換句話說，AI4S 想解決的不是「AI 能不能找到答案」，而是「找到的答案能不能在實驗室重現，並進一步走向製造」。

用計算搜尋催化劑，再由實驗驗證

由新加坡科技研究局（A*STAR）與倫敦帝國理工學院合作的1,000萬新元計畫，將建立 Surface Science Foundation Model 及雲端平台，用於預測催化劑的性質與合成條件。

研究對象包括更潔淨的燃料、以二氧化碳衍生的原料，以及生物基化學品。其主要計畫說明所設定的目標，是讓計算篩選速度提升 500倍；至於「快近五倍、成本低近五倍」等說法，若未確認是另一項後續開發指標，便應審慎解讀。

這種模式的重點在於先利用計算能力，從龐大的設計空間中挑出較有希望的選項，再交由實驗進行驗證，而不是把模型輸出直接當成最終答案。

讓 AI 檢查另一個 AI 寫出的程式碼

NUS 與帝國理工學院也在開發具備程式推理能力的工具，讓系統可以自動分析、測試、形式化驗證，甚至證明軟體是否符合正確性要求；面對缺乏文件說明的舊程式碼，工具則會運用較不正式的推理方式協助理解。

研究團隊計畫在網路通訊協定、Linux 核心元件等具有重要影響的軟體上測試這些工具，目標之一是讓 AI 代理人能夠審查其他 AI 系統產生的程式碼。

這項研究反映 AI4S 的另一個面向：人工智慧不只用來發現新的科學結果，也可用來提高科研與基礎數位系統的可靠性。

生醫研究：把不同層次的資料放在一起看

在生醫領域，NUS 與 A*STAR 規劃中的 MultiOmicsFM，將建立能共同解讀 DNA、RNA 與基因活性資料的基礎模型，並使用來自新加坡多族群資料集的資訊，支援疾病風險研究與 mRNA 療法最佳化。

另一項 BloodCounts! 計畫，則聚焦於常見的全血球計數檢查。研究團隊將以完整的原始血球計數參數，加上血液抹片影像，訓練 DeepCBC 模型，試圖從一次常見的血液檢查中提取更多診斷資訊，並支援包括中風與癌症風險在內的疾病預測。

其核心概念不是只看單一檢驗數值，而是把不同類型的生物資料整合起來，尋找人類以傳統方式不易辨認的關聯。實際臨床用途仍須經過進一步驗證，不能將研究模型直接等同於醫療診斷工具。

農業數位孿生，應對糧食與氣候挑戰

NUS 與伊利諾大學合作的 ARCS 計畫，將建立以知識引導的農業數位孿生。這類系統可以理解為東南亞農地的虛擬模型，把現場觀測資料與作物科學原理結合起來。

研究預期產出包括較容易解釋的農業預測，以及協助安排播種、分配資源與管理供應鏈的決策工具。這意味著研究方向不只追求更準確的黑箱預測，也重視農業人員能否理解模型為何作出某項建議。

八項計畫涵蓋多個科研領域

AI4S 的首批計畫並非集中在單一產業，而是橫跨材料、計算、生命科學、能源與農業。組合中也包括利用 AI 設計介面、改善能量傳輸的研究，與材料、催化、基因體、軟體、農業及血液分析等工作並列。

這種跨領域配置，顯示新加坡希望把 AI 視為一套通用的科研基礎設施，而不只是某一個產業的專門工具。

新加坡的策略：建立「雙語」科學家與閉環研究

AI4S 的戰略邏輯可歸納為三點：

• 從發現走向轉化： AI 可以提出有潛力的材料、分子、實驗方案或程式碼，但自動化實驗室、高通量篩選、實際量測與形式化驗證，才是判斷成果能否製造、安全且具實用性的關鍵。Materials Data Foundry 所代表的，正是這種「提出假設—實驗—取得資料—再優化」的閉環。
• 培養跨域人才： AI4S 希望培養能同時理解 AI 與材料科學、生命科學、量子科學等專業的「雙語」科學家。當研究人員從一開始就把領域問題、資料品質與實驗限制納入模型設計，AI 才較有機會處理真正重要的科研問題。
• 建立國際研究樞紐： 新加坡透過 NRF 資金、CREATE 國際合作平台、共享的數位與實驗基礎設施、開放工具及產業夥伴，試圖成為 AI 驅動科研與技術轉化的合作節點。帝國理工學院參與的兩項計畫，便透過位於 CREATE 的 Imperial Global Singapore 執行，並以全球研究人員可使用為設計方向。

AI4S 最終能否成功，關鍵不在於模型是否能更快提出預測，而在於這些計畫能否產出經過驗證、可擴大使用的成果：例如可供製造的材料流程、有效的催化劑、具臨床證據支持的決策工具，以及真正可靠的軟體。這將是新加坡這項1.2億新元投資接下來最重要的考驗。

換句話說，AI4S 想解決的不是「AI 能不能找到答案」，而是「找到的答案能不能在實驗室重現，並進一步走向製造」。

用計算搜尋催化劑，再由實驗驗證

由新加坡科技研究局（A*STAR）與倫敦帝國理工學院合作的1,000萬新元計畫，將建立 Surface Science Foundation Model 及雲端平台，用於預測催化劑的性質與合成條件。

研究對象包括更潔淨的燃料、以二氧化碳衍生的原料，以及生物基化學品。其主要計畫說明所設定的目標，是讓計算篩選速度提升 500倍；至於「快近五倍、成本低近五倍」等說法，若未確認是另一項後續開發指標，便應審慎解讀。

這種模式的重點在於先利用計算能力，從龐大的設計空間中挑出較有希望的選項，再交由實驗進行驗證，而不是把模型輸出直接當成最終答案。

讓 AI 檢查另一個 AI 寫出的程式碼

NUS 與帝國理工學院也在開發具備程式推理能力的工具，讓系統可以自動分析、測試、形式化驗證，甚至證明軟體是否符合正確性要求；面對缺乏文件說明的舊程式碼，工具則會運用較不正式的推理方式協助理解。

研究團隊計畫在網路通訊協定、Linux 核心元件等具有重要影響的軟體上測試這些工具，目標之一是讓 AI 代理人能夠審查其他 AI 系統產生的程式碼。

這項研究反映 AI4S 的另一個面向：人工智慧不只用來發現新的科學結果，也可用來提高科研與基礎數位系統的可靠性。

生醫研究：把不同層次的資料放在一起看

在生醫領域，NUS 與 A*STAR 規劃中的 MultiOmicsFM，將建立能共同解讀 DNA、RNA 與基因活性資料的基礎模型，並使用來自新加坡多族群資料集的資訊，支援疾病風險研究與 mRNA 療法最佳化。

另一項 BloodCounts! 計畫，則聚焦於常見的全血球計數檢查。研究團隊將以完整的原始血球計數參數，加上血液抹片影像，訓練 DeepCBC 模型，試圖從一次常見的血液檢查中提取更多診斷資訊，並支援包括中風與癌症風險在內的疾病預測。

其核心概念不是只看單一檢驗數值，而是把不同類型的生物資料整合起來，尋找人類以傳統方式不易辨認的關聯。實際臨床用途仍須經過進一步驗證，不能將研究模型直接等同於醫療診斷工具。

農業數位孿生，應對糧食與氣候挑戰

NUS 與伊利諾大學合作的 ARCS 計畫，將建立以知識引導的農業數位孿生。這類系統可以理解為東南亞農地的虛擬模型，把現場觀測資料與作物科學原理結合起來。

研究預期產出包括較容易解釋的農業預測，以及協助安排播種、分配資源與管理供應鏈的決策工具。這意味著研究方向不只追求更準確的黑箱預測，也重視農業人員能否理解模型為何作出某項建議。

八項計畫涵蓋多個科研領域

AI4S 的首批計畫並非集中在單一產業，而是橫跨材料、計算、生命科學、能源與農業。組合中也包括利用 AI 設計介面、改善能量傳輸的研究，與材料、催化、基因體、軟體、農業及血液分析等工作並列。

這種跨領域配置，顯示新加坡希望把 AI 視為一套通用的科研基礎設施，而不只是某一個產業的專門工具。

新加坡的策略：建立「雙語」科學家與閉環研究

AI4S 的戰略邏輯可歸納為三點：

• 從發現走向轉化： AI 可以提出有潛力的材料、分子、實驗方案或程式碼，但自動化實驗室、高通量篩選、實際量測與形式化驗證，才是判斷成果能否製造、安全且具實用性的關鍵。Materials Data Foundry 所代表的，正是這種「提出假設—實驗—取得資料—再優化」的閉環。
• 培養跨域人才： AI4S 希望培養能同時理解 AI 與材料科學、生命科學、量子科學等專業的「雙語」科學家。當研究人員從一開始就把領域問題、資料品質與實驗限制納入模型設計，AI 才較有機會處理真正重要的科研問題。
• 建立國際研究樞紐： 新加坡透過 NRF 資金、CREATE 國際合作平台、共享的數位與實驗基礎設施、開放工具及產業夥伴，試圖成為 AI 驅動科研與技術轉化的合作節點。帝國理工學院參與的兩項計畫，便透過位於 CREATE 的 Imperial Global Singapore 執行，並以全球研究人員可使用為設計方向。

AI4S 最終能否成功，關鍵不在於模型是否能更快提出預測，而在於這些計畫能否產出經過驗證、可擴大使用的成果：例如可供製造的材料流程、有效的催化劑、具臨床證據支持的決策工具，以及真正可靠的軟體。這將是新加坡這項1.2億新元投資接下來最重要的考驗。