人工智能的下一个重大竞争领域是科学。问形成假设、运行模拟、设计实验、操作设备、收集结果并从中学习。

美国已明确这一转变。美国能源部的‘创世纪任务’旨在将17个国家实验室整合为一个综合发现平台，以期在十年内将美国研究和创新的生产力与影响力翻倍。今年，该计划宣布与日本建立合作伙伴关系，进一步印证了‘AI for science’正成为基础设施和网络，而不仅仅是另一种模型。

中国也在朝同一方向前进，但越来越多地通过城市推进。北京2025年规划要求建设通用科学智能基础设施，到2027年至少拥有10个高质量科学数据库、超过1000万用户和至少8个基准应用。上海的‘百队百项’计划为获批投资提供最高70%的支持，上限为5000万元人民币（约600万美元）。利用AI促进科学的竞赛已不再仅仅是国家层面的。这为深圳既带来了机遇，也带来了陷阱。

AI可能成为科学生产力和工业增长的新源泉。陷阱在于模仿其他城市的做法。深圳不应试图成为拥有更多硬件的北京，或贴上不同产业标签的上海；而应围绕自身的比较优势进行建设。

第一个优势是其创新经济的结构。深圳2024年研发投入达2453.1亿元人民币，研发强度在中国城市中最高。引人注目的是，企业占该支出的93%以上。这些数字描绘了一座研究、工程和商业部署异常紧密相连的城市。这在‘AI for science’进程中至关重要，因为难点不仅在于发明算法，更在于将其转化为可靠的科学工具。

科学发现并不会在模型预测出分子或提出材料后结束。样品需要制备，仪器需要操作，实验需要重复。美国‘创世纪任务’在AI驱动的自主实验室方面的工作，正是为此结合了机器人技术、边缘AI、实时分析和智能反馈。

深圳拥有非凡的实体技术基础。去年，深圳生产了19.49万台工业机器人和近800万台服务机器人，以及大量无人机、服务器、集成电路和3D打印设备。它们可以成为AI开展科学的工具。

这正是深圳可以走出一条真正不同路径的地方。深圳不应将机器人技术视为又一个‘AI for science’应用，而应将机器人和实验室自动化转变为面向不同领域的共享实验层。

第三个优势是，深圳日益拥有与这一工程基础相连接的科学资产。光明科学城运营着合成生物学、脑科学和材料基因组学等重大设施，已服务超过200所大学、研究机构和公司，设备使用时长超过33万小时。要素都已具备。缺失的一环是如何让计算、AI模型、机器人和科学仪器作为一个系统协同工作。

那么深圳应该怎么做？首先，它应停止为每个科学学科分别构建独立AI平台的思路。应建立一个城市级的共享基础，涵盖计算、科学数据、模型访问、模拟、实验调度、设备接口和可追溯性。让生物学、材料、能源等领域在此基础上构建专业化层。

其次，将自动化实验打造为城市的标志性能力。深圳应选择既拥有科学设施又具备产业深度的领域——例如材料和合成生物学——并展示从AI预测到真实实验再到数据反馈的完整闭环。成功的衡量标准应是实验是否变得更快、更便宜且更易复现。

第三，从一开始就为互操作性而设计。通用接口、数据格式和测试方法应与技术同步开发。在行之有效的地方，它们可以成为地方或行业标准，并最终争取国际采用。

最后，深圳应让这些工具在城市之外也可使用。使模型、软件、实验接口和验证方法具备可移植性，以便外部实验室在将敏感数据留在本地的同时使用它们。深圳花了几十年时间学习如何将工程转化为可走向世界的产品。‘AI for science’给了它一个将科学能力同样转化的机会。

中国各城市将在‘AI for science’上投入巨资。深圳不需要以完全相同的方式投入。北京的计划依托其集中的国家研究机构。上海正在调动大型团队和领域项目。成为AI从预测走向实验的地方，将分散的科学资源转化为可重复使用的系统。

成功的关键衡量标准不应是深圳创建了多少个‘AI for science’中心，而应是一位生物学家、材料科学家，或最终一个外部实验室，能否使用同一套深圳构建的工具，从想法到实验再回到想法。如果深圳能做到这一点，它就构建了更难被复制的东西。