全球科学智能市场预计从2025年爆发式增长至2035年的5万亿美元，而高质量“端到端”数据集却被定义为行业最大“卡脖子”瓶颈——AI4S正在重塑全球科研范式与产业竞争格局。上海仪电与思朗科技联合发布的白皮书系统梳理了科研第五范式的演进、技术体系、市场格局与落地实践，揭示了从算力、模型到数据的完整产业图景。

AI4S（科学智能）将人工智能、大数据、高性能计算与领域科学深度融合，实现全自动、智能化的科学发现。其核心逻辑是利用AI技术自主处理海量多模态数据，自主构建模型、优化参数，自主设计实验方案、预测实验结果，甚至自主提出新的科学假设，实现“数据输入→AI分析→规律发现→实验验证→知识生成”的全流程自动化。AlphaFold通过深度学习仅凭氨基酸序列精准预测蛋白质三维结构，解决了困扰生物学界半个多世纪的难题；AI辅助新药研发将传统周期从10年以上缩短至数年；材料科学领域AI自主设计新型材料成分与结构，为新能源、航空航天等领域提供新型材料支撑。

美国白宫2025年发布《美国AI行动计划》，明确将“高质量数据”定位为“国家战略资产”，同年11月推出“创世纪计划”（定位为“AI曼哈顿计划”），由能源部主导构建“美国科学与安全平台”，整合联邦数据、超级算力与AI模型资源，重点攻坚先进制造、生物技术等六大战略领域。英国启动“Openbind”大科学计划，拟构建全球最大蛋白小分子交互数据库。日本发布《综合创新战略2025》，将AI、量子技术和核聚变能源列为国家战略重点。
中国国务院2025年印发《关于深入实施“人工智能+”行动的意见》，2026年“十五五”规划纲要提出加快数智技术创新、深化拓展“人工智能+”，工业和信息化部等8部委提出到2027年打造100个工业领域高质量数据集、推广500个典型应用场景。

AI4S稳定运行依赖数据、算力、模型三大要素协同支撑，但三者的挑战难度呈现显著不均衡。算力层面，科学智能模型参数量远少于通用大模型——AlphaFold3参数量约3.7亿，仅需少量GPU即可完成完整训练与推理。模型层面，基于现有通用大模型进行微调优化或针对性研发垂类小模型，核心依赖计算数学、理论物理等领域的专业人才。
数据层面是真正的核心短板。产业数据存量不足且难以整合，药厂、化工厂等企业仍以传统实验研发范式为主，研发数据分散在实验报告、纸质记录中，未进行统一的数字化整理与标注。不同企业之间的数据存在严重的“信息孤岛”问题，核心实验数据、研发数据根本不会对外披露。AI的底层逻辑决定了“数据决定模型能力”，若训练数据缺乏核心规律，AI将无法实现真正的创造性突破。

AI4S对数据的核心需求是“精准匹配科研逻辑、完整覆盖研究链条”。在生物医药领域，端到端数据需紧密围绕药物研发全生命周期，涵盖分子筛选、细胞实验、动物实验、临床研究等核心环节，实现“分子结构-活性测试-临床疗效”的全链条贯通。在新材料领域，需覆盖材料结构、原料配方、制备工艺、性能测试、应用场景等环节，构建“微观结构-配方-工艺-性能-应用”的完整数据体系。
“两步走”策略是高效构建路径：第一步打通单条端到端数据闭环，验证可行性与数据正确性；第二步批量构建具有代表性的端到端数据，确保涵盖成功与失败案例、常规与特殊场景。仅构建10个PCC和IND相关的端到端数据，研发成本就高达数亿元，必须依靠国家层面统筹布局。

科学计算是生成高质量数据集的关键手段。仿真模拟计算依托现代计算科学、量子力学、分子动力学等理论基础，能够突破传统实验的尺度限制，精准表征实验不可见的微观维度。但科学计算面临严峻算力瓶颈——完成百万原子体系百微秒仿真计算量需要10²¹次算术运算，传统超级计算机需数百年才能完成。美国ANTON生物专用超算对中国严格禁用。国产“天穹”专用超算以“算法级全局优化计算”为核心策略，在专用芯片、系统架构、计算软件层面实现全栈自研突破，在生物MD领域带来百倍性能加速，计算效率达3-5微秒/天。

全球AI4S市场预计从2020年的378亿美元增长至2035年的近5万亿美元，2025-2030年复合增长率高达60.5%。中国AI4S市场将从98亿美元增长至约1.8万亿美元。2025年中国科学计算市场规模约1347.0亿元，预计2029年增至约2682.8亿元，复合年均增长率约18.8%。
典型案例验证技术落地价值：谷歌AlphaFold/IsoDDE被全球超300万研究人员使用，与礼来和诺华签署近30亿美元合作协议。思朗科技基于“天穹”打造新药引擎，针对JAK2-V617F等新靶点开发变构抑制剂。德国BASF引入Quriosity超算，AI反应器将实验速度提升20倍。字节跳动BAMBOO单GPU实现每秒10⁶原子步，成功指导新型高电压电解质配方开发。台积电采用英伟达cuLitho平台将光刻效率提升40倍。波音公司借助虚拟仿真将物理测试从77次降至11次。