在科研领域，2025年出现了AI Scientist——一种能够模拟乃至自主执行 "***设提出、实验设计、数据分析、结论推断" 完整科研链路的智能体系统，这不仅是科研效率的量变，更是科学发现模式的质变。这背后有三大技术引擎驱动：一是科学基础模型提供了理论基础，又通过对海量科学文献、数据的分析，形成了对特定科学问题的内在理解；二是代理工作流将理解能力转化为行动力，使AI系统能够像人类科学家一样，自主规划并执行复杂的多步骤研究任务，灵活调用数据库、模拟器和文献检索等外部工具；三是AI的认知能力接入自动化实验设施，完成了从数字模拟到真实实验验证的闭环，使得AI自主下的科学发现成为可能。针对这一趋势，美国在2025年11月启动了"创世纪***（Genesis Mission）"，决定搭建集成化的AI实验平台、建立跨部门的协调机制、建立高效的科学数据共享机制，以AI技术加速科研进程。

报告中指出，中国在AI for Science领域还没有做出及时反应。目前中国在AI应用方面占据相对优势，但在支撑AI for Science落地的算力、数据与模型三大基础设施维度仍面临不同程度的挑战。算力基础设施方面，受限于国外限制和国产替代缺口短期难以弥补等问题，整体储备不及美国；数据方面，中国逐步建立起以中科院带头、教育部、交通运输部等下属研究所参与的国家科技***共享服务平台 - 国家基础学科公共科学数据中心，进展良好；模型层面，中国的科学基础模型稍显滞后，亟待各方***倾斜和整合。

个人应用日益成熟，行业应用有待继续探索

2025年AI个人应用发展迅猛，"多行业API接入+基础模型"的模式成为主流，业界更倾向于发展“AI超级应用”，打破各种***之间的藩篱，为个人用户提供“一站式”的服务。比如2025年11月，ChatGPT上线了Buy it in chatgpt功能，该应用打通了多个电商平台和支付平台，让用户可以用一句话启动流程，直达最符合心意的商品，并在ChatGPT应用内完成下单操作。报告中指出，AI超级应用需要极高的算力支撑，且依赖庞大的存量用户进行模型数据迭代，因此需要对巨头企业更为有利，且有望催生出AI时代的新巨头。

围绕AI行业应用，国内外已经进行了大量探索，比如对话类AI在客户服务、代码辅助、营销等场景下趋于成熟，不过更复杂的自主决策AI Agent应用仍处于探索阶段。报告中预计，2026年AI行业应用将迎来“低谷期”，大量探索中的项目会走向失败，原因包括欠缺高质量数据、多智能体不够成熟、成本过高等等。报告指出，数据质量和既有系统集成是迫切需要解决的问题，安全则是必要条件，然后才是成本、多智能体的演进等问题，而这一切需要AI产业联合各方共同予以解决。

“合成数据”破解***难题，AI安全有迹可循

AI技术的持续演进需要高质量的数据做学习、训练，但高质量文本数据预计会在2026年耗尽，低质量文本数据以及视觉数据预计会从2030年起逐步耗尽，这种***短缺将推动AI技术路线从“堆数据”转向"合成数据 + 强化学习"。Frost&Sullivan披露的信息表明，中国合成数据市场规模在短短四年间从11.8亿元跃升到47.6亿元，预计到2030 年，全球合成数据的体量将正式超越真实数据，成为模型训练的主导性燃料和战略性资产。比如特斯拉正在与清华大学合作研发OccWorld4D，在完全由世界模型生成的仿真环境中测试极端路况，替代传统的真实场景实验。科学探索与具身智能领域也将越来越多地***用合成数据，包括在虚拟世界中瞬间完成亿万次分子生物学试验，通过仿真来改进机器人设计。

从依赖真实数据到更多地***用合成数据，世界模型与强化学习将是两把关键钥匙，前者是生成极具价值数据的引擎，强化学习则是大幅降低数据毒性的过滤器，二者结合可以为AI技术的进化提供充足的合成数据。

随着AI的大范围应用，AI的安全性逐渐受到关注。Future of Life Institute发布的报告表明，全球领先的大模型在"防范灾难性滥用或失控"方面都表现欠佳。基于大模型构建的 Agent不仅继承了大模型本身的安全风险，还增加了记忆等外部模块的不稳定性，以及模块和模块间、模块和工具间、工具与工具间通信过程中的安全风险。为此业界在2025年开展了一系列研究，一方面***用了基于多智能体系统的自演化攻防演练方法，另一方面尝试主动从内部读懂AI。比如蚂蚁集团构建起了"线上服务攻防对抗，线下终端安全加固"的技术体系，360则构建了类脑分区协同安全大模型架构，快速识别威胁和攻击行为。返回搜狐，查看更多