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。

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。