截至2026年，Google DeepMind开发的材料探索图网络GNoME已推动全球实验室成功合成超过700种预测新材料，其中包含528种潜在固态电解质候选物和5.2万种类石墨烯层状化合物，为下一代锂电池、钙钛矿太阳能电池等领域提供了大量研发方向。
GNoME的核心能力在于对无机晶体材料发现效率的革新。该模型可预测出220万种全新潜在晶体结构，其中超过38万种被判定为热力学稳定的全新无机材料，这一数量相当于将人类过去数百年积累的已知稳定无机材料总量翻了一倍。在自动化实验环节，AI读文献、出配方、机械臂配料、炉子烧结、XRD表征的闭环流程，不到一个月可完成41种新材料的制备。
生物制药领域的AI渗透更为深入。当前药企的研发逻辑正在从传统的高通量筛选转向模型驱动的端到端流程：模型先阅读数千万篇文献和组学数据预测靶点，生成模型在结构、毒性、代谢和专利空间内反复优化分子，代理模型筛除垃圾候选后再送入湿实验，机器人完成细胞和动物实验并将数据反馈至模型。2026年已有由AI全程参与推进的分子进入临床III期阶段。
但AI在科研中的角色边界同样清晰。材料学家指出，GNoME预测的220万种结构中不少是已知相的变体，真正能合成、放大并商业化的比例有限。A-Lab合成成功也不意味着工业界可立即采用，从中试、专利、良率、供应链到环评，中间环节仍需大量人工验证。DeepMind的Hassabis在诺奖后访谈中亦表示，这些工具是扩展人类直觉，而非取消人类判断。
AI for Science的产业链价值分布值得关注。该领域同时消耗算力、数据和基础模型，以及机器人、中试线和临床资源。模型层虽最受资本关注，但利润未必留存于此——算力被英伟达获取，硬件被机器人厂商获取，CRO改造后收取服务费，药企承担监管风险并分配利润，模型公司反而常在融资轮中烧钱最凶。行业观察者认为，评估此类公司应关注其是否拥有干净数据、是否接入真实实验闭环、是否有客户为结果付费而非为演示鼓掌。
国内方面，智谱、百川、阿里通义均在布局科学模型，但实质性突破更多分散在高校、中科院、药明系、宁德时代及部分材料创业公司中。产业界关注的焦点在于谁先提升锂硫电池循环寿命、谁先将蛋白降解靶向分子送入IND申报、谁先让扩散模型生成的晶体在炉中真实生长。AI将科研瓶颈从创意生成转移至实验验证，同步辐射机时、电镜、GMP车间和临床床位等验证资源的拥有者，将成为承接AI产出的关键环节。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
