问题——生命健康与清洁能源领域长期面临共性难题：研发周期长、试错成本高、复杂系统难以穷举。蛋白质是生命活动的重要执行者，也是药物研发的关键靶点，但自然界已知的数亿种蛋白仍难以满足特定治疗需求；新药研发需在上万靶点与海量分子中寻找匹配，传统筛选方法效率低下；可控核聚变装置运行产生的海量数据与强非线性过程，使实时控制与稳定运行极具挑战性。 原因——这些难题的核心在于复杂度呈指数级增长，传统实验与计算方法难以覆盖足够大的搜索空间。蛋白质功能由其三维结构及动态变化决定，设计过程需要在巨大序列空间中筛选出“可折叠、可稳定、可实现功能”的少数解；小分子与蛋白靶点的结合涉及多体相互作用，逐个试验成本高昂；聚变实验要求毫秒级响应、跨尺度耦合与多参数协同，若无法将数据转化为可决策的模型能力，便难以实现快速迭代。 影响——人工智能的应用正在改变科研模式，推动从“提出假设—验证假设”向“数据与机理并重的快速迭代”转型。西湖大学科研团队开发的生成式大模型支持从零设计全新功能蛋白质，研究者通过设定目标与约束条件获得候选方案，再经实验验证，已取得包括潜在用于阿尔茨海默病治疗的全新蛋白酶等进展。清华大学团队推出人工智能驱动的“超级药物搜索引擎”，实现全基因组规模的小分子药物模拟筛选，对上万个靶点与数亿级候选分子进行系统匹配，并构建了大规模蛋白—配体筛选数据库。以抑郁症涉及的靶点为例，模型筛选出的候选药物实测有效率达15%，显著高于传统方法的命中率与可转化潜力。在能源领域，上海的商业可控核聚变团队在全球首台全高温超导托卡马克装置“洪荒70”上实现了1337秒稳态长脉冲等离子体运行。该装置在两个多月内完成5000余次实验，单次数据量达数TB。团队利用训练模型参与控制决策，将实时推演响应时间缩短至毫秒级，为长脉冲稳定运行提供了关键支撑。 对策——业内人士指出，人工智能赋能科研仍需补齐短板：一是加强高质量数据的供给与共享，尤其是蛋白质动态过程、药物作用机制等多模态数据的标准化采集；二是推进算法与科学机理深度融合，避免依赖静态结构或经验相关性，提升对真实物理、生物过程的可解释性与迁移性；三是完善“计算—实验—再计算”的闭环验证平台建设，通过自动化实验和多中心复现降低伪阳性风险；四是培养复合型人才，使科研人员既能提出高质量科学问题，也能熟练运用多种模型工具开展交叉研究。 前景——随着算力基础设施、实验自动化与数据体系的完善，人工智能有望在靶点发现、先导化合物优化、蛋白质功能设计及聚变装置控制等领域形成更稳定的生产力。这将推动生物医药从“经验驱动”迈向“设计驱动”，聚变研究从“试验积累”转向“数据迭代”。但关键科学突破仍需依赖原创问题意识与严格实验验证——技术工具的价值最终由可重复、可解释且可转化的成果检验。
科学研究正迎来新的发展阶段；智能技术并非取代科研人员的创造力，而是拓展人类认知边界的强大工具。当数据处理能力与科学洞察力结合、计算速度与严谨求证态度融合时，科技创新的步伐将更加稳健有力。从实验室到临床应用、从理论突破到产业转化——智能技术赋能科研的实践不仅助力中国科技自立自强的发展道路展开新篇章更为人类应对健康能源环境等重大挑战提供了更多可能性