AI for Science 季度观察（2026 Q4 开篇）：从发现到验证
本文是 AI-HPC 智算超算专家团队的季度跟踪报告，基于 2026 年 9 月末至 10 月中旬的公开报道与论文。核心判断：智能体科研已从"提出假设"进入"被验证、被质疑"阶段——形式化验证成为科学智能的可靠性主战场，轻量化小模型路线与巨头基础模型路线并行，AI 作为科研新基建正在进入"内场"。
一、产业进展：AI 进科研"内场"，算力向空间延伸
1.1 科研新基建共识：从"访客"到"内场伙伴"
2026 年 10 月 10 日，新华网刊文系统阐述"AI 已走进科研内场"：继实验、理论、计算和数据科学之后的"第五科研范式"被正式确立，上海人工智能实验室主任周伯文将早期的 AI for Science 形容为"科学家的访客"——帮助检索文献、分析数据、运行计算，却始终是"屋外的客人"；而如今 AI 已进入科研的核心流程 ["http://www.xinhuanet.com/liangzi/20261010/be01c3243b374e2ebb0376af1cc60e8a/c.html"]。
工程含义：AI 从"工具"变成"科研流程的一等公民"，意味着科研团队的算力需求从"偶尔借算力"变成"持续、混合、可调度的算力供给"——这正是 AI-HPC 智算超算平台 定位的产业背景：智算（模型训练/推理）与超算（数值模拟/验证）需要统一调度，而非两张皮。
1.2 巨头开放与竞速：从"卖模型"到"供算力+模型"
- Google DeepMind × Google Cloud RAISE（10 月 14 日）：宣布向最多 200 名欧洲研究者开放前沿模型直接访问，附带 300 万美元算力积分，并接入欧盟 RAISE 科研计划——覆盖气象预报、生物学、数学问题求解与地球测绘 ["https://www.neoteo.com/en/google-announces-ai-access-pledge-for-up-to-200-european-researchers"] ["https://lapaasvoice.com/google-deepmind-opens-frontier-ai-models-to-european-researchers/"]。
- 微软研究院 Quine（10 月初）：推出实验性 AI 研究系统，目标是构建生物学多模态世界模型——同时覆盖基因组学、蛋白质、化学等领域数据，并搭建连接模型、科学工具、文献和科研人员的交互式 harness 框架，推动 AI 从辅助分析进一步走向科研发现 ["https://finance.sina.com.cn/roll/2026-10-03/doc-initxwvx3877521.shtml.md"]。
观察：头部玩家的 AI4S 竞争从"发布一个模型"转向"模型 + 算力 + 工具链 + 研究者生态"的整套供给——与 Software Factory "面向真实科学问题持续制造可复现软件工具"的理念不谋而合。
1.3 算力走向太空：算力星座工程化
10 月 14 日，新京报报道 6 颗算力卫星的太阳翼电池阵由上海星瀚聚能完成产品级批量交付并随箭入轨（单星太阳翼面积超 4㎡，6 颗合计超 24㎡），标志着低成本柔性晶硅太阳翼电池技术从在轨验证阶段迈入算力星座批量工程应用阶段 ["http://m.toutiao.com/group/7696540402539512383/"]。
工程含义：算力形态开始多元化（地面集群 → 边缘 → 空间），但空间算力回归地面的核心约束依然是"供电 + 散热 + 网络"——对地面 AI/HPC 工程师而言，理解异构算力形态的边界比追逐新形态更重要。
二、学术前沿：从"发现"到"验证"
2.1 数学成为智能体科研的"验金石"：北大团队 5 小时推翻两个猜想
10 月 14 日，科创板日报报道北京大学北京国际数学研究中心博雅特聘教授董彬团队进展：团队搭建了形式化检索引擎、自然语言数学搜索引擎等底层基础设施，开发出自动推理智能体及多智能体协作系统——智能体可自主证明并证否安德森猜想，5 小时内推翻两个前沿数学猜想；两周内以较低成本完成庞加莱猜想的大规模形式化工作 ["http://m.toutiao.com/group/7696320607918506531/"]。
为什么重要：数学是唯一"验证即真相"的学科——智能体在数学上的突破，等于为科学智能的可靠性提供了最严格的检验场。
2.2 "未来数学计划"：让 AI 生成的内容可验证、可累积、可复用
10 月 14 日，浙江大学数学高等研究院与之江实验室联合发起"未来数学计划"，围绕 AI 与数学双向赋能开展四个方向：研发数学基础模型（让数学推理能力成为科学基础模型的底层能力）、开展形式化验证研究（让 AI 生成的数学内容可验证、可累积、可复用）、研究 AI 背后的数学基础等 ["http://m.toutiao.com/group/7696521233546756623/"]。
2.3 OpenAI 数学宣称引发学界争议：科学智能的"信任问题"浮出水面
10 月 14 日央视网报道，OpenAI 称其模型可攻克数学难题，引发学界争议 ["https://ydyl.cctv.com/2026/10/14/ARTISYcV2STtBU0Wq6xJg7bX261014.shtml"]。
我们的解读：争议的焦点不是"能不能解"，而是"怎么证明解对了"——这恰恰印证了本季观察的主题：AI4S 的瓶颈已从"生成能力"转移到"验证能力"。没有验证闭环的"发现"，在科学语境下只是"猜测"。
2.4 轻量化路线崛起：MatBrain 双模型协作
9 月 10 日，中科院深圳先进技术研究院发布材料领域首个轻量化双模型协作智能体"材智云脑 MatBrain"（成果发表于《自然·机器智能》）：不靠"超级大模型"，两个小模型协同合作即可进行复杂材料科研 ["http://www.cas.cn/cm/202609/t20260911_5120171.shtml"]。
工程含义：这与 13 章 · 科学智能体落地 的"工具封装 + 可靠性防线"路线直接呼应——小模型 + 工具协同 + 明确边界，是算力预算有限的研究组可复制的智能体路线；"越大越好"并非唯一解。
2.5 通用生物医学智能体：Biomni
斯坦福团队发布 Biomni——通用生物医学 AI 智能体：其 action-discovery agent 从 25 个领域的数千篇论文中挖掘工具、数据库与协议，构建统一 agentic 环境；架构整合 LLM 推理、检索增强规划与代码执行，无需预定义模板即可动态编排工作流 ["https://profiles.stanford.edu/186687"]。
三、验证瓶颈：科学智能的"信任问题"
把 10 月的事件放在一起看，一条主线浮现：从"能不能生成"到"能不能验证"。
| 层面 | 验证手段 | 10 月进展/信号 |
|---|---|---|
| 数学 | 形式化验证 | 北大庞加莱形式化、浙大未来数学计划、OpenAI 争议 |
| 材料/生物 | 实验/仿真回验 | MatBrain 轻量化路线、Biomni 统一评测 |
| 物理/工程 | 求解器回验 + 物理约束 | 详见 14 章 · 物理一致性 方法论 |
| 大科学装置 | 观测验证 | 2026 诺贝尔物理学奖授予 IceCube 中微子天文台（10 月 6 日），大科学装置与算力的结合仍是"验证"最硬的一环 ["http://m.toutiao.com/group/7694091799849927204/"] |
我们的判断：未来 2–4 个季度，AI4S 的竞争焦点将从"模型能提出什么"转向"系统能否证明结论可信"——形式化验证、评测基准、与求解器/实验的闭环回验，将成为科学智能平台的核心竞争力。
四、工程落地建议（对接本平台知识库）
给研究组：智能体科研路线优先选"轻量化 + 工具协同 + 验证防线"（参照 MatBrain 模式与 13 章智能体落地）——四道防线（工具输出校验、失败重试、结果数值验证、人类确认）是成本最低的"可信化"手段。
给集群工程师：AI 进科研内场意味着混合负载成为常态——训练、推理、仿真验证在同一集群交错。异构调度（07 章）与 GPU 资源切分（MIG 实践）从"可选优化"升级为"标配能力"。
给平台建设者：把"验证闭环"作为平台一等公民——形式化工具、评测任务集、与仿真求解器的回验通道，应和模型训练一样成为平台能力（呼应 AI4Science 引擎 与 Software Factory 的定位）。
五、下期关注
- 数学基础模型的推理能力是否"上探"至科学基础模型底层（浙大计划落地情况）；
- 巨头开放生态（RAISE、Quine）对研究范式的影响；
- 验证与评测体系能否出现"科学界统一基准"；
- 算力星座的工程化进度与地面混合算力的协同。
口径说明：本文基于公开报道整理，事实与数据以引文来源为准；观点部分为本团队基于工程视角的分析，不构成任何投资或技术选型结论。