新加坡如何用1.2亿新元AI科研计划加速科学发现？

新加坡的AI for Science（AI4S）并不是一个只负责“让模型给出答案”的人工智能项目，而是一项总额1.2亿新元、由新加坡国家研究基金会（NRF）支持的国家级科研计划。它希望把AI嵌入科学工作的各个环节：从选择研究假设、设计和执行实验，到检查软件正确性，最终将实验室成果转化为能够部署和制造的技术。

首批八个项目于2026年6月16日公布并启动。项目将AI研究人员与材料科学、生命科学、计算机科学、农业和能源等领域的专家，以及海外合作伙伴结合起来。不过，这些项目目前代表的是明确的研究目标，不能被视为已经验证的商业成果。

关键项目：让AI预测变成可重复的制造配方

材料：缩小“预测到生产”的距离

由新加坡国立大学（NUS）与多伦多大学合作开展的“材料数据铸造厂”（Materials Data Foundry）获得1000万新元支持。这个开放式自主实验室将AI、机器人和原位测量结合起来，自动生成与实验相关的数据。

传统材料模型往往主要依据论文中已经发表的材料性能进行训练；材料数据铸造厂则希望进一步记录“如何合成”与“实际表现”之间的联系，包括合成条件、实验结果和材料性能。项目目标包括开展数以万计的反应实验、筛选可以真正合成的候选材料，并发布开放软件工具。

这意味着研究团队追求的并不只是AI预测出的化合物名单，而是能够复现的制造“配方”。应用方向包括超越硅基技术和量子技术所需的新材料、与清洁制氢相关的耐用电催化剂，以及耐腐蚀涂层。

催化剂：先用计算筛选，再把最佳方案交给实验验证

新加坡科技研究局（A*STAR）与帝国理工学院合作的项目，将开发“表面科学基础模型”和云平台，用于预测催化剂性能及其合成条件。研究方向包括更清洁的燃料、由二氧化碳转化而来的原料，以及生物基化学品。

项目主要说明提出的目标是将计算筛选速度提高500倍。因此，若其他报道提到“速度和成本接近提升五倍”，在没有进一步说明的情况下，应谨慎理解为可能属于后续开发环节的指标，而不是该项目的核心筛选目标。

软件：让AI生成的代码也能被检查和证明

NUS与帝国理工学院还在开发程序推理工具，自动分析、测试、形式化验证并证明软件的正确性。对于缺乏文档的旧代码，工具则会借助较不正式的推理方式来理解其功能。

研究团队计划在网络协议、Linux内核组件等具有重要影响的软件上测试这些工具，目标之一是让AI代理能够审查其他AI系统编写的代码。

AI如何进入生物医学与农业研究？

生物医学：把不同层次的数据放在一起看

NUS与A*STAR合作开发的MultiOmicsFM计划构建一个基础模型，同时解读DNA、RNA和基因活性数据。模型将使用来自新加坡多族群人群的数据集，服务于疾病风险研究和mRNA疗法优化。

另一个名为“BloodCounts!”的项目，则聚焦常见的全血细胞计数检查。在英国和新加坡，这项检查也常被称为全血计数（FBC）。项目将使用完整的原始血常规参数，以及血涂片图像，训练DeepCBC基础模型，从一次常规血液检查中提取更多诊断信息，并探索对中风和癌症等疾病风险的预测能力。

农业与气候韧性：为东南亚农田建立数字孪生

NUS与伊利诺伊大学合作的ARCS项目，将开发受知识引导的农业数字孪生系统。数字孪生可以理解为现实农田的虚拟映射：系统不仅整合观测数据，也加入作物科学原理。

项目希望产出更容易解释的预测和决策工具，帮助研究人员与农业从业者判断种植安排、资源使用和供应链变化，而不是仅依赖难以解释的黑箱预测。

这项计划的战略重点

从“提出候选方案”走向闭环科研

AI可以提出有潜力的材料、分子、实验步骤或代码，但真正决定其价值的，仍然是自动化实验、高通量筛选、实际测量和形式化验证。这些环节能够回答：方案是否可以制造、是否安全、性能是否稳定，以及能否在现实环境中使用。

材料数据铸造厂最直观地体现了这种“闭环”：AI提出候选方案，自动化实验产生新数据，测量结果再反馈给模型，帮助下一轮选择更值得测试的方案。

培养既懂AI又懂科学的“雙语”研究人员

AI4S还将培养能够同时使用AI语言和专业科学语言的研究人员。对材料科学、生命科学或量子科学有所了解的研究者，可以从一开始就把真实的科学问题、数据质量和实验限制纳入模型设计，而不是在模型完成后才尝试寻找应用场景。

通过国际合作打造科研枢纽

新加坡正利用NRF资金、设于CREATE园区的国际合作平台、共享数字与实验基础设施、开放工具及产业伙伴，强化其在AI驱动科研和成果转化领域的枢纽作用。帝国理工学院参与的两个项目就由其位于CREATE园区的Imperial Global Singapore承载，并面向全球研究人员开放合作。

真正的衡量标准是什么？

AI4S的成功，不应只用模型运行得更快来衡量。更关键的问题是：这些项目能否最终产出经过验证、可扩展的制造工艺，能够落地的催化剂，足以支持临床判断的证据，以及值得信赖的软件。

换句话说，新加坡押注的并非“AI替科学家做研究”，而是让AI、自动化实验和领域知识形成一条更短、更可验证的科研到产业链条。