本期专题围绕人工智能在科学研究中的方法创新与工程落地展开，系统呈现了从基础理论反思到具体领域实践的多维探索。
近年来，随着人工智能（AI）技术的飞速发展，AI与自然科学研究的深度融合已成为国际科技发展的热点方向，AI for Science应运而生。机器学习、深度学习等技术已广泛应用于物理模拟、材料发现、生物医学、气候模拟等领域，大大加速了科学问题的求解过程。学术界普遍认为，前沿应用场景与核心技术瓶颈是推动技术演进的重要动力。本期专题旨在探讨如何运用AI方法推动科学研究创新，并总结该领域的最新热点与挑战。
一方面，科学研究正面临数据和计算的“双重爆炸”。实验观测、传感器网络和高性能计算等手段产生了海量异构数据——从粒子物理的探测数据，到遥感观测的高光谱图像，再到基因测序的组学数据。同时，量子材料、气候模型、天体物理等复杂系统模拟需要极高的计算资源。AI技术为此提供了强大动力：基于深度神经网络的多尺度建模和多模态数据融合使得科学问题的求解方法焕然一新。例如，物理信息神经网络(physics-informed neural networks, PINNs)在求解复杂偏微分方程方面取得了突破，能够在数据稀缺的情况下准确逼近物理系统的行为；生成模型则被用于新分子的设计，拓展了新药发现的可能空间；强化学习与自动化实验平台结合，可以自主探索材料合成路径；超算与AI协同成为高性能计算的新趋势。正如韩银和等在“The Big Chip: Challenge, Model and Architecture”一文中精炼地概括并揭示了神经网络芯片设计的挑战全貌，我们同样在本专题中全景展示了AI在科学计算各领域的最新进展。
另一方面，重大科学挑战对AI提出了新任务：多模态科学计算需要同时处理文本、图像、数值模拟和实验数据等多种模式的信息；AI辅助药物设计要求在生物化学知识约束下生成有效药物分子；科学图像分析则涵盖从细胞显微镜到天文望远镜的各类高维图像处理。这些主题不仅代表了AI在科研应用的前沿，也是当前业内关注的热点问题。诸如多模态医学影像诊断系统、大型深度学习分子生成器、生物物理实验图像自动分析算法等的相继涌现，表明AI正深入渗透到传统科研流程中。
本期专题聚焦3个主要方向：多模态科学计算、AI辅助药物设计和科学图像分析。首先，多模态科学计算探讨如何结合异构数据源（如实验数据、仿真结果和文献知识）与多种AI模型协同求解复杂科学问题，包括多物理场耦合模拟、材料创新和自然科学知识图谱等。其次，AI辅助药物设计方向关注深度学习在新药靶点发现、分子生成与优化以及药效预测中的应用，展示AI如何缩短药物研发周期并提高命中率。最后，科学图像分析涵盖医学图像、生物显微图像、遥感与天文图像等领域，强调AI在图像去噪、分割、识别与定量分析应用方面的新方法和新工具。
本期专题围绕人工智能在科学研究中的方法创新与工程落地展开，系统呈现了从基础理论反思到具体领域实践的多维探索。中国科学技术大学特任副研究员宋培培从方法论层面审视大模型时代的AI for Science，指出人工智能正从面向单任务的计算工具转向嵌入科研流程的协作系统，同时强调可信性、可解释性与科学验证的重要性；中国科学技术大学特任副研究员陈雷及其团队成员则从计算视角重构合成与逆合成问题建模思路，提出反应级表示与多模态融合框架，推进可解释、可扩展的逆合成智能系统构建；浙江大学百人计划研究员朱霖潮面向复杂工程求解，提出统一的物理感知神经算子框架，在参数化 PDE 求解与三维逆向设计中实现高精度与高泛化能力；武汉大学教授武宇及其团队成员系统梳理化学智能的发展版图，展示了从多模态数据表征到生成模型与实验闭环优化的自动化发现新范式；中山大学副教授苗嘉旭及其团队成员聚焦医学图像分割中的联邦领域泛化问题，通过振幅采样与领域注意力机制提升跨域泛化能力并兼顾隐私保护。整体而言，本期专题体现了人工智能在科学研究中由“模型性能提升”走向“研究范式重塑”的趋势，强调在提升效率的同时兼顾可信性、工程可行性与方法论自觉。
本期专题各篇文章紧密围绕上述方向展开研究与讨论。例如，多模态科学计算方面的文章介绍新型神经网络架构和数据融合方法；AI辅助药物设计的文章聚焦生成模型与机器学习在药物筛选中的应用；科学图像分析部分则展示了在医疗诊断和天文观测中基于AI的图像处理方案。我们力求通过系统的逻辑布局，让读者在阅读文章后能清晰了解各方向之间的关联和发展趋势，并被每篇文章呈现的最新成果所启发。希望本专题成为AI技术与科学研究结合的学术窗口，反映该领域的研究现状与前沿动态，服务广大科研工作者和产业应用者。
本文发表于2026年第3期《计算》。
CCF专业会员，《计算》编委。浙江大学教授、人工智能研究所所长。国家级人才。主要研究方向为人工智能、计算机视觉和机器学习。yangyics@zju.edu.cn
中国科学技术大学教授。国家级人才。主要研究方向为多模态大模型、计算机视觉和绿色人工智能。xjchang@ustc.edu.cn
更多阅读
点击“阅读原文”，加入CCF。