Materials Data Foundry：解决“预测出来，却造不出来”的难题

AI可以在模拟中找出看起来很有前景的材料，但这并不意味着研究人员已经知道如何稳定地、大规模地制造它，更不代表实际性能一定符合模型预测。由新加坡国立大学（NUS）与多伦多大学加速联盟（Acceleration Consortium）共同设立、投资1000万新元的Materials Data Foundry，正是针对这一“从预测到生产”的瓶颈。

该设施计划建设开放式自主实验室，把AI、机器人和现场测量结合起来。它不会只依赖论文中已经发表的材料数据，而是通过实验生成新的数据，将合成条件与材料在现实环境中的性能联系起来。随后，实验结果会反过来改进模型，并帮助系统选择下一轮实验，形成预测与物理测试之间的反馈循环。

项目目标包括开展大量实验，并为多类应用形成实用、可重复的合成方案，例如后硅或量子材料、与清洁氢相关的电催化剂，以及耐腐蚀涂层。换句话说，项目最终要寻找的不是一份由AI列出的候选材料清单，而是能够说明“如何制造、如何测试、能否重复”的证据。

催化剂筛选：先用计算搜索，再让实验决定成败

另一个由新加坡科技研究局（A*STAR）与帝国理工学院共同牵头、投资1000万新元的项目，将开发“表面科学基础模型”（Surface Science Foundation Model）及云平台，用于预测催化剂的性能和合成条件。研究方向包括更清洁的燃料、由二氧化碳衍生的原料，以及生物基化学品。

项目说明中提出的目标之一，是让计算筛选速度提高500倍。这是对筛选环节的目标，并不意味着一种已经完成的燃料或化学工艺可以因此快500倍上市。至于“几乎快五倍、成本低五倍”等说法，除非明确对应另一个下游开发指标，否则应谨慎解读。真正关键的检验仍是：计算选出的催化剂能否在实验中表现良好，并进一步发展为可行的工艺。

让AI检查AI写出的代码

AI4S还把软件可靠性视为科学与工程研究问题。NUS与帝国理工学院正在开发程序推理工具，用于分析和测试代码、对特定性质进行形式化验证，并在条件允许时证明代码的正确性。这些工具将面向网络协议、Linux内核组件等复杂且可能产生重大影响的软件。

其中一个设想，是让一个AI系统审查另一个AI系统生成的代码。这有望提高AI辅助编程的可靠性，但自动化分析并不等于对软件安全作出普遍保证。形式化方法可以在明确的假设下证明特定性质；更广泛的可靠性，仍取决于需求规格、测试设计，以及代码所运行系统的质量。

医疗研究：把分散的数据放进同一个模型

在生物医学领域，AI4S包含多个试图整合不同数据类型的项目。

NUS与A*STAR合作的MultiOmicsFM计划构建基础模型，把新加坡多族群数据集中的DNA、RNA和基因活性数据结合起来。研究目标包括分析疾病风险，以及改进mRNA疗法的设计与递送。

BloodCounts!项目则采用另一种思路：利用完整血细胞计数（CBC，英国和新加坡也称FBC）检测的全部原始参数，再结合血液涂片图像，开发DeepCBC模型。研究人员希望从这一常见检测中提取更多诊断信息，并探索这些数据是否有助于预测中风和癌症等疾病相关风险。

不过，这些都是前瞻性研究应用，并不意味着常规验血目前已经能够诊断上述疾病。任何临床使用，都需要经过数据验证、监管审查，并证明模型在相关人群和不同医疗环境中能够稳定工作。

数字孪生：把AI带到农田与气候韧性领域

另一个项目将为东南亚农田建立“知识引导型农业数字孪生”。数字孪生可以理解为现实对象或系统的虚拟映射；在该项目中，它计划把实际观测数据与作物科学原理结合起来，生成有关种植、资源使用和供应链的预测与决策工具。

强调科学知识并非细节。融入农学约束的数字孪生，可能比完全不透明的预测模型更容易解释和质疑。但它最终是否有用，仍取决于基础数据的质量、覆盖范围和更新速度。

8个项目还包括利用AI设计、改善能量传输的界面。整体来看，这一项目组合横跨材料、计算、基因组学、医疗、能源、农业和气候韧性，而非只服务于某一个商业行业。

AI4S的核心模式：AI与实验形成闭环

这些项目背后的共同逻辑，可以概括为一个科研闭环：

1. AI提出或搜索假设、材料、催化剂、分子设计、代码或农业干预方案。
2. 物理或数字实验进行检验，方式包括自动化实验室、材料测量、软件分析或接近真实场景的模型。
3. 新证据改进系统，让下一轮预测更多建立在真实观测结果之上。
4. 专业人员判断结果的价值，包括它是否可制造、可靠、具有临床用途或符合环境要求。

Materials Data Foundry最直观地体现了这一模式，因为它明确要把AI预测与自动合成、性能测量连接起来。催化剂筛选、软件验证和生物医学建模也遵循同一原则：更快的预测只有在转化为可信证据时，才真正有价值。

新加坡为何押注AI for Science

AI4S同时也是一项人才和基础设施战略。NRF希望推动AI研究人员与材料科学、生命科学、量子科学等领域的专家合作，培养能够同时理解计算方法和科学问题的“双语型”研究人员。

参与机构包括NUS、南洋理工大学（NTU）和A*STAR等新加坡机构，也包括多伦多大学、帝国理工学院、剑桥大学和京都大学等国际伙伴。帝国理工学院的两个项目将通过位于CREATE园区的Imperial Global Singapore开展，强调国际科研合作与研究资源共享。

这种组织方式为新加坡参与全球AI科研竞争提供了一条路径：通过国家资金支持高难度挑战项目，建设共享的实验与数字基础设施，吸引国际合作伙伴，并培养能够在模型与实验室之间“翻译”的研究人员。

最终要看什么结果？

AI4S的成效，不能只用模型生成了多少个预测来衡量，而要看这些预测经过现实检验后留下了什么。较有说服力的成果可能包括：

• 可重复的先进材料制造方案；
• 在真实运行条件下仍然有效的催化剂；
• 能够展示明确正确性或可靠性保证的软件工具；
• 在合适数据集和临床环境中得到验证的生物医学模型；
• 实际改善预测能力或资源规划的农业决策工具。

因此，新加坡1.2亿新元的投入，押注的是与实验、验证和专业知识相连接的AI。这项计划或许能让科学发现更加系统化，加快从想法走向原型的过程。但真正决定其影响力的，仍是这8个研究项目能否把看似有前景的AI预测，转化为可规模化、安全且有用的技术。

Materials Data Foundry：解决“预测出来，却造不出来”的难题

AI可以在模拟中找出看起来很有前景的材料，但这并不意味着研究人员已经知道如何稳定地、大规模地制造它，更不代表实际性能一定符合模型预测。由新加坡国立大学（NUS）与多伦多大学加速联盟（Acceleration Consortium）共同设立、投资1000万新元的Materials Data Foundry，正是针对这一“从预测到生产”的瓶颈。

该设施计划建设开放式自主实验室，把AI、机器人和现场测量结合起来。它不会只依赖论文中已经发表的材料数据，而是通过实验生成新的数据，将合成条件与材料在现实环境中的性能联系起来。随后，实验结果会反过来改进模型，并帮助系统选择下一轮实验，形成预测与物理测试之间的反馈循环。

项目目标包括开展大量实验，并为多类应用形成实用、可重复的合成方案，例如后硅或量子材料、与清洁氢相关的电催化剂，以及耐腐蚀涂层。换句话说，项目最终要寻找的不是一份由AI列出的候选材料清单，而是能够说明“如何制造、如何测试、能否重复”的证据。

催化剂筛选：先用计算搜索，再让实验决定成败

另一个由新加坡科技研究局（A*STAR）与帝国理工学院共同牵头、投资1000万新元的项目，将开发“表面科学基础模型”（Surface Science Foundation Model）及云平台，用于预测催化剂的性能和合成条件。研究方向包括更清洁的燃料、由二氧化碳衍生的原料，以及生物基化学品。

项目说明中提出的目标之一，是让计算筛选速度提高500倍。这是对筛选环节的目标，并不意味着一种已经完成的燃料或化学工艺可以因此快500倍上市。至于“几乎快五倍、成本低五倍”等说法，除非明确对应另一个下游开发指标，否则应谨慎解读。真正关键的检验仍是：计算选出的催化剂能否在实验中表现良好，并进一步发展为可行的工艺。

让AI检查AI写出的代码

AI4S还把软件可靠性视为科学与工程研究问题。NUS与帝国理工学院正在开发程序推理工具，用于分析和测试代码、对特定性质进行形式化验证，并在条件允许时证明代码的正确性。这些工具将面向网络协议、Linux内核组件等复杂且可能产生重大影响的软件。

其中一个设想，是让一个AI系统审查另一个AI系统生成的代码。这有望提高AI辅助编程的可靠性，但自动化分析并不等于对软件安全作出普遍保证。形式化方法可以在明确的假设下证明特定性质；更广泛的可靠性，仍取决于需求规格、测试设计，以及代码所运行系统的质量。

医疗研究：把分散的数据放进同一个模型

在生物医学领域，AI4S包含多个试图整合不同数据类型的项目。

NUS与A*STAR合作的MultiOmicsFM计划构建基础模型，把新加坡多族群数据集中的DNA、RNA和基因活性数据结合起来。研究目标包括分析疾病风险，以及改进mRNA疗法的设计与递送。

BloodCounts!项目则采用另一种思路：利用完整血细胞计数（CBC，英国和新加坡也称FBC）检测的全部原始参数，再结合血液涂片图像，开发DeepCBC模型。研究人员希望从这一常见检测中提取更多诊断信息，并探索这些数据是否有助于预测中风和癌症等疾病相关风险。

不过，这些都是前瞻性研究应用，并不意味着常规验血目前已经能够诊断上述疾病。任何临床使用，都需要经过数据验证、监管审查，并证明模型在相关人群和不同医疗环境中能够稳定工作。

数字孪生：把AI带到农田与气候韧性领域

另一个项目将为东南亚农田建立“知识引导型农业数字孪生”。数字孪生可以理解为现实对象或系统的虚拟映射；在该项目中，它计划把实际观测数据与作物科学原理结合起来，生成有关种植、资源使用和供应链的预测与决策工具。

强调科学知识并非细节。融入农学约束的数字孪生，可能比完全不透明的预测模型更容易解释和质疑。但它最终是否有用，仍取决于基础数据的质量、覆盖范围和更新速度。

8个项目还包括利用AI设计、改善能量传输的界面。整体来看，这一项目组合横跨材料、计算、基因组学、医疗、能源、农业和气候韧性，而非只服务于某一个商业行业。

AI4S的核心模式：AI与实验形成闭环

这些项目背后的共同逻辑，可以概括为一个科研闭环：

1. AI提出或搜索假设、材料、催化剂、分子设计、代码或农业干预方案。
2. 物理或数字实验进行检验，方式包括自动化实验室、材料测量、软件分析或接近真实场景的模型。
3. 新证据改进系统，让下一轮预测更多建立在真实观测结果之上。
4. 专业人员判断结果的价值，包括它是否可制造、可靠、具有临床用途或符合环境要求。

Materials Data Foundry最直观地体现了这一模式，因为它明确要把AI预测与自动合成、性能测量连接起来。催化剂筛选、软件验证和生物医学建模也遵循同一原则：更快的预测只有在转化为可信证据时，才真正有价值。

新加坡为何押注AI for Science

AI4S同时也是一项人才和基础设施战略。NRF希望推动AI研究人员与材料科学、生命科学、量子科学等领域的专家合作，培养能够同时理解计算方法和科学问题的“双语型”研究人员。

参与机构包括NUS、南洋理工大学（NTU）和A*STAR等新加坡机构，也包括多伦多大学、帝国理工学院、剑桥大学和京都大学等国际伙伴。帝国理工学院的两个项目将通过位于CREATE园区的Imperial Global Singapore开展，强调国际科研合作与研究资源共享。

这种组织方式为新加坡参与全球AI科研竞争提供了一条路径：通过国家资金支持高难度挑战项目，建设共享的实验与数字基础设施，吸引国际合作伙伴，并培养能够在模型与实验室之间“翻译”的研究人员。

最终要看什么结果？

AI4S的成效，不能只用模型生成了多少个预测来衡量，而要看这些预测经过现实检验后留下了什么。较有说服力的成果可能包括：

• 可重复的先进材料制造方案；
• 在真实运行条件下仍然有效的催化剂；
• 能够展示明确正确性或可靠性保证的软件工具；
• 在合适数据集和临床环境中得到验证的生物医学模型；
• 实际改善预测能力或资源规划的农业决策工具。

因此，新加坡1.2亿新元的投入，押注的是与实验、验证和专业知识相连接的AI。这项计划或许能让科学发现更加系统化，加快从想法走向原型的过程。但真正决定其影响力的，仍是这8个研究项目能否把看似有前景的AI预测，转化为可规模化、安全且有用的技术。