新兴前沿概述 059 2.2 重点新兴前沿⸺“AI 驱动的生物分子复合物结构预测与设计新突破” 060 化学与材料科学 1. 热点前沿及重点热点前沿解读 063 1.1 化学与材料科学领域 Top 10 热点前沿发展态势 063 1.2 重点热点前沿⸺“废旧聚烯烃塑料的化学回收” 064 1.3 重点热点前沿⸺“用于全固态电池的卤化物固态电解质” 068 2. 新兴前沿及重点新兴前沿解读 个热点前沿，合计 110 个热点前沿 和 18 个新兴前沿。 005 ② 11个大学科领域分别为：1. 农业科学、植物学和动物学；2. 生态与环境科学；3. 地球科学；4. 临床医学；5. 生物科学；6. 化学与 材料科学；7. 物理学；8. 天文学与天体物理学；9. 数学；10. 信息科学；11. 经济学、心理学及其他社会科学。 ③ 核心论文出版年的平均值。 ④ 引用至少两篇核心论文的施引论文。 2. 不可逆的环境变化风险。框架提出了调节地球系统稳 定性和恢复力的 9 个关键的地球系统过程，量化了部分 过程的阈值。这 9 种关键的地球系统过程包括气候变化 （Climate change）、生物地球化学循环（Biogeochemical flows）、淡水变化（Freshwater change）、土地系统变 化（Land system change）、生物圈完整性（Biosphere

1320 万千瓦。 截至 2024 年底，新型储能装机规模 288 万千瓦，同比增长 8.3%，排名华中第 1 位。储能深度调峰电量 6.3 亿千瓦时，占比 8.5%，最大负荷日电化学储能供电量为 173 万千瓦，占电化学储能总装机规模 60%。 截至 2024 年底，湖南省煤电机组平均最大调峰深度达到额定容量的 30%，即最大 调节能力达到 2181 万千瓦。调峰辅助服务市场合计提供调峰电量 图 2-2：压缩空气储能站址初选分布图 2.2.4 电化学储能发展规划 截至 2024 年底，全省电化学储能的发电功率已达到 288 万千瓦，已超额完成 “十四五”建成电化学储能装机 200 万千瓦的规划目标。“十五五”期间，考虑抽水蓄 能装机短期内无法大规模投产等实际需求，电化学储能将有进一步增长空间。 9 图 2-3：湖南省电化学储能电站现场图 综上，系统调节能力是决定湖南省新能源消纳上限的刚性约束。为平抑新能源出力 ：表示电源初始投资； r：表示残值率； T：表示折旧年限。 结合实际运行情况调研，本研究的煤电、气电、风电残值率均取 3%，折旧年限均取 20 年。核电残值率取 0，折旧年限取 30 年。电化学储能残值率取 5%，折旧年限取 10 年。压缩空气储能残值率取 5%，折旧年限取 30 年。抽水蓄能残值率取 10%，折旧年限 取 30 年。 主要电源造价按表 3-1 选取。 表 3-1：主要电源初始投资成本

助推银行业应用 1 n DeepSeek 模型在 Post-Train 阶段大规模应用了强化学习方法。 R1 使用了冷启动 + 大规模强化学习方法， R1-Zero 版 本模 型使用纯强化学习方法。随训练过程推进，模型展现出了推理能力的扩展（高准确率和 long-CoT 能力涌现等） 。 性能：后训练阶段大规模应用强化学习，表现推理能力扩展 资料来源： DeepSeek-R1: Incentivizing 处理中的成本更具优势。 它在 MoE 架构的基础上， 通过多头潜注意力机制（ Multi-Head Latent Attention ， MLA ）进行优化；在后训练阶段采用冷启动 + 大规模强化学习 方 式，不再使用传统 SFT 做大规模监督微调， 甚至绕过了一些 CUDA ，采用 PTX 汇编来提升能力；在推理场景下通过 大规模跨节点专家并行（ Expert Parallelism ， 亿到 700 亿参数的 R1 蒸馏版本。这些模型基于 Qwen 和 Llama 等架构蒸馏， 表明复杂的推理能力可以被封装在更小、更 高效 的模型中。从论文结论看，蒸馏比单独依赖强化学习训练更为高效，且蒸馏与强化学习的结合可以进一步提升模型性 能。 n 2025 年 2 月，科学家李飞飞团队带领以不到 50 美元的费用训练了一个能力比肩 DeepSeek-R1 的 s1 模型，也展现了蒸馏 模

导老师，针对性指导学生完善实验方案。③问题答疑方面，引入智能体作为课堂 虚拟助教，通过角色扮演进行人机对话，将知识讲授转化为趣味互动。 案例 2-6 自适应学习系统助力牡丹江师范学院高效开展个性化教学 ② 为满足学生个性化学习需求，牡丹江师范学院与教育科技企业合作建设《卓 越师范生教师教育》智慧课程和自适应学习系统。①基于知识图谱技术，学校对 教材大纲及课程资料进行了全面梳理与整合，共建设知识点 179 个、课程资源 堂环境下的精准教学应用实践研 究，探索构建了包括“三环七步教学模式”在内的适用于不同学段、不同学科的 精准教学模式。③湾沚区采用多种方式，全面了解精准教学模式的应用对教师因 材施教以及学生个性化学习效果和学习体验的影响，持续迭代优化教学模式。 案例 2-8 AI 助力呼和浩特市民族实验学校开展国家通用语言文字个性化教学 ② 通过“内蒙古自治区国家通用语言文字应用能力提升项目”，呼和浩特市民 基于“学评融合”理念的个性化评价支持环境设计及其应用[J].中国电化教育,2023, (07):91-98+117. 11 第 2 章 GAI 辅助生成相应的写实性评语、表现性评价等激励性评价反馈。 个性化学生画像解读。教师可以利用搭载教育大模型能力的教学系统，集中 汇聚、分析学生在课堂活动、作业表现、在线学习行为等方面的数据，获得系统 归纳的认知偏好、学习风格、知识点短板等维度信息，及 GAI 动态生成的学生

临床医学领域，生物科学领域，天文学与天体物理学 领域，数学领域；在其他 6 个领域均排名第二，基础 研究活跃程度整体仍然最强。 中国在 6 个领域排名第一，分别是：农业科学、 植物学和动物学领域，生态与环境科学领域，化学与 材料科学领域，物理学领域，信息科学领域，以及经 济学、心理学及其他社会科学领域，展现出鲜明的相 对领先优势；中国在地球科学领域、生物科学领域和 数学领域等 3 个领域排名第二，在临床医学和天文学 十一大学科领域整体层面研究前沿热度指数 Top20 国家 / 地区在分领域层面的研究前沿热度指数得分和排名 十一领域 农业科学、植 物学和动物学 生态与 环境科学 地球科学 临床医学 生物科学 化学与 材料科学 物理学 天文学与 天体物理学 数学 信息科学 经济学、 心理学及其 他社会科学 国家 / 地区 得分 排名 得分 排名 得分 排名 得分 排名 得分 排名 得分 排名 得分 排名 得分 个前沿排名第一， 此外澳大利亚、埃及、印度、意大利、日本、巴基斯坦、 韩国等国也各有 1 个研究前沿排名第一（表 3）。 十一大学科领域中，中国在农业科学、植物学和 动物学领域，生态与环境科学领域，化学与材料科学 领域和信息科学领域等 4 个领域，排名第一的前沿数 远远超过美国；在物理学领域和经济学、心理学及其 他社会科学领域等 2 个领域，中国排名第一的前沿数 与美国差距不大；在临床医学领域、数学领域、天文

约束处理集合技术框架 技术成果： 提升模拟速 度 若仍未达到最大进化代数 智能调度： 基于强化学习的水库防洪调度 强化学习是一种模型在环境中进行探索 ，并通过奖励和惩罚来学习如何实现其目标的机器学 习 方法。例如 ，训练一个游戏 AI ，如下棋或打电子游戏 ，以便它能够学习如何赢得比赛。在水 库调度中也可以通过奖惩信息来决策最优调度方案。 Go P28 智能调度： 基于强化学习的水库防洪调度 运用强化学习技术 ，有效解决了传统调度方法面对大规模水库群防洪调度时的“维数灾”问题； 模型训练不依赖历史洪水数据 ，克服了传统调度方法过多依赖历史先验经验的问题； 能够快速依据优化的调度策略给出调度方案 ，解决了预见期较短下的水库实时防洪调度模型 计算的时效性问题； 同时基于强化学习的人工智能水库调度模型能够实现自学习

......................................................................................223 11.1.1 强化学习应用................................................................................................ 新闻舆 情、卫星图像等），AI 系统能够发现人工难以捕捉的微观市场规 律，并在毫秒级响应时间内完成交易决策。 当前 AI 量化交易系统的核心价值体现在三个维度：  风险控制精度提升：基于强化学习的动态仓位管理系统可使最 大回撤降低 40%-60%  策略迭代效率突破：遗传算法优化的神经网络策略研发周期从 传统数周缩短至 72 小时内  收益稳定性增强：集成学习模型在标普 500 年的 2.8 万亿美元，年复合增 长率达 18.5%，AI 策略占比从 12%提升至 34%。这一趋势背后是 金融机构对交易效率、风险控制和收益稳定性的持续追求，而 AI 技术通过深度学习、强化学习等方法，能够处理海量非结构化数 据，识别传统方法难以捕捉的市场微观模式。 然而，AI 量化交易的广泛应用仍面临三大核心挑战：首先，模 型的可解释性不足导致监管合规风险，2022 年 SEC 针对黑箱算法

反映了美国对于教育技术的不断探索 和适应，自 1996 年首次发布以来，经历了多次更新和演变，以适应 不断变化的教育和技术环境。NETP 1996 强调为教育信息化创造基础 设施条件；NETP 2000 强调数字化学习的重要性；NETP 2010 强调利 用技术促进教育创新。NETP 2024 将教育领域的数字鸿沟划分为“数 字使用鸿沟”“数字设计鸿沟”“数字获取鸿沟”，通过对数字鸿沟进 行详细的分析、阐 好国家教育大数据中心，搭建教育专网和算力共享网络。推进智慧校 园建设，探索数字赋能大规模因材施教、创新性教学的有效途径，主 动适应学习方式变革。面向数字经济和未来产业发展，加强课程体系 改革，优化学科专业设置。打造人工智能教育大模型。建设云端学校 普惠算力赋能教育行业研究报告（2025 年） 5 等。 部委层面发布文件，从算力行业和教育行业角度出发，部署算力 赋能教育行业数字化转型的重点任务。2023 ，K12 教育各方之间 的协同关系正在日益紧密。算力技术推动 K12 教育向更高效化发展， 数据驱动融合，开启即时教育新天地。AI 作业批改系统借算力集群 压缩批改耗时，生成知识漏洞报告；个性化学习模型依学生数据实时 生成适配路径。数据驱动融合下，算力将分散数据进行整合，助力教 师调整节奏、管理者优化配置。边缘计算的覆盖，让偏远课堂接入虚 拟实验室，AI 语音互动系统即时响应学习需求，开启即时教育新生

首饰、制鞋箱包、工艺美术等行业应用三维建模、用户参与设 计、模块化设计等技术，提升个性化消费服务水平。推广大规 —3— 模个性化定制服务认证，促进行业规范化发展。 2.提升柔性化生产能力。面向造纸、日用化学品等流程型 行业推广应用智能传感器、智能控制、数字孪生等技术，建设 数字化产线，提升设备运行、工艺参数等关键要素在线监测与 优化调控能力。面向家电、家具、自行车/电动自行车、五金制 品、轻工机 化改造。推动五金制品、塑料制品、文体用品、眼镜等行业中 —4— 小企业实施精益管理，应用传感器、工控系统等开展关键工序、 制造单元等数字化“微改造”，建设数字化产线。支持家电、家具、 皮革、造纸、日用化学品等行业数字化基础好的企业，开展智 能装备和工业系统的集成化改造，培育一批数字化车间、智能 工厂、5G 工厂。 3.加快绿色化转型。聚焦皮革、造纸、塑料、电池、陶瓷、 日用玻璃等重点行业，推广应用绿色低碳、节能环保工艺和设 器视觉等技术和智能检测装备，提高产品质量在线监测和溯源 响应能力。 3.选树典型标杆。编制升级和创新消费品指南，遴选引领 行业智能化、绿色化、品质化发展的轻工产品，加大宣传推广 —6— 力度。以家电、家具、皮革、造纸、日用化学品等数字化基础 较好的行业为重点，培育一批数字技术融合应用成效显著、引 领带动作用强的标杆企业。鼓励地方、行业协会、联盟组织等 组织开展标杆企业创建经验交流活动，加快形成学标杆、建标 杆的行业氛围。

传统方法在先导化合物发现中的局限性 在AI大模型时代到来之前，先导化合物的发现以实验方法及计算机辅助药物 设计(CADD)的方法为主。这些方法都有着一些自身难以解决的问题。 实验方法: 当前，药物化学实验方法在很大程度上依赖于"试错法"。这些技 术涉及检查大量潜在的药物化合物，以识别具有所需特性的化合物。显然，这些 方法速度缓慢且成本高昂，若是完全基于实验方法进行药物虚拟筛选，完成化合 物数据 满意的筛选，则需要长达3000年的时间。简而言之，利用CADD进行高精度的 药物虚拟筛选，所需的时间同样是难以接受的。 AI大模型辅助药物虚拟筛选 基于AI的算法，包括监督学习，无监督学习，自监督学习，强化学习以及基 于规则的算法，可能有助于解决传统方法中存在的问题。 AI方法通常基于对数据特征的学习。具体来说，就是从大量的已知药物化合 物和非药物化合物中，去学习成药所需的潜在特征，并依据这一特征对化合物进 分理解分子"语 义"的效果。原子对成对表征记录在图2右图。 预训练策略： 与 BERT 类似，Uni-Mol 中也使用了对原子掩码进行"完形填空"的任务。 然而，由于 3D 空间位置编码是有化学键信息泄露的，模型很容易依据相互间的 距离推测出被掩盖的原子类型，因此单独对原子掩码进行预测并不能帮助模型充 分的学习到分子"语义"。为了解决这个问题，Uni-Mol 设计了一个基于 3D 坐 标的