章节 05
科学
Stanford 把科学领域描绘为一个混合地带：论文数量快速上升，领域模型不断出现，部分流程已经 AI 原生化，但复现实验和专家级自主研究仍然困难。
为什么重要
这一章的重要性在于它展示了 AI 正在哪些地方嵌入科学方法本身，而不只是辅助写论文或检索信息。
如何运用
可以把它读成按学科划分的成熟度地图：模型在哪些地方有效，哪些地方开始自动化，哪些地方仍然无法复现科学工作。
核心信号
核心信号
科学 AI 在某些方向上快速扩展，在另一些方向上进展缓慢——而且其制度基础仍然植根于学术界和政府，而非驱动通用 AI 的产业主导格局。
面向科学的 AI 在增长，但并不均衡
论文增长和新的基础模型基础设施都是真实的，但基准结果也表明，困难的端到端科研任务距离被真正解决还很远。
科学 AI 在制度结构上仍不同于通用 AI
Stanford 指出，多数科学模型仍主要来自学术与政府体系，而不是通用 AI 那种强烈的产业主导格局。
精选数据点
精选数据点
从 Stanford 官方章节材料中提炼出的数字和对比。
| 信号 | 数值 | 上下文 |
|---|---|---|
| 自然科学中的 AI 论文数量 | 80,150 | 2025 年自然科学领域的 AI 相关论文约为 80,150 篇，比 2024 年增长 26%。 |
| AI 占科研产出的比例 | 5.8% to 8.8% | 按不同领域计算，AI 现已占到科研产出的 5.8% 到 8.8%，而 2010 年还不到 1%。 |
| AION-1 训练规模 | 200M objects | AION-1 使用来自五个主要巡天项目的 2 亿多个天体对象进行训练。 |
| FourCastNet 3 速度 | <4 min / 8x-60x | FourCastNet 3 能在不到 4 分钟内生成 60 天全球预报，速度比此前方法快 8 到 60 倍。 |
| PaperArena 代理与博士专家基线 | 38.8% vs 83.5% | 在端到端科研任务上，最佳代理得分为 38.8%，而博士专家基线为 83.5%。 |
影响与启示
- 科学影响应更多以工作流整合来判断，而不只是模型新颖度。
- 领域特定基准仍然关键，因为通用基准的成功并不会自动迁移过去。
- 在 AI for Science 的进展中，学术与公共机构仍然发挥着不成比例的重要作用。