AI4S加速研发流程的核心是构建自动化“数据闭环”实验飞轮，在这一过程中冷冻电镜、质谱仪、光谱仪等科学仪器，以及自动化的干/湿实验能力至关重要。我国实验仪器设备高度依赖进口，国产化率仅为8.5%，尤其在质谱仪、电镜、X射仪器等高端科学仪器，国产化比例不足2%。高端质谱仪依靠赛默飞的轨道阱质谱仪。电镜则依赖赛默飞、蔡司、日立高新和日本电子。而冷冻球差电镜则100%完全依靠进口，如美国赛默飞的价格动辄2000万元人民币。而X射线仪器依赖于美国布鲁克、英国马尔文帕纳科、日本理学等。

我国在实验室的自动化水平低，我国某重点高校化学实验室的自动化设备覆盖率低于20%，实验员70%的时间用于移液、称量等重复操作，而美国一流大学同类实验室的自动化率已达65%。Opentrons自动化移液站等进口自动化平台垄断85%市场份额，中国本土企业仅能供应低端移液模块。

因此，需进一步发挥北京市高端科学仪器技术创新中心等新型研发机构作用，以“揭榜挂帅”等创新组织机制攻关高端科学仪器关键技术，提升国产高端仪器自主创新能力、市场占有率；加快构建自动化执行复杂实验任务的实验系统，制定智能实验设备接口标准提升设备互联率，搭建全自动高通量小试线、中试线。

海量、高质量的科学数据是AI4S的“土壤”。目前我国高质量科研数据稀缺，数据成本畸高，且存在标注瓶颈。调研发现，单类蛋白质结构实验数据采集成本超8万元，而AI训练需百万级样本。冷冻电镜图像标注需要专业的结构生物学家、冷冻电镜专家或经过专业培训的人员，中科院生物物理所需20名博士全职工作6个月，才能完成1万张冷冻电镜图像标注。

同时，AI4S领域数据共享存在制约。在生命健康领域，医疗数据大多受隐私保护限制，科研可用率较低；材料科学领域，材料数据“碎片化和孤岛化”现象严重，数据规模小，数据交易和共享机制仍未完全建立，难以充分发挥数据基础资源和生成式人工智能赋能作用。因此，应加速推进AI4S关键领域“科研数据可信空间”的建设专项活动，促进医药健康、新材料、工业等领域的高质量科学数据和合成数据资源的集中，加强科学数据的标准化建设，创新数据资源共享的技术和制度，引导数据的可信流通和交易。

目前我国AI4S领域的共性技术平台建设仍侧重于基础支撑层，如中科院建立Science One基于科学基础大模型的智能科研平台；北京科学智能研究院研发的“玻尔科研空间站”AI科研平台集成“读文献-做计算-做实验-多学科协同”等功能；上海交通大学启用超级科研平台，可助力仪器共享与弹性调配。虽然AI4S在药物研发、材料设计、半导体制造、能源优化等工程应用领域取得一系列成果，但成果仍以个别研发案例为主，尤其缺少针对半导体、新能源、新材料等细分场景下单一类别的专业支撑平台。

因此，需要面向重点应用领域，构建一批AI4S共性技术研发平台，依托云厂商，以及医药健康、新材料、工业等重点领域优势企业，协同高校院所、科研机构和创新企业组建各领域创新联合体，探索通过成立合资公司、共建干湿闭环实验室、搭建高能级创新平台等。全面支撑人工智能在多个科学研究领域应用，加速科技工程创新突破。

编辑 | 么大为

审核 | 李质群