催化劑：先用計算機篩選，再測試最有希望嘅選項

A*STAR同英國帝國理工學院合作嘅1,000萬新加坡元項目，會建立Surface Science Foundation Model（表面科學基礎模型）及雲端平台，用AI預測催化劑嘅性能同合成條件，應用方向包括較清潔燃料、由二氧化碳衍生嘅原料，以及生物基化學品。

項目主要介紹所列出嘅目標係將計算篩選速度提高500倍。至於「快近五倍、成本低近五倍」嘅講法，如果係指另一項後續開發指標，就需要分開理解，唔應該直接當成呢個計劃嘅主要篩選目標。

AI唔止用嚟搵材料，亦可以檢查程式碼同分析醫療數據

讓AI生成嘅程式碼接受更嚴格驗證

NUS同帝國理工學院正開發程式推理工具，自動分析、測試、形式驗證及證明軟件是否正確；對於缺乏文件說明嘅程式碼，工具亦會利用較非形式化嘅推理方式協助理解。

研究人員會用網絡通訊協定、Linux核心元件等重要軟件測試工具，目標係令AI代理可以審核另一個AI系統寫出嘅程式碼。呢個方向對可靠性尤其重要，因為AI寫程式嘅速度提升，並唔等於程式自然安全或者正確。

生物醫學：將不同層次嘅生命數據放埋一齊睇

NUS同A*STAR嘅MultiOmicsFM計劃，預計建立一個可以共同解讀DNA、RNA及基因活動數據嘅基礎模型，並使用來自新加坡多族群嘅數據，支援疾病風險研究及mRNA療法優化。

另一個BloodCounts!項目，就會用完整血球計數（CBC；喺英國及新加坡亦稱為FBC）檢查嘅原始參數，加上血塗片影像，訓練DeepCBC模型。研究希望由一次常見嘅驗血擷取更多診斷資訊，並協助預測中風及癌症等疾病風險。

呢個構想唔係將驗血變成即時確診工具，而係研究點樣善用一項普遍檢查所包含嘅完整數據，提升日後風險評估及醫療研究嘅價值。

農業數碼孿生：將農地變成可分析嘅虛擬模型

NUS同伊利諾伊大學合作嘅ARCS項目，會建立由知識引導嘅農業數碼孿生。簡單講，數碼孿生係現實農地嘅虛擬代表；系統會將實際觀測數據，同作物科學原理結合。

研究目標係提供較容易解釋嘅預測及決策工具，協助分析種植時間、資源運用及供應鏈，而唔係只依靠一個難以理解嘅黑箱式預測。

八個項目背後嘅整體部署

除咗材料、催化劑、基因組學、軟件、農業及血液分析，八個項目亦包括利用AI設計介面，改善能源傳輸。整個組合橫跨材料、計算機、生物科學、能源及農業，反映AI4S並非針對單一行業，而係試圖建立一套跨學科科研模式。

1. 由預測行到驗證，形成科研閉環

AI可以提出有希望嘅材料、分子、實驗方案或者程式碼，但自動化實驗室、高通量篩選、實際量測及形式驗證，先可以回答最關鍵嘅問題：成果係咪做得出、夠唔夠安全、能唔能夠放大生產，以及有冇實際用途。

Materials Data Foundry正正係呢種「閉環」最清晰嘅例子：AI提出方向，機械人做實驗，量測結果再返去改善模型，最後希望產出可重複嘅製造流程，而唔係停留喺電腦入面嘅預測。

2. 培養同時識AI同專業科學嘅人才

AI4S亦希望培養一批「雙語」科學家——佢哋除咗熟悉人工智能，亦理解材料科學、生命科學、量子科學等專業領域。咁樣做可以令研究問題、數據質素及實驗限制，由一開始就參與模型設計，而唔係等模型完成之後先補救。

3. 將新加坡打造成國際合作樞紐

新加坡會透過NRF資助、CREATE國際合作平台、共享數碼及實驗設施、開放工具，以及工業夥伴，吸引全球研究人員參與AI驅動嘅科研及成果轉化。以帝國理工學院嘅兩個項目為例，研究會透過位於CREATE嘅Imperial Global Singapore進行，並設計成供世界各地研究人員使用。

真正考驗：能否由「更快預測」變成「可靠成果」

AI4S最終要面對嘅問題唔係模型可唔可以更快搵到答案，而係呢啲答案能否經過實驗及工程驗證，進一步變成可規模化嘅產品或基礎設施。

因此，計劃嘅成果應該以可重複嘅製造配方、有效催化劑、具醫療價值嘅決策支援證據，以及可靠安全嘅軟件衡量。只有做到呢一步，AI先至唔係單純加快科研流程，而係真正幫科學發現跨過由實驗室走向現實世界最難行嗰段路。

催化劑：先用計算機篩選，再測試最有希望嘅選項

A*STAR同英國帝國理工學院合作嘅1,000萬新加坡元項目，會建立Surface Science Foundation Model（表面科學基礎模型）及雲端平台，用AI預測催化劑嘅性能同合成條件，應用方向包括較清潔燃料、由二氧化碳衍生嘅原料，以及生物基化學品。

項目主要介紹所列出嘅目標係將計算篩選速度提高500倍。至於「快近五倍、成本低近五倍」嘅講法，如果係指另一項後續開發指標，就需要分開理解，唔應該直接當成呢個計劃嘅主要篩選目標。

AI唔止用嚟搵材料，亦可以檢查程式碼同分析醫療數據

讓AI生成嘅程式碼接受更嚴格驗證

NUS同帝國理工學院正開發程式推理工具，自動分析、測試、形式驗證及證明軟件是否正確；對於缺乏文件說明嘅程式碼，工具亦會利用較非形式化嘅推理方式協助理解。

研究人員會用網絡通訊協定、Linux核心元件等重要軟件測試工具，目標係令AI代理可以審核另一個AI系統寫出嘅程式碼。呢個方向對可靠性尤其重要，因為AI寫程式嘅速度提升，並唔等於程式自然安全或者正確。

生物醫學：將不同層次嘅生命數據放埋一齊睇

NUS同A*STAR嘅MultiOmicsFM計劃，預計建立一個可以共同解讀DNA、RNA及基因活動數據嘅基礎模型，並使用來自新加坡多族群嘅數據，支援疾病風險研究及mRNA療法優化。

另一個BloodCounts!項目，就會用完整血球計數（CBC；喺英國及新加坡亦稱為FBC）檢查嘅原始參數，加上血塗片影像，訓練DeepCBC模型。研究希望由一次常見嘅驗血擷取更多診斷資訊，並協助預測中風及癌症等疾病風險。

呢個構想唔係將驗血變成即時確診工具，而係研究點樣善用一項普遍檢查所包含嘅完整數據，提升日後風險評估及醫療研究嘅價值。

農業數碼孿生：將農地變成可分析嘅虛擬模型

NUS同伊利諾伊大學合作嘅ARCS項目，會建立由知識引導嘅農業數碼孿生。簡單講，數碼孿生係現實農地嘅虛擬代表；系統會將實際觀測數據，同作物科學原理結合。

研究目標係提供較容易解釋嘅預測及決策工具，協助分析種植時間、資源運用及供應鏈，而唔係只依靠一個難以理解嘅黑箱式預測。

八個項目背後嘅整體部署

除咗材料、催化劑、基因組學、軟件、農業及血液分析，八個項目亦包括利用AI設計介面，改善能源傳輸。整個組合橫跨材料、計算機、生物科學、能源及農業，反映AI4S並非針對單一行業，而係試圖建立一套跨學科科研模式。

1. 由預測行到驗證，形成科研閉環

AI可以提出有希望嘅材料、分子、實驗方案或者程式碼，但自動化實驗室、高通量篩選、實際量測及形式驗證，先可以回答最關鍵嘅問題：成果係咪做得出、夠唔夠安全、能唔能夠放大生產，以及有冇實際用途。

Materials Data Foundry正正係呢種「閉環」最清晰嘅例子：AI提出方向，機械人做實驗，量測結果再返去改善模型，最後希望產出可重複嘅製造流程，而唔係停留喺電腦入面嘅預測。

2. 培養同時識AI同專業科學嘅人才

AI4S亦希望培養一批「雙語」科學家——佢哋除咗熟悉人工智能，亦理解材料科學、生命科學、量子科學等專業領域。咁樣做可以令研究問題、數據質素及實驗限制，由一開始就參與模型設計，而唔係等模型完成之後先補救。

3. 將新加坡打造成國際合作樞紐

新加坡會透過NRF資助、CREATE國際合作平台、共享數碼及實驗設施、開放工具，以及工業夥伴，吸引全球研究人員參與AI驅動嘅科研及成果轉化。以帝國理工學院嘅兩個項目為例，研究會透過位於CREATE嘅Imperial Global Singapore進行，並設計成供世界各地研究人員使用。

真正考驗：能否由「更快預測」變成「可靠成果」

AI4S最終要面對嘅問題唔係模型可唔可以更快搵到答案，而係呢啲答案能否經過實驗及工程驗證，進一步變成可規模化嘅產品或基礎設施。

因此，計劃嘅成果應該以可重複嘅製造配方、有效催化劑、具醫療價值嘅決策支援證據，以及可靠安全嘅軟件衡量。只有做到呢一步，AI先至唔係單純加快科研流程，而係真正幫科學發現跨過由實驗室走向現實世界最難行嗰段路。