在那里，落地往往卡在第一步。
针对这一情况，四川启动全省AI for Science专项工作，华为参与科研联盟组建和算力建设，当地智算中心的昇腾算力从初期300P扩容至408P。
当算力的问题逐渐得到解决，问题就变成了如何真正服务科研？
让飞轮转起来
华为给出的思路，是把科研过程重新串联起来。
底层是昇腾智算算力底座，上层的智慧科研方案覆盖文献挖掘、实验设计、实验执行和数据分析。模型、实验、数据之间形成闭环，碎片化的科研工具也被纳入同一套体系。
这套方法在科学智能物质创制中心主任江俊的团队里已经运行多年。
江俊深耕机器化学家赛道七年。2019年刚开始做这件事时，团队既缺数据，也缺成熟模型。那时AI for Science还没有成为行业热点，华为给团队提出的思路是，如果没有数据，可以先启动模型飞轮。
团队由此提前搭建数据、模型和实验之间的循环。
基于双方共建的体系，闭环运行三天后，团队就看到了自主发现新知识、创造新物质的可能性。
真正进入具体研究场景，AI科研的价值才开始变得具体。
中科大张国庆团队正在攻坚幽门螺杆菌新药研发。团队把现有药物的副作用作为失败样本，通过扩散算法生成新的药物分子，再交给后端机器人自动验证。过去成本高、成功率低的试错过程，被纳入机器可以持续执行的实验流程，科研人员也获得了更大的探索空间。
中科大方天成团队则从冶金领域挖出了三条冷门反应路径，将原本高能耗、低价值的冶金技术用于阻燃材料研发。华为参与推动建设2万平方米中试大楼，把理论研发进一步延伸到产业化环节。华为与科学智能物质创制中心联合发布的“灵境造物”平台，目前已经内置超过千项智能科研工具。
中科院自动化所研究员徐楠团队的磐石2.0，是中科院自动化所主导的成果，后训练阶段，华为提供了部分算力支持。该模型汇聚60余家研究所的研发力量，在部分专业评测中表现优于国际主流通用模型。
在催化剂设计场景中，磐石智能体把原本数月的研发周期压缩到30分钟，同时带来38%的催化活性提升。
模型跑得再快，最终还是要回到实验室。AI可以在屏幕上生成无数种答案，科研成果还得经过真实实验这一关。
屏幕上的高分不算数
广州实验室研究员曹小宝分享的案例，恰好说明了这道关卡有多难。
他的团队搭建了黑灯实验室，把原本需要数年、完成百万组试错的水凝胶配比实验，压缩到几天完成优化。可实验效率提升之后，另一块短板更加突出：高端科学仪器高度依赖进口。
目前，国内85%以上高端科学仪器依赖进口，全球顶尖20家科学仪器企业中没有中国厂商。仪器行业研发周期长、利润薄、回报慢，却直接连接着实验室里的每一次科学发现。
与此同时，广州实验室推进科学仪器鸿蒙化改造，并与华为联合推出自主创新的科研 L4 解决方案，和生物岛联合发布 “生鸿系统”。传统设备更多模拟人工操作，改造后则通过底层指令直接连接设备，让实验设备能够进入自动化科研流程，提升实验执行的精度和稳定性。
上海人工智能实验室产品规划中心负责人杨阳也提到了一个变化。AI已经可以快速生成大量高分仿真方案，但仿真结果终究要经过实验验证。科研的卡点，开始从能不能提出一个好假设，转向能不能把这个假设验证出来。
她举了一个清华课题组做蛋白改造的案例。团队连续四年没有取得突破，引入书生・端砚平台和蛋白质大模型，并依托华为算力底座，仅经过两轮迭代，就找到了非传统功能区的关键突变组合，最终实现突破。
从算力到模型，再到实验仪器，一条完整的链路逐渐浮现出来。
AI科研真正需要的，是让算力、模型、设备和数据彼此连起来。这也是这场论坛里反复出现的一条线索。华为正在补的，是科研体系里那些很难单独成为新闻，却决定AI能不能真正进入实验室的基础设施。
科研基础设施没有捷径
这套做法放到华为自身的发展轨迹里，也并不陌生。
长期投入、高强度研发、接受较长的回报周期，是华为长期坚持的技术路线。根据华为 2025 年年报，华为全年研发投入 1923 亿元，占营收 21.8%；近十年累计研发投入超过 1.38 万亿元，过半员工为研发人员。
大量研发资源持续投向底层软硬件、算力底座、工具链这类见效慢、难以快速商业化的基础能力。
放到AI科研领域，逻辑其实很接近。
鹏城云脑用了八年持续迭代，机器化学家的科研飞轮已经运转多年。AI 科研领域里，很多外界眼中一夜成型的突破，背后都要经历数年持续打磨基础设施。科研成果可以快速发表，但能够支撑大量科研团队复用的算力网络、适配工具、自动化实验链路，无法一蹴而就。
基础设施的价值往往是隐性的。它不会直接产出论文或者新模型，却决定了大量科研团队能不能稳定、低成本地用上 AI 科研工具。
如今华为针对科研场景组建的专项团队，也是在做类似的资源集中，把力量投入更底层、更长期的科研领域，降低短期商业回报的考核压力，先把自主创新科研生态需要的基础能力搭起来。
把时间还给科学家
如果说算力、模型、仪器解决的是AI能不能进入科研，那么华为最终想解决的，是科学家还有多少时间真正做科学。
华为公司副总裁杨伟军在致辞中把这个判断说得更直接：科研人员约七成时间耗在重复性事务上，华为要做的，是用智算实验室筑牢算力底座，用智慧科研重构科研流程，把人从繁琐事务里拉出来，回到提出问题、归因论证、价值权衡和方向取舍上去。
华为智慧科研体系正在压缩这些重复劳动。
这也让部分场景的效率提升达到了数十倍。机器承担更多重复任务之后，科研人员可以把精力重新放回问题本身：研究什么、如何论证、哪个方向值得继续，以及什么时候应该停下来。
这可能也是AI进入科研最容易被忽略的价值。它改变的未必只是某一个实验的效率，而是科学家的时间结构。
华为科研军团总裁孙鹏飞把华为的科研使命概括为一句话：筑牢基础设施底座，把时间还给科学家。
图｜华为发布智慧科研解决方案（从左至右依次为：华为科研军团总裁孙鹏飞、中科院自动化所研究员徐楠、鹏城实验室智算部副主任余跃、华为副总裁杨伟军）
论坛最后，华为携手中科院自动化所等科研机构发布了智慧科研解决方案，简称IDEA。它由四类智能体组成：Insighter负责文献挖掘，Designer负责实验设计，Executor负责实验执行，Analyst负责数据分析与反馈，形成一套多智能体协同体系。这是华为首次面向科研领域发布Agentic AI方案。换句话说，前面讲的算力、模型、工具、仪器和数据，到这里被串成了一条能跑的科研流程。
从这场论坛释放出的信息看，华为正在做的事情也越来越清楚，通过智慧科研解决方案，把算力基座、模型、科研工具、科学仪器和实验数据连接起来，让AI真正进入科研现场。
多位科研工作者的分享，最终指向了同一个问题。AI已经可以提出越来越多的假设，也可以生成越来越漂亮的仿真结果。科研竞争接下来要解决的，是怎样把这些结果稳定、快速地送进实验室，再让真实实验产生的数据回到模型里。
科研创新站在聚光灯下，支撑创新的基础设施往往藏在灯光之外。
过去，我们习惯看见科学探索的高光时刻，而支撑探索的基础设施建设，仍是一场需要多方持续参与的漫长实践。
