在3月29日召开的2025中关村论坛年会AI for science青年论坛上，深势科技联合北京科学智能研究院正式发布全新版本的玻尔（ Bohrium ）科研空间站。这一以量子力学先驱尼尔斯·玻尔命名的AI for Science旗舰平台，被誉为“科研界的Hugging Face”。

正如Hugging Face推动自然语言处理（NLP）和机器学习技术开源开放、降低AI应用开发门槛‌一样，新版玻尔空间站备受科研群体关注，正在帮助科学家们摆脱繁琐的信息搜索，把更多时间交给真正的科研。

“整个玻尔空间站的目标，是成为未来所有科研人员的云研发入口。”北京科学智能研究院院长、深势科技创始人兼首席科学家张林峰表示，对AI for Science来说，当下一个非常关键的重点，就是在赋能行业之前，首先是赋能科研和科学家。而玻尔空间站其实处在这样一个赋能整个科学家和研发群体的位置上。

“AI读算做”科研要素得以打通、闭环

十多年前，深度神经网络开启了AI的新一轮浪潮。它所催生的一个标志性技术工具就是AlphaFold，带来从冷冻电镜到模型预测蛋白质结构的工具革命。

中国科学院院士、北京大学国际机器学习研究中心主任、北京科学智能研究院学术委员会主任鄂维南曾于2018年提出，AI之于数学，带来了高维函数分析与建模的全新可能性；AI之于科学与工业，带来科学研究与工业研发新范式。

“AI for Science取得早期突破的底层逻辑在于AI带来克服维数灾难的工具，从而更好地建模，更好地加速计算。”张林峰认为，随着数据足够多，AI for Science带来更整体的一个预训练模型和下游的反馈。但是“读”和“做”的部分其实进展相对很慢。

事实上从2022年开始，深势科技就注意到AI for Science往前推进的一个瓶颈——当下所有能够让计算世界闭环的事情，就差实验验证了。但这个“差”，不见得是几个月的时间，可能是几年甚至更久。

过去，科研的分工并非像现在这样，有人负责大模型、负责垂类，有人负责应用。而是做计算的做计算，做实验的做实验。“因为计算解决不了实验的问题，所以两个圈子越来越远。过去加速了做计算的人能解决的问题。这一波本质上是在做什么？其实只是做计算的人，可能就不一定有这个工作，不一定有学科分类了。”张林峰说。

比如在药物研发过程中，不只是仿真计算，也不只是一个大模型做拟合。需要研发人员把每个靶点相关的文献、专利找出来，做好收集整理。再把相应的分子式对应的活性、对应的合成，后续实验对应的效果提取出来。然后再把这些变成一个数据库。有了数据库，Uni-Mol这种分子三维结构的通用大模型才能拟合，才能迭代。得到实验结果后，才能进一步推动研发。从中不难看出，第一步“读文献”就变成了困扰整个科研的一大瓶颈。

在张林峰看来，“AI for Science当下的所有应用场景更彻底的爆发，有赖于‘AI读算做’系统打通、加速闭环。”

科学研究到最后无非是读、算、做——读文献、做计算以及做实验。玻尔空间站正是首个覆盖“读文献-做计算-做实验-多学科协同”的AI科研平台。

“过去我们的积累，恰好在这三个方向的各个点上有非常好的探索，而这些点正在连接起来。无论是针对科研文献全量地解析带来的AI检索、问答、推荐等综合能力的提升，还是我们过去所积累的做计算，连接实验的部分，这些方面在充分地整合起来。”张林峰说，所有的科研要素终于都连接了起来。

玻尔（Bohrium）科研空间站网页截图

推动科学发现的自动化和智能化

玻尔空间站以全新升级的“科学导航”（Science Navigator）为核心，并以其作为第一入口。

这是一个困扰科研工作者的共性问题——文献调研的低效率。据统计，学术研究约60%的时间都花费在学术调研阶段。大语言模型的崛起，让通过自然语言直接提出科研问题成为可能。

资料显示，科学导航以AI为核心，系统性解决科研人员在文献筛选、跨学科知识发现及学术资源获取等环节中的关键痛点，尤其有效应对了信息过载、检索繁杂、整理耗时等挑战。面向文献数量庞大、更新迅速、格式多样等现实问题，可为全球科研人员提供“一站式”的智能研究支持，显著提升科研效率，助力科学突破的诞生。

“AGI与AI for Science双向奔赴，‘AI吞噬文献世界’的时间窗口就在今年。”张林峰预测，AI读文献，今年有望实现全量文献专利的“干闭环”；面向未来，“干湿闭环”从局部片面走向整体全面。此外，张林峰还指出，AI读文献其实还会改变科研生产关系，探索建立一个新的评价学者、评价文章、评价工具和算法的新机制。

“科学导航”被集成在玻尔空间站，为什么这样做？其实AI不仅改变了文献阅读，也在改变着教学、实验等各个环节。

图为张林峰在2025中关村论坛年会AI for science青年论坛发布Uni-Lab-OS智能实验室操作系统

2025中关村论坛年会AI for science青年论坛上，张林峰首发了Uni-Lab-OS智能实验室操作系统。他说，从文献工具发展而来的Uni-Lab,本质上是一个操作系统，它对上连接的是各个类型的实验装备，支持标准化、自动化地进行合成、制备、表征及测试，是一个针对具体实验场景的不断反馈优化的过程。

“在AI for Science的背景下，结合大模型优化合成、制备、表征和测试流程，最终将实现科学发现的自动化和智能化。”张林峰表示。

展望未来，AI for science大模型，可充分探索物理、化学、生物空间，基于主动学习，发现模型不足，指导实验数据生成；自动化实验，带来更多定制化、批量化、标准化数据，科学智能体的人类反馈强化学习，完成数据闭环；产学研生态方面，涌现更多人才及下游应用场景，更多去中心化探索与落地。

张林峰认为，当AI for Science大模型、自动化实验和新的产学研生态实现飞轮时，我们将迎来下一个重大科学问题。

“AI读算做”推动科研生产关系变革

随着AI for Science“读算做”打通、闭环，特别是AI读文献被攻克，将推动科研生产关系变革。

从AI技术逻辑的角度来说是超级科学智能。“AI for Science是实现超级科学智能的一个路径，但达到这个点需要超级配置。同时，在这个过程中，并非是一个东西拔地而起，而是所有的文献慢慢地被整合起来，所有的仪器设备、实验室慢慢地被吸收进来，然后升级改造，慢慢地实现。”张林峰说。

从组织要素来说，对高校来讲，“AI读算做”对应的是文献中心、计算中心和实验中心，以及教学，人才培养；对一个企业来说，对应的是IT部门、研发部门和测试部门。所以它对于每一个组织来说都是一个横向的变化。“最后我们的产品形态就变成了图书馆、教学楼、计算中心、实验中心。这几个部分的模块不断快速迭代，这正是我们现在在做的工作。”张林峰说。

在2025中关村论坛年会上，鄂维南院士提出“大科研时代”将在三、五年内甚至更短的时间到来。新的科研一体化平台将帮助科研人员打破学科之间、理论与实验之间、科研与产业之间的界限，带来更大的探索空间和更高的探索效率。

AI for Science本质上是研发能力的系统级提升，打破药物研发、材料研发、化学化工等各个领域研发效能的瓶颈。在玻尔空间站基础上，深势科技面向药物设计、能源材料等所打造的一系列产品解决方案，正在赋能整个产业链。

张林峰期待，“希望到明年，也是薛定谔方程提出的100周年，玻尔本身也是物理学家，我们希望无论问题是什么，大家至少能在玻尔空间站上找到更好的答案。”（记者凌纪伟）