浙江扩大“AI for Science”布局，覆盖科研、产业与公共服务

尽管政策雄心与经验证成果之间仍存在明显差距，浙江再次推动将人工智能融入科学研究。RSSHub 36Kr 的一则快讯指出，该省正支持科学基础模型，并推动人工智能辅助多个学科开展发现工作。

这项公告听起来像是一次新的政策转向。更准确地说，它是一个已经历经多个省级规划层面的项目发出的最新信号。浙江于 2025 年发布了专门的科学智能行动计划，随后又通过 2026 年政府工作部署进一步强化了这一方向。

因此，真正值得关注的并不是政府再次认可人工智能，而是浙江正试图将其密集聚集的模型开发商、高校、实验室、制造商和开源社区，转化为共享的科研基础设施。

这一战略也带来了一个可验证的冲突。政策文件承诺广泛接入、开放协作和更快的科学发现，但真正的进展取决于科研数据、算力、科学验证、安全，以及推动机构合作的激励机制等困难工作。

RSSHub 36Kr 快讯反映了更广泛的政策规划

这则最新标题之所以重要，是因为它将浙江的营商环境议程与一项已经存在的科学智能实施计划联系了起来。

这则快讯称，浙江省级领导层支持在科学发现和技术创新中广泛使用人工智能。报道还介绍了一项更广泛的“人工智能+”计划，覆盖产业、消费、文化、公共服务和社会治理等领域。

RSSHub 是与该条目相关的分发渠道，而 36Kr 是发布平台。政策并非由这两家机构制定。背后的主体是浙江省政府，相关项目也远不止一条媒体快讯所涵盖的内容。

对于通过主要关键词 rsshub 36kr 进入的读者而言，这一区分很重要。这则快讯提供了简洁的事件信号，但并未展示该政策的完整沿革、目标或尚未解决的实施问题。

浙江于 2025 年 7 月由十二个省级部门发布了专门的科学行动计划，实施周期为 2025 年至 2027 年。

该计划将科学智能定义为利用人工智能支持科学研究并加速科学发现。计划聚焦三项省级重点：人工智能、生命健康，以及新材料与新能源。

到 2027 年，浙江希望建立支持人工智能辅助科研的算力、数据和模型基础。这些层面彼此相关，但每一层都带来不同的实施难题。

算力基础设施提供训练模型、运行模拟和分析科研数据集所需的处理能力。数据基础设施则涵盖跨组织的数据采集、治理、标注、访问和复用。

模型基础设施指的是科学基础模型。这些系统基于领域专属信息训练，并适配于分子预测、材料设计或科学文献分析等任务。

该省为 2027 年设定了若干可量化目标，计划培育至少四个科学基础模型，并打造至少八个标杆应用场景。

计划还提出形成二十个以上涉及科研数据知识产权的代表性案例，并通过更广泛的项目支持超过 1,000 家科技企业。

与简短的新闻快讯相比，这些目标让该倡议显得更加具体。同时，它们也提供了一种方式，用于区分已经完成的基础设施和宣传性公告。

浙江的 2026 年政府工作报告又增加了一个层面。报告支持在之江实验室开发科学基础模型，并围绕 ModelScope 建设国际开源社区。

报告还提出在制造、交通和公共服务领域打造融合应用场景。这表明，浙江将科学模型视为更大区域人工智能体系的一部分。

浙江并非从一张空白的机构地图起步。杭州聚集了大型模型开发、云计算、电子商务、机器人和科研机构。

然而，地理上的集中并不会自动带来科学协作。实验室、企业、医院和高校往往依据彼此不兼容的技术、法律和机构规则存储数据。

因此，该政策面临的首要挑战是协调。浙江必须将邻近机构转变为一个真正运转的科研网络，同时不削弱科学标准或正当的数据保护。

浙江人工智能政策让科研基础设施承受压力

浙江的计划给掌握宝贵数据、却缺乏推动数据复用激励机制的科研机构带来了最大压力。

科学人工智能所依赖的不只是通用语言模型。研究人员还需要高质量数据集、专业工具、可复现实验，以及能够识别看似合理但实际错误结果的领域专家。

如果测量结果不一致且缺少实验条件，材料模型就无法产生有用的发现。如果没有明确的隐私、同意和访问控制，生物医学模型也无法安全地整合医院数据。

该省设定的数据目标承认了这一问题的一部分。然而，统计科研数据相关知识产权案例的数量，并不能说明科学家是否真的能够发现、理解和复用底层信息。

科研数据往往以适用于某个实验室或仪器的格式产生。元数据可能不完整，术语可能存在差异，而阴性实验结果则可能从未进入共享存储库。

这些限制会影响模型质量。即使科学基础模型输出的内容看起来技术上十分复杂，它仍可能复现训练材料中的缺口与偏差。

当机构将数据视为战略资产时，问题会进一步加剧。高校希望获得论文发表成果，企业保护商业机密，医院保护患者信息，实验室则围绕科研经费展开竞争。

浙江的开源战略试图降低其中一些障碍。开放模型可以减少对单一供应商的依赖，并让研究人员检查或修改系统的部分组件。

开放访问并不会消除成本。研究人员仍然需要算力资源、数据工程、领域评估、网络安全，以及能够在试点结束后继续维护模型的人员。

小型企业也面临同样的矛盾。获得模型权重可以降低软件门槛，但运行专业系统仍可能需要昂贵的硬件和稀缺的科学人才。

浙江已经将人工智能发展与开源社区及支持机制联系起来。当地项目曾为部分开发者提供算力券和 Token 补贴。

这些措施可以帮助团队启动实验，但并不能保证原型能够经受采购、监管审查、系统集成或独立验证。

科研资助机构也将承受压力。他们必须决定，是支持新的人工智能平台、单个科研项目、共享数据集，还是复现研究。

资助受到关注的模型可以快速产出公告。资助数据清洗、基准设计和失败实验记录，虽然宣传效果较弱，却往往能创造更持久的科研价值。

高校也必须调整激励机制。研究人员通常因论文、专利、经费和引用获得奖励，而不是因为维护数据集或评估其他团队的模型而获得认可。

有效的浙江人工智能政策必须解决这种错配。否则，机构会宣布开展合作，却继续保持那些阻碍真正共享的行为模式。

开发者应关注该省是否会公布技术接口、许可规则、基准数据集和评估协议。这些细节将决定外部团队能否参与其中。

企业采购方应寻找模型能够跨机构运行的证据。在单个实验室中的表现，并不能说明模型在不同仪器、不同人群或不同运行条件下是否可靠。

知识工作者也应关注这一点，因为同样的基础设施问题也存在于普通组织中。当信息结构化、可追溯、保持更新，并与其原始语境相连接时，人工智能才会变得更加有用。

因此，承受压力的不只是科学家。浙江正在检验，区域政策能否协调有用人工智能系统所必需的、却常常不受重视的信息工作。

科学基础模型所需的不只是开放访问

核心权衡十分明确：浙江希望广泛开放模型，但科学可靠性要求比普通聊天机器人部署更严格的控制。

科学基础模型从大量科研数据中学习模式。随后，它们可以通过适配、工具调用或连接实验系统，支持专业任务。

在材料研究中，模型可以在实验室合成之前对候选化合物进行排序。在医学领域，模型可以整理文献，或识别出供进一步临床审查的模式。

在能源研究中，模型可以协助预测、模拟和系统优化。在地球科学领域，模型可以处理人工分析难以承受的大规模观测数据。

这些应用可以降低搜索成本，帮助研究人员确定实验优先级。但它们并不会让模型输出自动成为科学证据。

只有经过适当验证，预测才具有实用价值。根据领域不同，验证可能需要对照实验、外部数据集、物理测量、同行评审或前瞻性临床测试。

这与快速部署之间存在直接矛盾。政策项目往往奖励模型、试点、用户或参与企业的数量。

而科学看重的是经得起证伪尝试的证据。即便一个模型得到广泛部署，如果团队没有测试其假设和失效模式，它在科学上仍可能并不可靠。

开源访问可以改善审查，因为更多研究人员能够检查组件并复现结果。但如果适当的防护措施和文档尚未建立，它也可能让系统在准备不足的情况下被广泛传播。

正确的比较并不是孤立地比较开放与封闭，而是比较透明、可测试的基础设施与局限性仍不清晰的系统。

浙江有现实理由偏向开放。该省拥有大型科技企业、中小制造商、高校和独立开发者，他们的技术能力各不相同。

统一的模型和工具层可以减少重复工作。共享组件还可以帮助较小的组织适配科研系统，而不必从头开始训练全部模型。

然而，该省必须明确“开放”涵盖哪些内容。模型权重、训练代码、数据集文档、评估结果、许可证和安全报告，分别提供不同类型的访问能力。

只发布模型权重而不提供训练数据文档，会限制科学解释性。只发布基准而不提供具有代表性的失败案例，则可能造成误导性的信心。

此外，还存在指标优化的风险。团队可能会针对公开评测调优系统，使其表现良好，却没有提升系统在陌生研究环境中的可靠性。

独立评估因此至关重要。当评估结果会影响资金投入、采购决策或对外声明时，测试设计者应在组织上独立于模型开发者。

近期研究支持这一谨慎态度。一项实验室安全基准测试针对19个先进语言模型和视觉语言模型，评估了它们在科学安全任务中的表现。

在危险识别方面，没有一个受评模型的准确率超过70%。该研究涵盖765道选择题、404个现实场景和3,128项开放式任务。

这些结果并不否定AI辅助研究的价值，而是说明：如果没有专家监督和专门的安全保障措施，就不应让语言流畅的模型控制具有重大影响的实验室流程。

另一项风险分析描述了模型、规划、工具、行动和记忆等层面的漏洞。当AI系统能够影响物理实验时，这些风险会更加严重。

事实错误可能将研究人员引向无效假设。工具故障可能破坏分析，而控制不当的智能体则可能执行超出预定范围的操作。

敏感的科学数据也会带来新的暴露风险。生物医学记录、专有化学工艺和未公开的研究成果，都可能因访问控制薄弱或模型交互而泄露。

因此，浙江的规划需要分层治理模式。低风险的文献辅助不应与自主化学或生物实验受到同等程度的控制。

人工审核必须保持实质意义。如果科学家既没有足够时间，也没有足够证据去评估一项不透明的建议，只是形式上批准它，就无法提供有效监督。

可追溯性同样重要。研究人员应能够确认一个结果由哪些数据、模型版本、提示词、工具和转换过程产生。

没有这些记录，团队就无法复现研究结果或调查失败原因。这样一来，科学AI就会变成输出生成器，而不是可靠的研究工具。

浙江的政策表述支持科学发现，但不应将其解读为科学基础模型已经能够发现经过验证的知识。

这些模型目前仍属于基础设施候选方案。它们的价值将取决于评估标准、文档质量、与实验的整合程度，以及是否愿意公开发布负面结果。

更快发现的愿景，遇上更狭窄的研究议程

AI可以提高研究产出，却也可能在不知不觉中，把注意力集中到那些现有数据最容易支持研究的问题上。

这是简单的 rsshub 36kr 摘要中最重要的缺失风险。研究速度加快，并不会自动带来更加广泛或更具原创性的科学成果。

AI系统在训练数据丰富、数字化程度高且兼容性好的领域表现最佳。这可能会将资源引向那些已经建立、且产出易于衡量的学科。

涉及罕见疾病、特殊材料、不完整档案或昂贵物理实验的问题，可能因此得到更少关注。对于当前模型而言，这些领域的数据所能提供的信号更弱。

研究人员也可能逐渐收敛到相似的工具和数据集。当许多团队使用同一个基础模型时，模型自身的假设就可能影响哪些假设看起来更有前景。

一项2026年的Nature研究考察了大规模自然科学论文集合中的AI增强研究。研究发现，科学影响力有所提升，但研究重点的范围却有所收缩。

这里的启示并不是科学家应当避免使用AI，而是生产力指标可能掩盖了正在减少的研究问题多样性。

浙江的目标强调模型、应用场景、数据案例以及服务企业数量。这些指标能够衡量活动规模，却无法全面衡量科学原创性。

浙江还应考察受资助的系统是否能够提出新颖假设、支持独立复现、产出有价值的负面发现，以及推动代表性不足领域的研究发现。

科学多样性不仅意味着模型输出多样。它还要求不同机构、方法、数据集和思想传统保有产生分歧的空间。

这一问题与资金分配直接相关。如果资助偏向能够快速产生AI结果的项目，研究人员可能会回避那些数据获取更慢、结果更不确定的问题。

采购也会产生类似压力。即使其他方案能够提升科学韧性，机构也可能因为整合更容易而围绕某一个模型实现标准化。

开源系统可以减少供应商集中度。然而，一个名义上开放的生态仍可能围绕某个占主导地位的模型、云平台或基准测试形成新的集中。

浙江自身的技术基础使这一担忧尤其值得关注。DeepSeek和Qwen为该地区提供了具有辨识度的模型资产，而ModelScope则提供了分发与协作渠道。

这些优势可以加速采用，也可能让当地机构不愿测试根本不同的架构或研究方法。

恰当的应对方式不是人为制造割裂。浙江应支持互操作性、独立基准测试，以及能够比较多种技术路径的资助项目。

评估还必须纳入不属于模型开发者的领域专家。一个模型在技术评分上表现良好，但其输出仍可能被科学家认为过于浅显、不安全或无法验证。

与制造业的连接为加强测试提供了一条路径。浙江的工业基础为材料、工艺、能源和质量控制研究创造了真实应用环境。

例如，浙江于2026年3月成立了AI与新材料产业联盟。其公开目标包括建设省级材料数据库，并打造至少三个设计模型。

该联盟还计划支持至少20个科研与产业化项目。这些项目可以检验共享模型能否从演示阶段走向可重复的工业化工作。

产业化并不等同于科学成功。不过，实际运行环境能够暴露出数据不一致、设备差异、延迟、维护以及人员采用等方面的问题。

最有力的证据应结合科学指标与运营指标。一个有用的材料模型应在保持可追溯性的同时，改善候选材料筛选，并能在不同设施中发挥作用。

独立复现同样重要。模型开发者或参与企业报告的结果，在被其他团队复现之前，都应被视为有待验证的主张。

同样的标准也适用于政府支持的试点。官方支持可以提供资源和协调，但不能取代科学验证。

此外，区域竞争也在加剧。上海、江苏、广东以及中国其他地区，都在建设各自的AI for Science项目和应用平台。

这种竞争能够带来更多试验，也可能奖励醒目的目标和重复建设的基础设施，而不是兼容的标准与共享证据。

浙江的优势不会来自宣布又一个模型，而在于证明其科研机构和企业能够跨组织边界复用经过验证的系统。

这一结果仍不确定。现有文件明确了方向、期限和量化目标，但对于跨机构表现提供的公开证据仍然有限。

因此，读者应区分三个阶段：政策承诺、运营部署和经过验证的科学贡献。浙江显然已经达到第一阶段，并正在推进第二阶段。

第三阶段需要公开发表的证据。没有这些证据，模型数量和试点公告只能说明活动情况，而不能证明发现成果。

RSSHub 36Kr 标题之后值得关注什么

三个信号将显示，浙江是在建设科学基础设施，还是在拼凑一批生命周期短暂的AI试点。

第一个信号，是浙江科学基础模型公开披露的技术证据。浙江提出到2027年至少建成四个模型，这为评估提供了明确期限。

关注是否会发布详细的模型卡、数据集说明、许可证、评估方法、失败案例以及独立复现结果。没有这些材料，模型公告几乎无法为科学评估提供依据。

如果有多个机构提供证据，政策论证会更有说服力。如果只有开发者报告出色表现，核心的验证问题仍未解决。

第二个信号，是计划中的八个基准应用场景能否在获得资助的演示之外持续运行。最有说服力的案例，将模型与真实实验或运营系统连接起来。

应关注重复使用情况、可量化的研究收益，以及原项目团队之外的采用情况。如果一个试点随着资助结束而终止，将削弱其作为共享基础设施的说服力。

材料研究是一个有价值的早期测试场景。浙江已经具备产业需求、科研机构、模型开发者，以及一个旨在协调数据和产业化的新联盟。

生命科学将提供更严格的测试，因为隐私、安全和临床证据会提高错误的代价。对此领域的进展应采取更谨慎的判断标准。

第三个信号，是浙江能否发布可操作的数据访问与归属规则。行动方案提出的20个数据相关知识产权案例，可以作为起点。

有用的规则必须说明谁可以访问科学数据集、在什么条件下访问，以及需要哪些审计控制措施。同时，还应明确数据贡献者的署名和补偿机制。

如果机构能够在不丧失认可或正当商业权利的情况下贡献信息，数据层就能不断扩展。如果规则始终模糊，宝贵的数据集就会继续彼此隔离。

这些信号应结合起来观察。没有可访问的数据，模型就无法改进；没有可信的模型，应用场景也无法规模化。

因此，rsshub 36kr 标题是一则有价值的提醒，但不是最终证据。它将读者引向一项机构覆盖范围异常广泛的省级实验。

对于开发者而言，眼下的问题是浙江是否会发布供外部人员测试和扩展的组件。开放内容应包括文档，而不仅仅是可下载文件。

对于企业采购方而言，关键问题是可移植性。一个只能在单个受补贴演示项目内部运行的系统，带来的是整合风险，而不是可复用能力。

对于研究人员而言，决定性问题是科学价值。更快的文献综述或候选对象排序固然重要，但它们无法取代原创假设和经过验证的研究发现。

对于知识工作者而言，浙江的实验提供了更广泛的启示：AI的表现取决于围绕模型的知识质量、来源、权限和结构。

浙江已经设定了量化目标，并将AI纳入创新发展议程。接下来，它需要提供透明证据，证明这些目标确实能够形成可靠的研究能力。

浙江会发布足够的评估数据，让外部研究人员检验其主张，还是会主要通过模型数量和政策更新来展示进展？这正是下一个 RSSHub 36Kr 快讯之后值得关注的问题。