AI for Science：科学计算的第五范式

核心概念

从经验范式、理论范式、计算范式、数据范式，演进至 AI 驱动的科学发现范式。

关键挑战

• 维度灾难
• 精度与效率的权衡
• 物理约束的嵌入 (PINNs)

文章目录

1. 生命科学 (Bio) —— 蛋白质结构预测、分子设计与生物信息学中的 AI 方法。
2. 气象科学 (Weather) —— 盘古/GraphCast 等 AI 气象大模型与地球科学应用。
3. 流体力学 (CFD) —— PINNs、神经算子（FNO/DeepONet）与 AI 加速仿真。
4. 材料科学 (Materials) —— 材料性质预测、晶体生成与 AI 驱动材料发现。
5. 科学基础模型前沿 —— 从科学语言模型到领域基础模型（蛋白质/材料/气象），三大挑战与"数据→模型→验证→应用"的探索路径。

阅读路径建议

• 看方法：按领域读 Bio/Weather/CFD/Materials 四篇，建立 AI4S 方法论地图。
• 看方向：读科学基础模型前沿，理解 AI4S 从"单任务专用模型"到"通用基础模型"的演进。
• 看落地：AI4S 的工程化落地（代理模型、全链路案例、科学智能体）见 13 章 · 行业应用。

关键结论速览

• AI4S 的本质是用 AI 逼近/替代昂贵科学计算：数据驱动 + 物理约束 + 超算验证三者缺一不可。
• 科学基础模型是 AI4S 的下一个主战场：领域数据 + 算力 + 验证闭环决定前沿身位。
• AI4S 的可靠性底线：物理一致性必须外部验证——模型预测要与仿真/实验回验，不能只靠模型自信。