AI：科学发现的重要引擎及五大突破性进展

AI 凭借处理海量数据、发现隐藏规律及提出创新解决方案的能力，正成为科学发现的关键引擎，在从量子物理到医疗的多个领域实现重要突破，以下从不同领域详细阐述：

在基础科学发现方面，AI 实现了从数据中自主推导经典物理定律的突破性进展。其核心 AI 技术是符号回归神经网络，该技术将科学发现视作 “翻译” 任务，即把观测数据 “翻译” 成简洁数学公式。通过大量合成数据集的训练，它能够从数据模式中识别出底层的数学规律。这一突破带来的关键影响在于，为材料科学、生物医学、环境科学等领域提供了全新的研究工具，AI 已成功重新推导出单摆周期公式、胡克定律等经典物理定律，有望加速新材料研发、疾病规律发现以及对复杂气候变化机制的理解，展现出数据驱动的新科研范式。

量子计算领域取得了 60 毫秒内精准排列 2024 个原子的突破性进展，刷新了世界纪录。核心 AI 技术是专用 AI 大模型驱动空间光调制器，该大模型能实时工作，通过对光镊阵列位置和相位的精确控制，实现对所有原子的并行控制。此前，构建大规模、无缺陷的中性原子阵列是中性原子量子计算路线的关键前提，传统方法逐个移动原子，耗时会随原子数量增加而显著增长，且容易出错、难以扩展。而这项 AI 技术突破实现了高度并行性且与阵列规模无关的常数时间消耗，为大规模中性原子量子计算和量子模拟奠定了关键技术基础，还将单比特门保真度、双比特门保真度及探测保真度提升至国际最高水平。

医疗影像领域的突破性进展是无需重新训练，就能智能融合专家模型与通才模型。核心 AI 方法是 MedSAMix，这是一种无训练模型融合方法。传统医学 AI 模型分为 “通才型”（如 SAM 模型，功能全面但特定领域精度可能不足）和 “专家型”（如 MedSAM，特定领域专业但泛化能力较弱），且专家型 AI 在某些任务上表现有时不如通才模型。MedSAMix 采用零阶优化方法自动寻找最佳模型组合方式，并引入层级粒度概念进行精细化融合，如同组织 “AI 医疗团队会诊”。该突破在 25 个医学影像任务上性能显著提升，单任务提升 6.67%，多任务提升 4.37%，同时大幅降低计算资源消耗和时间成本，让更多医疗机构，尤其是基层机构，能够用上高效的 AI 辅助诊断工具，显著降低了医疗 AI 应用门槛和成本。

量子医疗融合领域的突破性进展是量子增强 Swin Transformer 有效缓解了乳腺癌筛查中的过拟合问题。核心 AI 技术是用变分量子电路（VQC）替代传统全连接层。在乳腺癌筛查等医学影像分析中，深度学习模型常因数据量有限导致过拟合，且模型越复杂，计算资源消耗越大。变分量子电路参数效率更高（参数规模为 O (KN)，而经典全连接层为 O (N²)），能以更少参数捕获高阶特征交互，类似正则化作用，有效缓解过拟合。这一突破使得模型参数量减少 62.5%，在外部验证集上准确率提升 3.62%，且在 16 量子比特模拟中保持竞争性准确率（AUC 0.960），还在 “本源悟空” 72 量子比特超导量子计算机上得到验证，为医学影像 AI 诊断提供了新范式。

科研新范式领域的突破性进展是 “数字人蜂群” 4 小时完成传统需数天的量子模拟任务。核心 AI 技术是多体 AI Agent 系统，该系统能自主读文献、调参数、写代码、跑计算。传统科学研究，尤其是量子模拟这类复杂任务，往往耗时极长（部分需数年），且高度依赖研究人员的专业知识和技术经验，过程繁琐。“数字人蜂群” 集成了记忆、知识和工具三大模块，能记住历史最优参数、掌握物理规律并调用高性能计算工具。其关键影响在于，将量子模拟等复杂科研任务的效率提升数个量级，如传统 DMRG 模拟从 72 小时压缩到 4 小时，扫描 Hubbard 模型相图从一年缩短到三天，且误差控制在万分之一以内，降低了量子计算等前沿领域的科研门槛，还在新药研发（如帮助辉瑞缩短药物发现周期）、工业设计（如波音气动分析）等更广泛领域展现出应用潜力。

这些突破充分展现了 AI 在科学发现中的多样化角色，无论是作为强大的模式识别工具、精准的实验控制系统、高效的模型优化器，还是不知疲倦的自动化科研助手，AI 都在切实拓展科学探索的边界，提升科研效率，并降低创新门槛。