AI for Science時代下的日本支援型AI4S應用與科學研究轉型
科技產業資訊室(iKnow) - 謝采燁 發表於 2026年5月28日
圖、AI for Science時代下的日本支援型AI4S應用與科學研究轉型
科學發展歷經實驗科學、理論科學、計算科學與資料驅動科學四大典範，近年生成式AI與大型語言模型（LLM）快速進步，AI開始參與假設生成、數據分析、知識整合與研究設計，甚至被視為繼實驗科學、理論科學、計算科學與數據科學之後的「第五科學典範」。日本科學技術振興機構（JST）旗下研究開發戰略中心（CRDS）所撰寫《研究開發俯瞰報告書：系統・資訊科學技術領域（2026年）》中「支援型 AI4S：各科學領域中的重要發展趨勢」篇章，聚焦於「AI for Science（AI4S）」如何改變現代科學研究模式，以及人工智慧在各科學領域中的應用趨勢。
CRDS將AI4S將分為認知層級與執行層級兩大類型，在認知層級中，「認識論型AI4S」著重於探討人類與AI如何理解世界與形成知識，促進人機理解共享與新理論形成；「共創型AI4S」則強調AI與研究者透過互動共同進行科學發現與概念建構，推動創新知識與新科學理論的產生。在執行層級中，「自主型AI4S」能自動執行假設生成、實驗、分析與驗證等完整研究循環，「支援型AI4S」可提升科學研究循環中特定步驟的效率與精準度，其形式通常為提供研究者使用的支援工具主要提升研究流程各步驟的效率與精準度，以加速知識產出與科學發現。
在生命科學領域，支援型AI4S已廣泛應用於蛋白質結構預測、基因分析與藥物開發。Google DeepMind開發的AlphaFold大幅革新蛋白質結構預測技術，將原需數月至數年的分析時間縮短至數分鐘。AlphaFold3可預測蛋白質與DNA、RNA等複合體交互作用推動生醫與新藥研發，可說是AI推動科學突破的重要代表案例。若將LLM應用於蛋白質與化學結構學習，則可發展蛋白質與分子語言模型，利用大量資料的自我監督學習加速結構預測與新型蛋白質、化合物的自動化設計，推動生醫與材料研究發展。未來AI將進一步結合生物資訊與醫療數據，加速精準醫療與新藥研發，縮短研究時間降低開發成本。
在材料與化學領域，Google DeepMind開發的GNoME利用圖神經網路預測新型晶體結構，發現約220萬種潛在新材料，其中38萬種可望實際合成。此技術可大幅加速材料研發，並應用於電池、半導體與太陽能等領域，同時結合自律實驗室，推動AI自動化材料開發。AI被應用於新材料探索與分子設計改善傳統材料研發需耗費大量實驗與時間，但AI可以模擬與資料分析快速預測材料特性，加速新能源、半導體與高功能材料的開發。在淨零轉型與能源安全成為全球議題之際，AI輔助材料研究的重要性正持續提升。
此外，AI在地球科學與宇宙研究中的角色也逐漸擴大。隨著觀測數據規模快速增加，人類研究者已難以單靠傳統方式處理龐大資訊，開始應用AI於氣候變遷分析、防災預測與天文觀測等領域。Google DeepMind開發的GraphCast利用圖神經網路與40年氣象資料進行學習，可高速且高精度地進行10天全球氣象預測，效能超越傳統超級電腦模型。對自然災害頻繁的日本而言，AI在防災與國土韌性上的應用具有高度戰略意義。
AI不僅改變科研方法也重新定義知識生產與創新模式，「支援系AI4S」的使用說明日本將AI視為未來科學研究與國家競爭力的重要基礎設施，日本往後的科技政策核心，將是藉由AI、算力、資料與治理制度的整合建立可信賴且具自主性的創新生態系，以因應全球AI競爭日益激烈的新局勢。（1238字；圖1）
資料來源：
システム・情報科学技術分野（2026年）。CRDS，2026
--------------------------------------------------------------------------------------------------------------------------------------------
【聲明】
1.科技產業資訊室刊載此文不代表同意其說法或描述，僅為提供更多訊息，也不構成任何投資建議。
2.著作權所有，非經本網站書面授權同意不得將本文以任何形式修改、複製、儲存、傳播或轉載，本中心保留一切法律追訴權利。
|