具身智能 3. 脑机接口 4. AI 内生安全 第三章 数学 1. 基础理论 2. 优化 3. 统计 4. 科学计算 5. 复杂系统 第四章 物质科学 1. 物理 2. 化学 3. 材料 4. 能源 第五章 生命科学 1. 合成生物学 2. 医学 3. 神经科学 4. 医疗 5. 演化 第六章 地球与环境科学 1. 大气科学 2 式，从大规模数据中自动发现隐藏的规律， ©️diyun Zhu / Moment / Getty 科学智能白皮书 2025 4 5 2. 发展与态势 2.1 最新进展 随着深度学习、生成模型与强化学习等 技术的突破，人工智能不仅能从海量数据中 识别人类难以察觉的复杂模式，更展现出自 主提出科学假设、设计实验方案、优化研究 路 径 的 惊 人 能 力。DeepMind 推 出 的 AlphaFold GraphCast 模型 2、华为“盘古”大模型 3、 复旦大学“伏羲”大模型 4 等 AI 气象模型显 著提升了全球天气预报能力，实现更长时间 尺度、更高精度的天气预测。普林斯顿等离 子物理实验室利用强化学习优化等离子体控 制，解决撕裂不稳定性问题，加速核聚变能 源的实现 5。加州大学伯克利分校和劳伦斯 伯克利国家实验室利用机器人执行实验，机 器学习规划实验并结合主动学习优化实验过 程，研发用于无机粉末固态合成的自动实验

计 总 院 ◎编著 编制单位 国家能源局能源节约和科技装备司 电力规划设计总院 支持单位 中国电力科学研究院有限公司 中国电力企业联合会电动汽车与储能分会 中关村储能产业技术联盟 中国化学与物理电源行业协会储能应用分会 中国新型储能发展报告（2025） 前 言 2024 年，是新中国成立 75 周年，是实现“十四五”规划目标的 关键一年。党中央、国务院高度重视新型储能发展，作出重大决策部 3.7 亿千瓦时，同比增长约 65% A。全球储能系统出货量为 2.4 亿千瓦时，同比增长超 60% B。 （三）新型储能技术不断拓展应用 2024 年，各国持续开展新型储能技术创新探索。电化学储能领 域，澳大利亚推动新型锂离子电池硅负极材料应用；美国和日本布局 以铁 - 空气和锌 - 空气为代表的金属空气电池技术研究，正在推动技 术示范。长时储能领域，美国、德国、日本等多国正在推进绝热压缩 工程应用各环节标准日趋完善 2024 年，超过 20 项电化学储能标准发布实施，覆盖规划设计、 接入电网、运行控制、检修试验、后评价等多个环节。其中，《电力 系统新型储能电站规划设计技术导则》（NB/T 11681-2024）根据不 同时长需求对新型储能设备选型提出建议，在不同应用场景下提出了 容量配置技术要求，对于新型储能电站系统接入、布局选址给出科学 指导。《电化学储能电站接入电网技术规定》（GB/T 36547-2024）明

边端协同。 第三章，围绕智能算法的研究，首先分析了云计算与云网融合相关的各类智能算法的发展趋势和应 用场景，包括运筹优化、深度学习、强化学习、大模型和 AI 智能体，然后借用本章第一个热点方向：（7） 算法赋能云计算，详细论述了运筹优化、深度学习和强化学习在云计算和云网融合中的应用。本章第二 个热点方向围绕 2025 年最火热的话题开展介绍和论述：（8）AI Agent 和 Agentic 2 深度学习及其应用 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 3.2.3 强化学习及其应用 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 3.3 热点方向八：AI 高维度、多模态、强关联的特点，且其内部拓扑结构高度动态。已有大量工作试图从不同维度解决这些 问题，包括多变量深度异常检测 [113]、跨模态关联分析 [114]、微服务依赖图的根因诊断 [115]、强化学 习驱动的自治调度 [116]、以及 LLM 助力的日志结构化与事件语义理解 [117]。这些研究共同形成了智能 化运维（Intelligent CloudOps）发展的基础，但在真实云环境中仍面临关键瓶颈：在线性、稀疏标注、高

场景篇 趋势篇 医学研究与教学 人工智能尤其是大模型，在医学研究与教学中发 挥着重要作用。它们能够快速分析海量文献与数据， 辅助研究者发现新方向；同时，为医学教育提供个性 化学习支持，模拟临床场景，提升学生的临床技能。 型构建，包括数据预处理、数据挖掘、图像分析等。 通过构建风险预测模型、生命体信号模型等，提高研 究的准确性和效率。 2.个性化教学与临床会诊模拟 1 总体篇 场景篇 趋势篇 药物研发与设计 AI 药物研发通过先进的计算算法和机器学习 技 术，加速和增强新药物和疗法的发现过程。 AI 模型能够分析大量的生物学、化学和临床数据，如基 因表达数据、蛋白质结构数据、疾病相关的分子通路 数据等，从而识别潜在的药物靶标并设计新化合 物。目前， AI 技术虽然在数据分析、模式识别和 预测模型构建方面展现出巨大潜力，但是在整体药 DeepMind 与 Isomor- phic Labs 合作开发的新一代 AI 生物分子结 构模型 Al- phaFlod3，通过深度学习技术，能够生 成分子之间的联合三维结构，揭示它们如何相互作 用，并模拟化学修饰，为药物发现提供重要工具。研 究人员仅需输入一个生物分子复合体的基本描述，几 秒后便能收获该复合体 3D 结构的准确预测。 中山大学与阿里云合作利用云计算与人工智能 技术，设计了基于 Transformer

化的关 键，尤其是真实环境的多模态交互数据；学习进化架构则是具身持续进步和适应性提升的关键，它支持 智能体通过仿真或真实交互持续优化策略、减少失误率、提高任务执行效率、适应新环境，通常通过强 化学习、进化算法等多种技术实现。 四大核心要素最终形成“本体收集环境数据 → 数据训练智能体 → 智能体生成决策 → 学习框架优化策略 并反馈至本体执行”的具身智能运作闭环。 -05 - 运动机制，体现机器人学、认知科学、神经科学和计 算机科学等多学科融合趋势； 算法渗透：深度学习、强化学习、模仿学习等算法开始渗透机器人控制，使机器人具备初步感知和简单互动能力，如索尼AIBO机器狗、 波士顿BigDog机器狗等。 2010-2020 算法演进与技术突破 深度学习与强化学习取得突破性进展：机器人的环境感知能力、决策复杂度、路径规划与控制能力实现质的飞跃，自主学习能力也取 从技术角度来看，人形机器人本体可分为“大脑”、“小脑”和“肢体”三部分，分别对应着决策交互 模块、运动控制模块和执行模块。 • “大脑”的核心为人工智能大模型技术，通过多模态大模型实现环境感知、任务规划与决策； • “小脑”通过强化学习与动力学模型协调关节运动，确保机器人的动态平衡和动作精准； • “肢体”（或称关节模组、执行器）主要有三类：线性执行器、旋转执行器和灵巧手。其中线性执行 器产生直线运动，主要应用于人形机器人的

太阳能发电 17 风能发电 22 核能发电 25 03 构建超大城市可靠电网 输电数字化 35 变电数字化 37 配电数字化 39 智能化调度 41 05 创新多元路线新型储能 电化学储能及关键材料 55 物理储能 58 智慧氢能 60 终端应用 62 智慧运维 66 06 打造“AI+能源”数字平台 实时感知 69 全域互联 73 07 创新电碳融合商业模式 碳计量 通过隧穿结构实现顶底电池高效串联，钙钛矿组分调控优化带隙匹配以平衡光电流、减少热弛豫损失，光学设计提升叠层 电池陷光能力与短路电流，传输层界面工程抑制载流子传输复合以提升开路电压，钙钛矿界面优化与化学锚定制备抗光热 湿衰减的高稳定叠层光伏电池。 成效 该技术将突破传统晶硅电池29.4%的效率瓶颈，未来光电转换效率有望达43%，度电成本有望降至0.18元/瓦以下；通过不 断提升抗光热湿性能 损耗。 05 创新多元路线新型储能 电化学储能 物理储能 智慧氢能 终端应用 智慧运维 围绕世界一流新型储能产业 创新中心建设目标，聚焦前沿电 化学储能技术及材料、新兴物理 储能和氢储能，通过前瞻技术布 局、多元储能技术示范和数字化 手段全生命周期赋能，为构建安 全、灵活、高效的新型能源体系 提供关键技术支撑与实施路径。 电化学储能及关键材料 通过改进工艺和材料（如应

02 储能系统全生命周期安全风险特征 02 电化学储能系统作为长周期运行的能源装备，其安全风险源呈现全生命周期覆盖、动态性演变的特征。从设计的缺陷， 到建设安装的过程风险，再到长周期运维的隐患，安全挑战贯穿始终，且随工况、环境、运行时长动态变化，形成持续存 在的安全压力。 储能热失控是能量失衡 - 热蔓延 - 链式反应的递进过程，电化学储能电站的安全问题是系统性问题，事故的发生往往 由 由多因素交互作用导致。其触发因素可归纳为电气、热、机械滥用三大类型，如图 1 所示： 储能系统热失控触发因素 2.1 电气滥用：电气滥用是指电池在超出正常电气工作参数范围下运行，导致内部电化学反应异常并可能引发安全风 险的状态。如过充放、短路、过电流使用、强制放电、外部高压等。 热滥用：热滥用是指电池暴露在超出正常工作温度范围的环境中，或内部产热速率超过散热能力，导致温度持续 升高并引发安全风险的状态。 与量化 精度存在不足。为此，需融合传统分析手段与先进仿真建模技术，构建系统化的储能安全量化评估体系，实现全工况、全 生命周期范围内的安全风险概率评估。 该体系可覆盖当前最主流的锂离子与钠离子电化学体系储能系统，适配不同厂商的储能产品安全评估需求，包含“储 能系统安全风险地图“和“储能系统安全量化评估模型”两部分。 图 13 储能安全评估方法调研 18 基于行业安全风险地图（R-MAP

岗位，但同时也将创造更多与工程智能紧密结合的新岗位，这种变化在人工智能 发展所新兴的职业中已经初见端倪，包括人工智能伦理学家、提示词工程师以及 人机交互设计师等。其次，工程智能还将革新工程教育形式，通过个性化学习、 高保真仿真实践等，显著提升人才培养的质量和效率。更进一步地，人类与智能 的协作将逐步演化为“共生智能”的新模式，在此模式下，人工智能的目标不再 是完全替代人类的“完美机器”，而是作为“灵魂搭档”激发人类创造力和智慧， MDO） 旨在通过数值优化方法对这类复杂系统进行整体设计[24]。AI 技术显著提升了 MDO 的效率和能力。机器学习构建的代理模型能够以极低的计算成本替代高保 真度的物理仿真，而遗传算法、强化学习等元启发式算法则能在巨大的、非凸的 设计空间中进行全局搜索，有效避免陷入局部最优，从而找到更高质量的系统级 解决方案[25]。 尽管人工智能在策划与设计阶段取得了革命性进展，但其应用仍处于从“单 高度依赖项目经理的经验，难以应对多任务并行、资源约束与现场扰动等动态挑 战。人工智能正在重塑执行决策的逻辑，它能够综合历史项目数据、实时状态信 息与外部变量（如供应链、天气），生成最优的作业序列与资源分配方案[27]。例 如，强化学习算法可用于模拟不同执行策略下的工期与成本表现，实现对装配路 径、物流顺序的动态寻优[28]。基于图神经网络（GNN）的调度模型能够有效建模 复杂工序间的依赖关系，在多目标约束下实现人力、设备与物料的协同配置，显

全球智慧教育发展新蓝图，特此发布白皮书。 ·3· 第一章 发 展 历 程 党的十八大以来，以习近平同志为核心的党中央 高度重视教育工作，多次就教育数字化作出重要指 示。中国政府围绕普及优化学校数字化环境、强化 优质资源供给、深化大规模常态化应用等方面开展 了大量工作，正从转化阶段、转型阶段并行，加速 迈进智慧教育阶段，构建起面向智能时代的现代数 字教育体系。 一、准确识变，夯实教育数字化发展根基 等一批实用智能工具，获得师生广泛好评。智慧高教平 台上线接入 9 个国产通用大模型，配套建设师生人工智 能应用能力测评系统，为师生应用大模型提供了便利。 实施教育系统人工智能大模型应用示范行动，首批推出 涵盖数学、物理、化学、生物等基础学科领域的学科垂 直模型，打造行业大模型的示范标杆。 创新人工智能技术。利用学校的人才优势、数据优 势和场景优势，推动人工智能技术创新。依托大学数字 图书馆国际合作计划（CADAL）中的电子图书、期刊 实现智能教研，通过多模态数据系统评估教师授课情况， 提出精准改进建议，帮助教师提升授课水平。 打造未来课堂。探索“师—生—机”三元协同的课 堂新模式，将人工智能、大数据、虚拟仿真等有机融入 教学过程。通过模块化课程集群、敏捷化学习小组与开 放式成果评估，构建人机共生的未来教学新模式，丰富 课堂教学呈现手段，更好启发学生参与知识建构。通过 搭建沉浸式学习场景，帮助师生打破认知边界，在虚实 结合中更直接、生动地领略大千世界。

这种个性化的治疗和建议不仅可以提高疗效，还能减少不必要的副作用和治疗成本。 在药物发现方面， 大模型也发挥了关键作 用。传统的药物研发周期长、成本高， 对于药物效果和 安全性的验证过程复杂且耗时。应用大模型技术分析生物数据和化学化合物的相互作用， 快速筛选 出潜在的药物候选物，并预测其疗效和安全性，从而大大缩短药物研发的时间和成本。 此外， 医疗影像分析是医疗健康大模型的另一个重要应用场景。现代医学影像技术生成的数据量 通过专家标注或自动化标注工具为数据添加标签， 并确保隐 私数据经过严格脱敏处理，保护患者信息安全。 接下来是训练层， 这一层专注于大模型的设计与开发。大模型的训练通常包含预训练、指令微调、 强化学习等步骤。在模型训练过程中， 需要利用高性能计算资源， 进行大规模的分布式训练， 优化 模型的学习效率。对超参数的不断优化和交叉验证也是必要环节，以确保模型的稳健性和可靠性。 部署层则涉及模型的上线和优化加速， RLHF 是一种结合了强化学习和人类反馈的技术，用于进一步提高模型的性能和准确性。在医疗 健康大模型的训练中， RLHF 可以用于优化模型的决策过 程， 同时对齐人类的价值观， 使其更符合 人类的预期和需求。这 一 步骤中需要将医疗领域的决策过程转化为 强化学习问题， 建立决策过程的 模型。同时收集专家或医生的反馈信息， 用于指导强化学习过程的奖励函数设计， 并训练相应的奖