AI for Science的主流技术流派主要包括以模型/数据为核心的效率驱动流派、以理论/机理为核心的因果推理流派，以及人机协同与自动化系统流派。这些流派从不同角度切入，推动科研从“试错驱动”向“数据与模型驱动”转型，背后有一批代表性机构和成果支撑。

模型驱动：从数据中挖掘科学规律

这个流派的核心是利用海量数据和机器学习模型，直接从数据中挖掘模式与关联，以提升科研效率。它擅长处理高维、多模态的科学数据，在模式识别和高通量筛选等任务上表现突出。

• Innovator-VL多模态大模型：由上海交通大学、深势科技等机构联合研发，仅用不到500万条精心挑选的科学样本，就在多项基准测试中超越了许多数据量上亿的模型，打破了“唯数据量论”的路径依赖。它能解析从分子式到天文光变曲线的跨尺度科学信息。
• “星衍”天文观测增强模型：清华大学戴琼海、蔡峥团队开发，通过独特算法将詹姆斯·韦布空间望远镜的探测深度提升了1.0个星等，相当于将望远镜等效口径从6.4米拓展至近10米，助力发现更多极暗弱天体。
• 墨子巡天望远镜的“AI捕手”：团队针对海量巡天数据，开发了基于深度学习的潮汐瓦解事件自动分类器，能像不知疲倦的捕手一样精准捕捉天文事件，为时域天文学的大数据处理提供高效方案。

理论驱动：因果逻辑与领域知识融合

这一流派强调将领域知识、物理定律和因果逻辑深度融入AI模型，目标不仅是加速计算，更是为了发现新知识、验证科学假设，追求结果的可解释性。

上海交通大学人工智能学院与新华医院联合团队研发的DeepRare系统，是全球首个智能体式罕见病循证推理诊断系统，将平均确诊周期从数年大幅缩短，研究成果发表于《Nature》。该系统模拟医生诊断逻辑，展现了AI在复杂因果推理方面的潜力，并已孵化出观壹智能公司推进落地。

• 复旦大学高悦教授团队：利用AI辅助设计出新型锂载体分子“三氟甲基亚磺酸锂”，成功提升废旧电池性能，成果也发表于《Nature》。AI的早期介入加速了从分子筛选到百公斤级产线搭建的全过程。
• “磐石”科学基础大模型平台：由中国科学院自动化研究所牵头建设，集成了如思朗科技的大尺度分子动力学模拟工具，能将百万原子级系统的计算时间从数年压缩至数小时，为微观机理研究提供从数据到计算的全链条支持。

人机协同：AI成为科研合伙人

这个流派致力于构建自动化科研闭环，让AI从被动的效率工具升级为主动推理、自主演化的“科研合伙人”，实现“设计-实验-分析”全流程的智能化。

• 郭毅可院士的AI原生创新环境（AINA）：旨在构建人、AI集群、智能体协作的三层科研新范式。智能体可作为“实验分身”，在药物管理等场景中实现7×24小时自主运行，从实验设计到报告生成全流程自动化，两天内就能完成传统上耗时漫长的任务。
• 晶泰科技的“AI Agent+Physical AI”体系：智能体每周可独立自主推进上万次化合物合成实验，并通过机器人实验室攻克粉末处理等难题，与国际头部药企合作部署自主条件筛选系统，形成高效研发闭环。
• 江苏的AI医疗系统：鼓楼医院的“鼓楼云”覆盖全国26个省份，累计开展4万余例远程影像诊断；东南大学中大医院的AI技术将肝癌诊疗方案制定时间从1-2小时压缩至1分钟，重症患者死亡风险降低35%。

这些流派的实践显示，AI正在从辅助工具转变为科研生态中不可或缺的参与者。