AI赋能科学发现：如何突破数据壁垒攻克研究难关

人工智能正在与科学研究实现深度交融，重塑着科学未来的面貌。

去年11月，美国启动了一项名为“创世纪计划”的国家级战略，旨在整合其顶尖的超算资源与独特的数据资产，利用人工智能变革科研范式，加速科学发现进程。无独有偶，英国同期也发布了其AI for Science战略，规划了15项具体行动，以巩固其在人工智能驱动科学突破领域的全球领导地位。

近日，多位青年科学家在上海的一场AI for Science座谈会上不约而同地指出，数据壁垒已成为该领域发展的核心痛点之一。人工智能不仅需要海量数据，更需要多样化的高质量数据。缺少足够的数据“原料”，就如同巧妇难为无米之炊，难以训练出有效的模型。AI for Science的征程亦不应止步于科研发现，而应选择那些兼具产业基础、技术优势和数据积累的领域先行先试，探索从研究到应用的市场闭环。

没有数据“下锅”，就难以炼出好模型。

新能源汽车已成为我国经济发展的重要引擎，而锂电池是当前的主流技术路线。固态电池作为下一代电池技术的突破方向之一，采用固体电解质替代传统液态或凝胶电解液，具有高能量密度和高安全性的显著优势。

上海交通大学副教授、未来电池研究中心执行主任万佳雨长期从事固态电解质研发。他坦言，尽管当前新材料层出不穷，但在固态电池领域，真正有应用前景的材料不过十余种，若按大类划分仅有寥寥几类。“在模型训练中，如果没有足够的数据‘下锅’，就难以训练出一个好模型。”

在生物领域，蛋白质是生物制造的底层材料。过去，开发一款成功的蛋白质产品高度依赖科学家经验，过程漫长且试错成本高昂，成功率偏低。由于蛋白质研发设计技术门槛高，导致优质供给不足，国际垄断现象严重，我国尤其面临着工业酶70%依赖进口的困境。利用AI高效设计蛋白质，关键在于攻克蛋白质功能预测难题，而数据则是重中之重。

“人工智能需要数据，不仅要求数据量大，而且要求数据的差异化程度高。上海交通大学特聘教授、天鹜科技首席科学家洪亮团队开发了AI蛋白质设计平台Venus。他们让大模型学习极端工况下的蛋白质功能，并以此辅助蛋白质设计，进而开发出全球首款由大模型设计且实现工业化生产的蛋白质。”洪亮解释道，这一策略的成功，完全依赖于底层数据的规模与质量。

为了解决数据问题，洪亮团队组建了全球最大的蛋白质数据库，收录了150亿条蛋白质序列，其中包含67亿条私有数据，既有来自马里亚纳海沟的深海蛋白质数据，也有中国大西北盐湖的蛋白质数据。

“我们在数据层面遇到的核心痛点并非数据获取难，而在于数据高度非标准化。”洪亮表示，各方提供的数据格式各异，缺乏统一规范。为了清洗每一条序列并进行标准化标注，团队为65亿条蛋白质数据打上环境标签，才将原始的“杂乱”数据转化为可用的研究数据。

协同合作打破数据壁垒，探索市场闭环

数据采集、专业的标注与数据共享，是推进AI for Science不可或缺的关键要素。

“许多科学领域的专业数据并不公开，也缺少团队投入资源去完成那些繁琐的数据加工工作，但AI for Science的数据必须共享。”上海科学智能研究院副院长程远介绍，该院旗下的星河启智科学智能开放平台的数据广场已建成超过4万个高质量科学数据集，数据总量达12PB。

上海科学智能研究院的经验是构建多层次的人才体系：20多位专职数据工程师从事数据加工和批量化处理，200多位在校学生和聘用人员专职从事数据标注，1000多位众包人员承担数据校验和初级标注。除了丰富的科学语料资源和海量数据储备，平台的数据加工工具确保了数据质量和科研可用性，明晰的数据权属机制则推动了数据合规生产和开放共享。“我们与高校、企业合作，加工和开放了16个领域的专业数据。他们既是平台使用者，也是建设者，贡献了数据和模型。”程远说。

去年9月，上海人工智能实验室联合合肥实验室、临港实验室等12家国家实验室成立了上海科学智能战略科技力量联盟，同时吸引众多高校和科研机构加入，共同梳理联盟体系内的各学科数据，以打破数据壁垒。

上海人工智能实验室青年科学家、科学智能中心负责人白磊认为，要推动AI for Science取得实质进展，首先必须清晰界定人工智能，特别是通用人工智能（AGI）在科学领域的能力表现，系统解析不同学科和科研流程对AI能力的差异化需求，摒弃“胡子眉毛一把抓”的做法。与此同时，AI for Science在模型训练阶段投入巨大，海量数据整合与算力支撑必然要求集结更广泛的力量协同攻关，加强合作。

人工智能的赋能也不应止步于科学发现。上海大学材料基因组工程研究院副教授高兆和表示，AI for Science要从科学研究落地工程，实现从研究到产业的贯通，否则任何技术突破都只是昙花一现。

在洪亮看来，AI for Science的发展有其客观规律，不同学科的商业化程度、数据积累和技术能力各不相同，应当选择兼具产业基础、技术优势和数据积累的领域先行先试，建立以智能体为核心的科研生态，探索从研究到应用的市场闭环。AI for Science的可持续发展必然依托于强大的生态系统，要通过生态链接，有效承接技术与需求，释放AI设计能力。在这一过程中，政府的角色应是引导、搭台、共建，待模式成熟后逐步有序退出。