2025年11月20日，英国科学、创新与技术部发布《人工智能赋能科学战略》（AI for Science Strategy）。战略提出，以数据、算力、人才与文化三大支柱和AI驱动科学为核心抓手，面向工程生物、聚变能源、先进材料、医学研究和量子技术五大优先领域，配套最高1.37亿英镑专项投入，打造高质量科研数据集和与国家超算平台协同运行的数据与算力基础设施，扩大超算资源开放，培育跨学科科研与技术人才，推动自主实验室、AI科学智能体等前沿工具在重点领域布局应用，重塑科研组织和发现范式。通过设立如“到2030年实现100天内将候选药物推至临床试验准备阶段”的任务，加速药物发现等关键应用，巩固和提升英国在AI赋能科学研究方面的全球领导地位。该战略规划框架清楚、措施明确，对相关布局具有重要启示意义。
一、引言：人工智能赋能科学的机遇
一个人工智能赋能科学（AI for Science，AI4S）的关键时刻正在展开。资本和关注正不断聚焦到这样一种观点上：提升科学研究的生产率，将会成为人工智能（AI）最有价值的应用方向。科学正以前所未有的速度发生变革。
在过去3年中，AI4S的前沿已经从“预测”推进到“行动”。AI模型正越来越多地成为科学研究过程中的自主参与者。在生物学领域，AI模型已经从预测已知蛋白质的结构，发展到可以设计全新的蛋白质，帮助科学家在几乎每一个研究领域加速进展——从抗击疟疾到潜在的新型帕金森病治疗方案。
与能力不断增强的窄领域模型同步发展的是，前沿AI实验室正竞相构建能够自动化科学过程核心环节的AI科学智能体。这些系统可以在没有人类直接输入的情况下生成假设、设计实验并开展分析。AI与真实世界实验的结合，预示着能够在实时“做中学”的系统。例如，利物浦的材料创新工厂（Materials Innovation Factory）构建了一名移动机器人化学家，在8天内完成了688组实验，并在无人干预的情况下发现了一种新催化剂。这些以AI为中心的发现流程有可能彻底变革科学生产率和科学进步。
AI在科学中的应用之所以重要，是因为被“超级加速”的科学生产率将带来一种显著改善人类生活的社会性变革。AI可能大幅缩短药物发现的平均周期；更优的天气预报和洪水预测可以保障国家基础设施安全并提升粮食安全；而在聚变反应堆中由AI增强的等离子体控制，则可能加快迈向近乎无限清洁能源的步伐。
英国在人工智能研究质量方面位居全球第4位，在吸引顶尖AI研究人员工作的目的地中位居全球第3位。Latent Labs、CuspAI、DaltonTx和Orbital等本土初创企业从英国充满活力的AI4S生态中涌现，有望成为英国影响力和经济增长的重要来源。Isomorphic Labs于2021年由DeepMind孵化成立，自那以来，他们一直在为加速药物设计领域的科学发现铺平道路。加强这一AI4S生态是本战略的核心内容之一，“主权AI单元”（Sovereign AI Unit）将在这些领域优先采取行动，支持AI企业在英国实现规模化发展并推动经济增长。
英国的大学和科研机构位居世界前列。英国各地正在积极行动，把握AI4S带来的机遇，以改善民众生活。莫菲尔德眼科医院（Moorfields Eye Hospital）与伦敦大学学院（University College London）联合开发的RETFound模型，不仅可以检测威胁视力的眼部疾病，还能够预测心脏病。与许多其他案例一样，这一成果的背后，是一流科研机构、数据持有方和国家级设施正在推进的发展作为支撑。弗朗西斯·克里克研究所（Francis Crick Institute）、桑格研究所（Sanger Institute）、亨利·罗伊斯研究所（Henry Royce Institute）、哈威尔科学与创新园区（Harwell Science and Innovation Campus）、英国生物样本库（UK Biobank）以及欧洲分子生物学实验室欧洲生物信息学研究所（EMBL-EBI）等机构，都在采取措施，通过AI改造英国科研。
英国是一个科学大国。科学发现是推动人类进步的核心驱动力之一。英国必须果断行动，在保持其科学领导地位的同时，抓住机遇，引导AI驱动下的科学变革。英国拥有实现这一目标所需的一切优势与资产，但必须像美国、欧盟等一样，制定雄心勃勃的国家战略与愿景，从而催化这一关键时刻所需的迅速行动。
二、目标与总体思路
1、AI4S战略的两个目标
一是发展AI驱动科学的前沿能力。正在开发通用型AI科学工具、建设自主实验室基础设施的企业和科研人员，正在重塑科学发现的全过程。这是一个对英国能力建设至关重要的战略领域。该目标将通过开篇的“AI驱动科学”部分直接加以阐述。
二是确保英国保持其全球科学领导地位。将AI融入科学活动，将重塑国家与全球的科研格局。英国必须顺应这一科学变革，以创造经济增长，并将其收益转化为公共福祉。该目标将通过围绕数据、计算资源、人才与文化三大支柱开展行动来实现。
2、五个广义重点方向
与其他领域一样，AI在科学中的采用速度在不同学科之间会快慢不一。尽管英国在许多领域确实处于世界领先地位，但也必须承认，不可能在所有领域都名列前茅。
本战略中的行动将重点面向五个广义重点方向，这五个方向是基于英国现有优势、与更广泛国家战略（包括《现代产业战略》（Modern Industrial Strategy））的契合度，以及AI驱动发展的潜在机遇而确定的。这些重点方向包括：工程生物学、聚变能源、材料科学、医学研究、量子技术。在这些领域内，英国将通过定向举措优先追求近期成效，打造可在更大生态中推广借鉴的示范案例，并在短期内形成公众可切身感受到的实际影响。至关重要的是，这些优先领域在方法路径、科研共同体、数据基础以及AI融合程度等方面均高度多元。因此，在实际推进过程中，各项举措的实施需要因地制宜、因学科制宜，采取对具体领域需求高度敏感的定制化方式。
本战略还启动了“AI4S任务”（AI for science missions）。这些任务是明确的、有时间限定的、具有雄心的目标，只有依托AI赋能的科学突破才能实现。在实施这一系列举措的过程中，政府将统筹运用关键政策工具——包括算力资源、数据资产、组织协调能力、资金投入等——并配套最高1.37亿英镑的定向投资，以加速英国重点领域中由AI驱动的科学突破。
3、负责任和可持续AI4S
政府深知在科学研究及更广泛应用中以负责任的方式采用AI的重要性。尤其重要的是，要理解科学家将如何适应使用可能出现“幻觉”或错误的新工具，并确保AI的使用不会损害科研诚信。总体而言，英国的做法将以国家科研诚信框架为指导。该框架确保所有英国科研活动都建立在一套明确原则之上，从而推动各类研究活动保持高质量。在此基础上，各项具体行动将把“负责任的AI”作为核心原则。
在本战略的整个实施过程中，英国都会关注如何管理科研相关活动对环境的影响，并降低英国AI基础设施和数据存储的碳足迹。“可持续的AI4S”本身也孕育着创新机会。英国将重点关注那些既能提升单次实验的效率和数据丰富度，又能降低对化学品和材料依赖、从而在整个研发链条上整体减少负面环境影响的潜在应用。
4、（案例）AI4S正在推动英国的现代产业战略
《数字与技术领域计划》（Digital and Technologies sector plan）将AI列为推动增长所必需的6项前沿技术之一，而本战略锁定的五大优先领域——先进材料、聚变能源、医学研究、工程生物学和量子技术——则对应于八大产业战略领域中的一系列前沿产业和前沿技术。在整个政府体系中，各部门已经普遍认识到，AI在上述领域中蕴含着广阔的发展空间。
在先进材料领域，这包括“国家材料创新计划”（The National Materials Innovation Programme）等计划。该计划在英国《现代产业战略》中获得首期5000万英镑的投入，用于支持开发数据驱动工具，以强化材料发现、设计与验证能力。在工程生物学方面，AI正通过支持新型设计范式、高通量分析，并降低实验成本，深刻改变该领域。AI的进步可以渗透到“设计—构建—测试—学习”全周期，并正在加速形成应对一系列紧迫社会挑战的解决方案。例如，AI正在开辟发现新型治疗药物的新路径，并推动开发源自生物体系、可替代日常消费品的可持续方案——从化学品与材料，到低碳燃料。
在医学研究领域，《生命科学领域计划》（Life Science Sector Plan）明确指出，AI正在研究、诊断、治疗和生产制造等各个环节重塑生命科学产业。来自英国研究与创新署（UKRI）和国家健康与护理研究院（NIHR）的重大投资支持，再加上已宣布用于建设“健康数据研究服务”（Health Data Research Service）的6亿英镑资金，将为医学研究领域开展世界一流的研发提供有力支撑。
在聚变能源和量子技术领域，同样正在发生令人振奋的进展。AI将在英国推进聚变能源商业化的进程中发挥关键作用，而卡勒姆（Culham）已被指定为英国首个人工智能增长区（AI Growth Zone）。从数据利用、材料发现到装置运行管理，AI都将加速英国顶尖科学家推动聚变能源走向现实应用的进程。在量子技术领域，有研究表明，AI能够加速量子系统设计，并由此释放对于未来清洁能源突破至关重要的仿真能力。
三、AI驱动科学
当前的AI模型已使“自主开展科学推理”成为可能。现在，只要给定一个科研问题，AI科学智能体便能够生成全新的、可检验的假设，并设计相应的实验。在许多学科中，研究成果必须跨越到现实世界；在需要物理实验的领域，人们对将机器学习系统与自主实验室中的机器人合成与表征平台相耦合的兴趣正在迅速增长。
被这一理念吸引的投资者和机构动作迅速。在英国，剑桥大学的Whittle实验室和利物浦的材料创新工厂的研究人员正在构建世界领先的AI驱动科学能力。Lila Sciences、Future House/Edison Scientific和Periodic Labs等公司则秉持“将科学发现过程实现自动化”的愿景，共同融资近10亿美元。
在某些领域，实现这一非凡目标在中短期内已是一个完全可以想象的前景。最困难的步骤在于：取得使AI能够走出模拟环境或高度受控环境的突破，在真实世界中验证由AI设计的治疗方案与材料的有效性，并形成可重复的证据，证明AI能以一种科学家与普通民众都能切实感受到的方式加速发现过程。
即便只是在有限场景下，AI自动化科学发现的前景本身就是颠覆性的，对当前的大量科研实践提出了深刻挑战。这一前景尚需经过若干阶段才能完全实现。我们应当在清晰认知新兴AI科学系统能力与局限的基础上，正视其持续进步所带来的影响——并将英国置于这一变革的受益者位置。
1、AI驱动科学的行动计划
行动 1：加速英国AI驱动科学的发展
重要性：AI驱动的科学进展可能从根本上改变科学发现的性质。在许多领域，将AI与真实世界相连接，仍是验证和推进研究的关键瓶颈；除此之外，已有充分证据表明，自主实验室本身就能显著加速科学研究。
实施路径：英国将支持已经迅速行动、在自主实验室与AI驱动科学发展方面走在前列的科研团队：
（1）“主权AI单元”将就自主实验室发起公开征集，邀请围绕在英国开发或扩展自主实验室平台的项目提案。本次征集将着眼于数据生成和AI驱动发现两方面的巨大潜在收益。能够实时分析实验结果并据此自主控制后续实验的“闭环”系统，将可生成具有独特高质量、并高度契合模型开发者需求的数据。
（2）将与面向科研知识创建全流程构建AI系统的团队合作，共同制定在英国科研生态中安全部署此类系统的框架，这包括通过高级研究与发明署（Advanced Research and Invention Agency, ARIA）发起的探索性“AI科学家”（AI scientist）项目征集开展合作。相关工作还将考虑各领域在负责任和安全采纳方面面临的特定问题，例如生物安全影响等。
（3）政府将探索可行的使用与访问模式，使英国科研生态能够以安全、透明的方式使用通用型AI科学工具。
行动 2：在英国元科学单元工作基础上，资助AI融入科研方法论影响的相关研究
重要性：AI不仅在推动新的科学突破，更在从根本上重塑科学是如何被开展、评估和理解的。英国需要对AI赋能科学开展元科学（metascience）研究，以更好地理解科学过程正在发生怎样的变化，并确保方法论的发展是在提升而非削弱科研的诚信性、创新性和高质量。
实施路径：
（1）英国研究与创新署（UKRI）与科技创新部（DSIT）共同设立的英国元科学单元（UK Metascience Unit）已在这一领域迈出了关键步伐，帮助我们更好地理解：日益广泛采用AI正如何改变科研版图，以及政府、产业界和资助机构应如何应对。该单元已经资助了18位职业早期学者，研究AI如何改变科学实践，研究主题包括：AI在同行评议、证据综合和合成数据生成中的应用，以及这些变化如何影响科研人员的生产力、创造力和身心健康。
（2）在此基础上，该单元还将开展一次全面的“国家科研中AI使用调查”（National AI in Research Survey），以更深入地了解AI在不同学科领域和职业阶段的科研活动各环节中是如何渗透与被采纳的。
2、（案例）自动化发现：材料创新工厂
材料创新工厂（Materials Innovation Factory, MIF）是一座总投资8,100万英镑的研究设施，由利物浦大学与联合利华共同创立。MIF是欧洲最先进的自主实验室，利用机器人与AI开展高通量、“闭环”的实验流程，在前所未有的规模上生成材料数据。2025年11月，利物浦宣布将在MIF成功基础上建设“AI材料创新枢纽”（AI Materials Hub for Innovation），打造材料科学领域的国家级旗舰设施。
像MIF这样的设施提供了一个洞见AI驱动科学未来的窗口。它们不仅推动了机器人技术与AI融合的进步，也在前沿层面深刻改变着科学活动中的“人”的角色与组织方式。来自公共部门和私营部门的化学家、机器人学家、机器学习科学家和工程师等跨学科团队，在同一屋檐下协同工作，研发将改变化学与材料科学面貌的 AI 工具，同时孵化新产品和新企业，为英国经济增长注入动能。
MIF 还表明，AI驱动科学的未来已经在英国本土有机生长：一所英国顶尖大学与一家行业领导企业携手合作，已共同申请200余项专利，带来每年超过4亿英镑的销售增长，并推动材料科学前沿不断取得进展。
四、支柱1：数据
1、数据是AI4S成功的关键要素
本部分将数据视为AI4S成功的关键要素。这意味着三方面要点：质量至关重要；数据集只是更大整体的组成部分；当前有效的数据集，未来可能就不适用。
本质上，需要采取有目的、有针对性的方式，来生成新的高质量数据集并优化现有数据。以下行动基于这样一个前提：目标不是单纯地生成尽可能多的数据，而是要问：“为解决当前面临的挑战，需要哪些数据来？”
关于是否应该生成新的数据或优化现有数据使其“适配AI”，英国将优先考虑前者。新生成的数据集具有根据具体研究挑战量身定制的优势，且实验室自动化的进步正在加快新数据生成的速度。然而，在某些情况下，历史数据无法复制或是依赖于时间的：例如英国原子能机构（UKAEA）保存的几十年的聚变数据；《健康与发展国家调查》中的纵向数据；以及国家海洋学中心保存的海洋环流数据等。
高质量的数据集是AI驱动科学突破的基础，并且代表着一个日益重要的国际战略资产类别。近期签署的英美科技繁荣协议中明确提出了在共同优先领域开发科学数据集的目标，这也展示了本支柱下国际合作的巨大价值。
同样，针对性地识别和托管高价值数据集，可以成为建设英国科研共同体和增强国家生态系统的有力中心。目前相关工作已经开始。6月，“主权AI单元”为OpenBind联盟提供了种子资金，用于生成基础性的蛋白质-配体结构数据，为药物设计的下一代AI赋能。OpenBind独立于其生成的数据，已成为英国需要构建的有效科研联盟的强大模型，英国将继续完善这一模型，确保实验室自动化与数据生成成为英国AI驱动科学领导力的核心。
在数据集生成的同时，数据存储同样至关重要。本战略中的举措将进一步拓展现有努力，创建一个简化的联邦数据访问模型，并将数据存储设立在接近国家计算中心的地方。这些发展将特别关注敏感数据的管理，确保英国的数据生态系统符合所有相关的伦理和法律义务，以及适当的网络安全要求。
2、数据支柱行动计划
行动 3：英国研究与创新署（UKRI）将设立任务，扩大来自 UKRI 所有设施、实验室和研究所的实验运行和模拟数据存储，确保到2030年前，所有相关且有用的数据都能存储、整理，并符合可查找、可访问、可互操作和可重用（FAIR）原则。
重要性：除了识别高价值数据集来推动科学突破的目标外，还必须在科学数据的生产、存储和优化过程中采取“AI优先”的总体立场。英国的主要设施和科研机构已经在推动“AI优先”方法，但政府和资助方的领导作用仍然至关重要。
实施路径：
（1）DSIT和UKRI将支持英国领先的国家实验室和科学设施，推动生成AI就绪数据并开创AI优先的方法。作为首个举措，科学与技术设施委员会（STFC）将提升基础设施能力，包括提升哈威尔的钻石光源（Diamond Light Source）。这将是巩固英国世界级科学基础设施的“AI 优先”数据生成能力的重要一步，UKRI 和政府将探索将这些升级扩展到整个生态系统的选项。
（2）更广泛地，UKRI将继续现代化其科研数据政策，并与科研共同体合作，确保其资助的研究所生成的数据符合FAIR原则，并支持一个现代化、AI就绪数据环境。这还将包括探索使用AI工具帮助研究人员创建和优化他们的数据。
（3）UKRI 计划于 2026 年发布修订后的数据政策，随之发布的UKRI AI战略将详细阐述“AI优先”方法的细节，明确关键目标和具体行动，推动AI准备数据的规范化和标准化发展。
行动 4：识别并开发高价值数据集，以解锁科学优先领域的突破性进展
重要性：高质量的数据是AI驱动科学突破的关键要素。识别并生成新的高价值数据集对于解锁AI的未来变革潜力至关重要。
实施路径：
（1）DSIT将开发高价值数据集，以解锁AI驱动的科学突破。作为起点，DSIT将与Renaissance Philanthropy合作，发起征集和审查本战略中设定的科学优先领域的数据集提案。同时，还在与亨利·罗伊斯研究所（Henry Royce institute）合作，策划并集中管理高质量的AI就绪材料数据，建立标准化元数据和API的原型库。这将使面向物理科学数据的“AI就绪”方法更进一步成型，从而推动利用AI加速新材料发现。
（2）后续举措将通过结构化的发现过程，采取积极的社区主导方式来识别高价值数据集，并利用外部合作、开放征集、研讨会和黑客马拉松等活动，帮助确定科研人员所需的数据集。该项目的一个重点将是为英国创造新的数据资产。
行动 5：启动收集“暗数据”的试点项目，包括负实验数据，以提升英国优先领域中模型的性能。
重要性：科学数据的生态系统中存在大量“暗数据”，例如未公开的实验结果、实验设置的详细信息、大型机构持有的非机器可读数据或负实验数据。发布负数据的机制和激励措施仍然有限，且未能充分反映这些数据对于机器学习的独特价值。解锁暗数据的潜力，推动未来的科学发现，将在开发精确且稳健的科学AI模型中发挥至关重要的作用，消除积极偏倚。
实施路径：
（1）UKRI将与大型数据机构合作，启动3-5个试点项目，使用新方法收集当前在大数据集中被低估的数据，例如负数据或实验设置的细节。试点项目将在效率、可扩展性和收集数据的实用性方面进行评估。试点将采取针对性的方法，专注于增强在行动4中确定的高价值数据集。
（2）DSIT和UKRI还将与行业合作伙伴合作，寻求关于研究人员访问私有负数据的协议，例如在制药或材料领域。
行动 6：建设大规模数据基础设施，将高价值数据集托管在接近自主计算资源的位置。
重要性：在接近计算资源的位置提供稳健、安全且可访问的数据存储，是训练 AI 模型的关键资源，未来几年这一需求将愈加重要。同样，任何计算系统都必须与来自多个独立管理站点的数据无缝交互——这些数据通常具有不同的格式、治理和访问限制。
实施路径：
（1）政府将建立一个新的数据存储库，与位于布里斯托尔超算中心（BriCS）的 Isambard-AI共址，并将在爱丁堡平行计算中心（EPCC）投资额外的存储容量——EPCC是英国首个国家级超级计算中心，也是英国下一代国家超级计算服务的所在地。这两个数据存储设施将具有联邦功能，确保通过AI研究资源（AIRR）“AIRRport”平台提供稳健的计算访问。
（2）政府将寻求不断发展该联邦系统的能力，确保为用户提供最好的工具，以开展变革性的研究和创新。这可能包括开发安全的智能体对智能体交互，管理联邦系统内的数据访问。
（3）新的AIRR数据能力将探索如何通过AI研究资源，在强有力的隐私保障下，为高影响力的健康数据集提供安全访问，帮助英国科学家使用这些数据开展更具雄心的AI研究。该工作将基于数据治理扩展（FRIDGE）计划的研究，并与像UK Biobank（全球使用最广泛的同意和去标识化的人类生物学与健康数据集）等合作伙伴合作，定义在高性能计算集群中部署可信研究环境（TREs）所需的治理与技术控制。
3、（案例）质量至关重要：蛋白质数据银行
蛋白质数据银行（PDB）成立于1971年，是一个开放获取的蛋白质、核酸和生物分子结构存储库。几十年来，全球研究人员提交了成千上万的实验确定结构，并采用高度标准化的格式创建了一个庞大且极高质量的数据库。PDB是DeepMind AlphaFold突破的幕后英雄，它体现了在AI时代，精心策划的科学数据的巨大力量。
PDB 的最初愿景是迭代地开发一个集中式的已知生物结构档案库。到2020年，研究人员提交了172,816个实验验证的条目。DeepMind使用PDB的数据训练了AlphaFold模型，这个模型可以以前所未有的准确性预测蛋白质结构（而非实验验证）。2021年，DeepMind和EMBL-EBI发布了365,000种蛋白质的预测结构。如今，AlphaFold数据库包含超过2亿个蛋白质的预测结构——这标志着结构生物学的非凡突破，并为Demis Hassabis和John Jumper赢得了2024年诺贝尔化学奖。
AlphaFold是AI驱动科学领域的一个标志性突破，但它仍然是一个独特的成就。在材料科学、流体动力学或神经科学中之所以没有类似AlphaFold的突破，一个重要原因是这些学科中没有类似PDB的数据集。PDB是五十年磨一剑的完美数据集。通过利用新的数据生成方法，英国将支持本国科研人员复制这一成就，并推动相关方法不断调整，以迎接AI驱动科学未来带来的机遇。
五、支柱2：计算资源
1、计算资源是AI发展的引擎
有效利用英国的研发计算基础设施对于满足科研社区的需求至关重要。该领域的行动有两种形式：（1）需要开发硬件、软件、工作流程和人力基础设施，以提供计算资源访问；（2）创建针对性的资源分配途径，使计算资源能够以足够的规模提供给研究人员。
英国通过向AI研究资源（AIRR）的扩展投资10亿英镑，正朝着发展世界级的AI计算生态系统迈进。Isambard AI超级计算机于2025年7月正式启动，它是世界上最强大的超级计算机之一，与剑桥的 Dawn 超级计算机相结合，共同代表了3亿英镑的投资。2025年1月，首相宣布了英国首个AI增长区（AI Growth Zone），位于牛津郡卡勒姆的英国原子能机构（UKAEA）校区。卡勒姆将配备强大的AI计算资源，适用于聚变研究和其他先进技术应用。
这些投资已经开始显现成果，英国的研究人员正在利用自主计算资源解决当今时代一些最大的科研挑战。今年夏天，“主权AI单元”发起了一个开放征集，提供足够规模的计算资源支持最先进的领域模型训练。作为直接结果，剑桥大学的Gábor Csányi团队正在开发其领先的材料基础模型 MACE，帝国理工大学的研究人员则在开发一款以健康为主题的基础模型Nightingale AI，该项目也得到了工程与物理科学研究委员会（EPSRC）GenAI中心的支持。更广泛的AIRR资源分配也正在为社会带来益处，牛津大学的一个研究团队使用了10,000个GPU小时来加速癌症疫苗创新，使治疗更加安全、精确和有效。
未来，AI4S将成为通过AIRR提供公共计算资源的重要分配途径，这将确保重点领域的领先研究人员能够获得推动前沿突破所需的计算资源。AIRR的资源分配模式将包括用于开发基础模型的大规模“英雄级”计算运行，并为博士研究人员和新用户提供小规模的资源分配。英国还将通过DSIT和UKRI的征集，探索为研究人员提供小规模的AIRR访问权限，从而支持他们在这些系统上进行实验、测试、失败和优化模型。
DSIT和UKRI将采取适当措施，减轻大规模计算基础设施对环境的影响。Isambard-AI，作为英国的旗舰AI超级计算机，已经是世界上最环保的超级计算机之一。在爱丁堡平行计算中心（EPCC），作为下一个国家超级计算服务的基地，正在进行的一项工作是将废热重新利用，为当地家庭和企业供热。
2、计算资源支柱行动计划
行动 7：启动AI4S AIRR征集，旨在加速英国优先领域中的AI驱动的科学突破
重要性：计算资源是推动前沿AI驱动科学的关键驱动力，缺乏访问权限是许多科研团队面临的共同瓶颈，尤其是那些不隶属于大型公司的团队。
实施路径：从2025年秋季开始，DSIT和UKRI将通过AIRR提供计算资源，支持AI驱动科学优先领域的研究。这将基于现有的资源访问途径，支持各类规模的研究：
（1）在最小规模需求方面，研究人员希望在其科学研究中应用AI，可以通过AIRR的“网关”途径申请支持，该途径提供10,000个GPU小时（为期3个月），用于访问Isambard-AI和Dawn超级计算机的计算资源。此途径已经在支持AI驱动的科学研究，包括Isambard AI、爱丁堡大学和帝国理工学院的合作，共同开发医疗影像的生成性基础和因果模型，并得到了由EPSRC资助的“医疗健康AI因果性”（Causality in Healthcare AI，CHAI）中心的进一步支持。
（2）在“主权AI单元”2025年7月成功启动AI4S试点征集的基础上，将面向AI4S优先领域启动更广泛的研究征集。这将提供200,000至1,000,000个GPU小时的资源，支持在五个优先领域中进行变革性和雄心勃勃的AI驱动研究
（3）还将启动一个征集，提供“系统接管”访问权限，专门用于以任务为导向的项目。此途径将提供最多1,400,000个GPU小时（约80%的容量），为期两周，利用英国的超大规模AI超级计算能力，推动实现科学突破，首先将集中于快速药物开发任务。
（4）随着未来任务的启动，将进一步开放大型计算资源访问的多轮迭代征集。进展将在每12个月进行审查，以跟踪任务目标的对接情况和实施方法的有效性。
行动 8：开发一个横跨英国科研密集生态系统的联邦计算集群网络，与行业和学术界合作生成高质量的模拟数据集
重要性：有机会开发一个联邦网络，利用英国全国范围内的计算闲置时间——例如大学和科研密集型机构的第三层计算资源——生成高价值的模拟数据集。这样的系统将使政府能够识别并生成优先级数据集，并召集合作伙伴共同创造数据生成和研究合作，形成超越单纯组合的效果。
实施路径：
（1）DSIT和UKRI将与英国的科研密集型机构以及英国国家研究与教育网络（Jisc）合作，探索一个系统的可行性，使其能够协调英国国家研究与教育网络内的计算（包括CPU、GPU或其他加速器）闲置时间和计算能力。
（2）Jisc的“JANET”网络为该系统提供基础设施，未来有机会开发一个利用该网络来提高计算基础设施效率的系统。DSIT和UKRI将在新的一年中探索项目开发和潜在的试点程序。
（3）DSIT和UKRI将召集来自行业和学术界的合作伙伴，探索大规模数据生成和研究机会。这些数据集有潜力成为具有战略价值的资产，推动增长并激发新的国际合作。
3、（案例）利用大规模模拟数据——Omol 25
通过数值求解基本方程式，从模拟中生成数据集，可以使最前沿的AI模型在高度复杂、计算成本极高的领域中进行训练。这让研究人员能够以计算需求大幅降低的方式进行探索，从而改变我们对星系运动、天气预测、催化剂、核聚变反应堆设计等诸多领域的认知。
Open Molecules 2025（Omol 25）数据集是此类数据集的一个最新且具有重大影响的示例。该数据集由Meta和劳伦斯伯克利国家实验室（Lawrence Berkeley National Laboratory）合作构建，利用的是高性能计算系统中中央处理器（CPU）的空闲时间。该数据集包含逾1亿次密度泛函理论（density functional theory,DFT）计算，覆盖8,300万个独特分子体系，使其规模比同类数据集大出一个数量级以上。这一丰富的化学与分子结构信息现已可用于训练性能更优的AI模型，最近在Isambard AI上训练的用于分子与材料的MACE基础模型，就是一个典型例证。
英国有机会在本土同时生成并托管此类数据集，为优先领域的研究人员提供改变格局的关键资源。通过大规模且有针对性的布局，英国有望成为各类高价值模拟数据集的汇聚中心，创造新的国际合作机遇，并吸引海外优秀科研人才。
六、支柱3：人才与文化
1、人才储备是繁荣科研生态的基础
英国的科学研究机构位居世界前列，这里深厚的AI人才储备，是繁荣科研生态的基础。将AI融入科学需要新的科研团队形态、新的组织结构和新的合作模式，并要在英国学术界和产业界已有的跨学科优势基础上进一步发展。随着AI日益成为推动科学进步的强劲驱动力，它有可能塑造新的领军人物，打破既有层级结构，并催生新的科学范式。对于英国而言，这既是巨大的机遇，也是重大的风险。
英国的目标是构建一个丰富的生态系统：（1）培养顶尖科学家和技术专家；（2）促进科研共同体内的大规模团队式科研；（3）在学术界与产业界之间建立深度联结，支持成果转化与企业孵化；（4）让英国成为全球优秀科研人才的聚集灯塔。这将强化英国培养领先科研人才和创业人才的能力，推动实现变革性的科学突破，并将这些突破转化为决定未来繁荣的产品与服务。至关重要的是，这样的生态建设，配合前文在数据和计算资源方面的布局，将为英国在竞争异常激烈的国际环境中吸引和留住人才创造必要条件。
英国的高校和科研机构已经在响应“AI服务科学”所带来的文化与组织变革，包括：（1）提供专业化的AI培训，激励并促进跨学科研究；（2）支持技术人员的职业发展路径；（3）与产业界建立战略合作关系。在把握AI4S机遇的过程中，这些机构仍将是推动必要变革的关键力量。英国大学联盟（Universities UK）将与DSIT和UKRI合作，召集英国高校高层管理者，共同梳理AI4S领域的共同目标和经验教训。
2、人才与文化支柱行动计划之技能提升
行动 9：在未来5年内扩大AI4S方向的博士培养规模，目标是启动至少1000名研究人员的培养，使其熟练掌握AI与学科科学，或在研究中应用AI。
重要性：要确保英国在AI4S领域的未来领先地位，关键在于建立一条人才“培养管道”，源源不断地产生同时精通学科科学和AI方法的新一代研究人员。这类专家的价值在于，他们能够在复杂领域中识别并解决由AI赋形的问题，并在跨学科团队中充当沟通与协同的关键桥梁。
实施路径：
（1）这将包括在现有和未来的博士培养项目中嵌入AI4S内容，通过“博士聚焦资助”（Doctoral Focal Awards, DFAs）等机制，将高校、研究机构、产业界及其他合作伙伴汇聚起来，共同培养博士生。
（2）这些项目将强调跨学科与产业参与，提供AI与传统科学学科的跨学科训练，并鼓励项目负责人探索创新的培养方式，以适应高级科学人才培养方式正在发生的深刻变化。
行动 10：通过跨学科研究员项目，为领军科学研究人员赋予AI能力，并从社区内部推动能力提升。
重要性：英国科研共同体需要发展全新的技能，以适应即将到来的AI4S变革。其中一个重要路径，是通过研究员项目将高技能、具“催化”作用的个人嵌入各个科研共同体内部，带动整体能力提升。同时，这也为通过个人资助渠道吸引全球顶尖研究人员来英提供了机会。
实施路径：
（1）为了让领军科学研究人员掌握AI能力，并从内部提升科研共同体的整体水平，UKRI将努力增加跨学科AI4S研究员项目的名额。
（2）政府今年已经资助了2个突破性研究员项目，以推动AI4S的进展。其中，由Pillar风险投资公司（Pillar VC）和ARIA共同运营的Encode AI4S研究员项目，已将来自全球的AI人才嵌入英国各地的科研实验室。另一种路径则是新近启动的AI Pioneer跨学科研究员项目，面向没有核心AI研究背景、但希望在本领域构建与学科相关AI能力，并开发先进AI方法以解决特定科研挑战的研究人员。
行动 11：打造多元化培训项目，为各学科、各职业阶段的研究人员和技术专家提供能力提升
重要性：随着AI融入科学，并不断重塑许多学科的前沿，需要构建一个多元化的AI培训与技能提升生态，确保职业早期研究人员和资深学者都能够适应这一新环境。AI的使用日益增加，这意味着它应当像统计学或科学方法一样，成为科学训练的核心组成部分。高校和科研机构在这一领域的重要性不言而喻。政府正在与高校、国家研究机构、资助方及产业界的合作伙伴协作，推动面向整个生态系统的能力提升路径，同时兼顾不同科研共同体的多样化需求。
实施路径：
（1）许多科研机构已经主动开展AI培训工作：Spärck AI奖学金项目已有9所大学参与；38所大学参与了政府资助的“AI 转化课程”；伦敦国王学院（KCL）最近还开设了首个专门面向AI4S的硕士项目。
（2）UKRI在科研技术专业人员培训方面走在前列，并通过BridgeAI、Responsible AI UK、“Science and the Hartree Centre”等项目，为科研技术专业人员提供AI能力提升支持。
3、人才与文化支柱行动计划之科研结构
行动 12：组建跨学科科研团队，推动英国优先领域中AI赋能的科学突破
重要性：从根本上说，AI4S研究就是要把多种不同的技能组合起来，寻找推动科学进步的创新方法。在更大规模上，这意味着要组建真正跨学科的团队，把学科科学家、机器学习专家、数据整理人员、科研工程师、项目经理等多种角色汇聚在一起。
实施路径：
（1）在最高1.37 英镑的AI4S资金框架内，将为领先研究人员提供长期资助，重点支持能够催化突破的创新组织结构。
（2）借鉴在一线前沿开展工作的实验室经验——包括各类AI枢纽型机构、专门研究组织，以及Google DeepMind、Nvidia等私营部门领军者——这些投资将以大型跨学科团队为特征，并力图形成“临界规模”的综合投入，把政府、私营部门和慈善资金汇聚起来。随着时间推移，成功的研究项目将在整个生态系统中形成正向反馈循环，创新的组织形态也将逐步成为常态。
（3）在国家量子技术计划各“量子技术中心”（Programme Hubs）和各类AI枢纽的成功基础上，UKRI将继续为大型研究项目提供资助，支持跨学科和跨部门的科研合作。
行动 13：面向各类科研技术专业人员加大投入，并协调高校与科研机构共同制定技术岗位职业发展路径
重要性：对英国科研生态的调查表明，在科研技术专业人员（RTP）各类岗位上普遍存在人才短缺，科研机构在招聘和留住关键技能人才方面面临困难。这些人员——无论是科研软件工程师、高性能计算工程师、数据整理人员，还是数据管理员——在AI4S研究中都至关重要，因为要在真实世界数据上开发和部署AI工具，需要多样且复杂的技术投入。要解决这一短缺问题，既需要建立新的RTP培训管道，也需要设计具有吸引力的职业发展路径，以减少人员快速流失，并将技术人员更有效地融入科研团队。
实施路径：
（1）UKRI将与英国技术技能与战略研究所（UK Institute for Technical Skills and Strategy，ITSS）合作，继续为科研软件工程师、数据科学家和AI伦理专家等群体设计新的技术职业发展路径，确保他们的工作得到应有的认可与回报。通过对“数字科研技术专业技能网络加强计划”（Digital Research Technical Professional Skills Networks Plus）以及“战略技术平台”（Strategic Technical Platform）项目提供长期资助，将在AI领域构建一个全国性、跨学科的科研技术专业人员共同体。
（2）这些举措还将与英国《计算资源路线图》（UK Compute Roadmap）中规划的相关投资相互补充，在AI研究资源（AIRR）周围培育一个充满活力的技术共同体。
（3）高校已经开始协作探索RTP的职业发展路径。ITSS正协调由27所大学和研究机构组成的工作组，专门研究科研技术专业人员在职业发展中面临的挑战。
行动 14：支持由科研共同体主导的基准测试与评估，通过共享的模型性能评估推动AI4S关键问题的进展
重要性：规范化的基准测试与评估，为AI模型在解决科学问题时的表现建立了稳健、客观的衡量标准。它们的价值在于：能够围绕共同目标，激发科研共同体的参与与创新；用标准化评估取代炒作；并增强对AI工具的信任。这种由科研共同体主导的评估模式，其价值在结构生物学中的“结构预测关键评估”（Critical Assessment of Structure Prediction，CASP）基准中体现得最为典型。CASP在长达25年的时间里持续刻画蛋白质折叠预测的进展，为AlphaFold的突破发挥了关键作用。
实施路径：
（1）DSIT和UKRI将支持在其他适合的科学问题上涌现新的“CASP 式”社区基准。例如，在聚变能源用结构材料的开发方面，如果能够基于可靠且具有化学特异性的纳米尺度缺陷数据建立基准测试，将有助于提升材料预测建模的精度，从而加快用于电站设计的材料研发进程。
（2）在实际操作层面，这将包括通过项目征集等方式召集科研共同体，识别相关数据集，评估潜在方法，并资助开发稳健的社区基准，以推动AI4S的整体进展。这一协作推进过程，将得到科研机构和相关公共部门专业力量的支持。
七、分阶段启动任务
AI4S任务是指一类具体的、有时间期限的、雄心勃勃的目标，只有在AI赋能下取得突破性科学进展，才能实现。这些任务将覆盖英国的优先领域。在这些领域，英国具有一定优势，且AI有望在加速进展方面发挥关键作用。这些任务的设立是为了：（1）确保资源集中投向共同目标，而不是被过度分散在零散的各类机会之中；（2）激发并协调英国产业界与学术界的行动，同时吸引私营部门投资；（3）解锁更广泛的科学突破与成果转化机会。各项任务将分阶段启动。以下发布的是“任务一”，后续任务将于2026年遴选确定。
1、加速药物发现
任务一：“到2030年，英国将加速药物发现进程，在100天内将候选药物推进至临床试验准备阶段，并推动新疗法更快速地部署。”
任务说明：
药物发现正进入一个变革时期。AI正在为药物发现流程的多个阶段提供解决难题的新机遇，大幅压缩新疗法开发的时间线。这些机遇包括：利用基础模型在庞大的“类药化合物”空间中进行搜索，从中筛选出候选药物；以及开展“in silico（计算机模拟）临床试验”，在更早阶段预测人体反应，从而压缩开发周期。
英国有条件站在这场变革的前沿。政府多项战略与这一机遇高度契合，其中包括《生命科学领域计划》《英国生物安全战略》以及近期发布的《科学试验中的动物替代》战略。在这一领域，英国的数据基础十分雄厚：既有UK Biobank、EMBL-EBI等成熟机构，也有OpenBind、卫生数据研究服务（Health Data Research Service）等新兴数据资产，并由全国性的“生物制造工厂”（Biofoundries）网络加以支撑。英国在工程生物学、合成化学和健康研究方面同样具有优势，由分子生物学医学研究委员会实验室（MRC Laboratory of Molecular Biology）、弗朗西斯·克里克研究所（Francis Crick Institute）、曼彻斯特生物技术研究所以及威康桑格研究所（Wellcome Sanger Institute）等世界领先机构提供支撑。英国的商业生态也十分活跃，AI工业实验室、初创企业和成长型企业（scaleups）——例如Isomorphic Labs——正在这一前沿领域开展工作。
任务一将重点加速药物发现流程中的临床前阶段，因为AI赋能机会在这一阶段最为集中。同时，还将通过配套举措采优化临床试验环节。药物发现流程的整体变革，也必然会推动AI能力边界的拓展。
新的AI能力，将为健康领域带来巨大的机遇——从应对慢性病，到抗菌药物耐药（AMR），再到罕见病和新发疾病——也将为经济增长创造空间，使英国成为新型治疗手段的全球领导者。这些能力将在“平时状态”下进行准备，但在应对具有大流行潜力的病原体时，也可以被迅速调动使用。因此，任务的成功将标志着英国在大流行应对准备方面迈出重要一步，并与“100天使命”的目标形成互补。
任务一行动计划：
相关工作计划将进一步细化。预计要实现任务一，需要在药物发现临床前流程的多个阶段采取干预措施。整体推进将围绕三大支柱——数据、计算资源以及人才与文化——以及AI驱动科学方面同步发力，以完成这一任务。
（1）AI科学智能体。英国将努力确保相关科研共同体能够安全部署最前沿的AI科学智能体，从而变革靶点发现过程。这些AI工具可以从海量科学文献中分散存在的信号中“拾取线索”，也能在组学、遗传学和健康数据集中挖掘出任何单个人类研究者都难以全面浏览的信息，并快速生成关于潜在靶点的假设。
（2）高质量数据集。国将致力于显著提升结合亲和力的可预测性，帮助科学家选择和设计疗效更好、脱靶效应更少的药物。DSIT已向位于Diamond Light Source的“OpenBind”联盟投资800万英镑。该联盟利用突破性的实验技术，生成全球规模最大、元数据极其丰富的“药物—蛋白相互作用”数据集，为高质量AI模型在结合预测和早期药物设计中的应用提供了重要支撑。
（3）可开发性模型。英国将探索改进“可开发性”（developability）模型的方法，包括免疫原性模型以及ADMET（吸收、分布、代谢、排泄和毒性）模型，以加速先导化合物优化和临床前测试。当前正在推进的、旨在减少药物发现过程动物试验的工作，为进一步拓展机会提供了重要基础。其中一项举措是，对一个新的临床前转化研究枢纽投资3,000万英镑，用于整合数据、细胞工程、基因组技术和相关专业能力，开发新的体外和体内模型。该枢纽将与学术界和生命科学产业密切合作，其中包括大型AI企业。英国将通过监管创新办公室（Regulatory Innovation Office，RIO）、药品和健康产品管理局（MHRA）、医学科学院（AMS）以及监管科学与创新卓越中心（CERSIs）开展工作，确保监管机构具备相应能力，能够在监管流程中安全使用由AI赋能的ADMET模型和in silico临床试验所生成的证据。
（4）算力与资金支持。英国将通过AIRR为科研团队提供资金支持和大规模计算资源访问，用于在上述机会领域开展AI研发，包括开发更精确的结合预测、免疫原性和ADMET模型。
（5）下一代技术与平台。英国将寻找机会，发掘可快速应用于新发和意料之外疾病（包括所谓“X疾病”）的下一代技术与可编程平台。这些技术有可能在未来的大流行中发挥关键作用，正如mRNA技术在新冠疫情应对中所扮演的角色。为此，需要开展跨学科研究，把AI专长与英国在多个科学和生物技术方向上的优势结合起来。
（6）协调与合作。英国将通过AIRR为科研团队在这些机会领域提供资金和大规模计算资源访问，用于开展AI研发。英国将努力弥合关键数据缺口，以推动在这些方向上取得突破性进展。同时，还将探索公私合作伙伴关系，放大UKRI“Prosperity Partnerships”等项目以及Open Targets等倡议的成功经验。
（7）支撑与服务。新的卫生数据研究服务（Health Data Research Service，HDRS）将为上述干预措施以及药物发现中的其他关键任务性工作提供支撑。HDRS由英国政府和威康信托基金会（The Wellcome Trust）合计最多6亿英镑投资支持，将为来自多源的大规模健康数据资产提供统一入口。其中关联的、AI就绪的病理、影像（放射学）和基因组数据集，将为AI模型的开发与验证奠定基础，用于识别生物标志物、支持疾病建模，并构建更好预测人体干预响应的临床前模型。HDRS也将支持临床试验优化，使AI能够用于简化试验设计和入组条件评估，加快临床试验实施进度。
2、遴选后续任务
行动 15：遴选若干新的AI4S任务，于2026年启动
DSIT和UKRI将牵头，在AI4S战略目标框架内遴选其他任务，并于2026年启动。任务遴选将依托政府科学办公室（Government Office for Science）在前瞻扫描、专家参与以及科技分析方面的能力。具体任务将通过一个综合过程确定，该过程将与学术界、产业界、学术社团以及科研资助机构开展对话，并在此基础上完成遴选。
