AI4S 发展现状与趋势

科研范式演进与 AI4S 的兴起

• 人类科学研究经历了五大范式演进：实验科学、理论科学、计算科学、数据密集型科学、AI驱动的科学发现（AI4S，科学智能）。
• AI4S 是当前全球科技竞争的核心赛道，通过融合人工智能、大数据、高性能计算与领域科学，实现全自动、智能化的科学发现，推动科研范式迈入第五发展阶段。
• AI4S 带来的颠覆性科研变革体现在生物医药（如 AlphaFold、IsoDDE）、新材料等领域，大幅缩短研发周期、降低试错成本。

AI4S 的概念与内涵

• 科学智能是面向科学研究领域的新兴方向，包含数据生成、模型训练、生态反馈三个环节，其中科学计算定位于数据生成阶段，是高质量科研数据的重要来源。
• AI4S 的核心价值在于基础研究、应用攻关、生态变革三大维度，通过打破传统科研边界，重塑科学发现、技术攻关、产业转化的全链路逻辑。
• AI4S 需要精准解决产业核心科学问题的模型，而非通用大模型，其研发需聚焦产业真实存在的关键研发卡点，坚持“产业出题、AI解题、共同验证、落地迭代”的闭环研发模式。

AI4S 的挑战：高质量数据集的缺乏

• AI4S 的三大核心要素为算力、模型、数据，其中高质量“端到端”数据集是当前行业最大“卡脖子”瓶颈。
• 算力需求与通用大模型相比相对可控，垂类模型研发难度适中，数据短板成为制约技术规模化落地的首要因素。
• 科学计算是生成高精度科研数据、补齐数据短板的核心手段，通过数值仿真与微观机理模拟，可获取传统实验方式所无法观测的底层数据，构建 AI4S 所需的标准化数据集。

构建 AI4S 的精准、端到端的高质量数据集

• AI4S 的数据核心要求是精准无错、“端到端”串联，即数据需覆盖科研全流程，形成完整的数据链条，确保数据之间的逻辑连贯性与关联性。
• “端到端”数据集的构建思路是转变传统思路，逆向构建高质量科研数据“教材”，以既有上市药物或临床失败药物为基底，结合物理计算手段，补全研发链路中缺失的微观机理维度数据。
• 端到端数据集的构建成本极高，需要国家层面牵头推进，通过政策号召、资源集中，整合产业界、科学界、企业、医院、国有实验室等多方力量，形成协同推进的工作格局。

科学计算与 AI4S 落地应用关键技术分析

• 科学计算是获得高质量数据集的关键手段，通过仿真模拟计算，可突破传统实验的尺度限制，精准表征实验不可见的微观维度，实现对微观世界底层规律的清晰揭示。
• 生物仿真计算和新材料研发面临庞大的计算量，传统通用超算存在效率低、通信延迟高、能耗大等局限性，专用超算成为支撑高端科学计算的核心底座。
• 国产“天穹”专用超算通过算法级全局优化计算、专用芯片、专用系统架构、专用计算软件等关键技术，成为打通数据生成链路、保障 AI4S 技术落地与产业发展的关键支撑。

科学计算与 AI4S 市场规模分析

• 全球科学智能市场预计将从 2020 年的 378 亿美元爆发式增长至 2035 年的近 5 万亿美元，中短期（2025-2030 年）复合增长率高达 60.5%。
• 中国科学智能市场预计规模将从 2020 年的 98 亿美元快速至约 1.8 万亿美元，增长近 160 倍。
• 中国科学计算市场规模预计 2025 年约 1347.0 亿元，预计 2029 年增至约 2682.8 亿元，2025—2029 年复合年均增长率约 18.8%。

科学计算与 AI4S 典型应用案例

• 爱赛思 OpenAI4S 社区：开放式科学智能基础设施，构建覆盖模型广场、数据集市、智能体库、工具链、实验资源的“科学智能要素即服务”基础设施。
• 生物医药领域：谷歌 AlphaFold、IsoDDE 推动 AI 制药落地；礼来携手英伟达共建 AI 联合实验室；思朗科技打造基于“天穹”的制药新引擎 sDDE。
• 新材料/新能源领域：BASF 引入 Quriosity 超算赋能新产品研发；字节跳动推出 BAMBOO 助力新型电解质设计；思朗科技基于“天穹”打造电解液 AI 数据平台。
• 半导体/航空航天领域：美国波音公司以虚拟仿真计算加速新机型研发；台积电采用英伟达计算光刻平台突破先进芯片制程。

总结与展望

• 新一代科研范式将由科学计算与 AI4S 深度融合驱动，成为引领科技创新的核心引擎。
• AI4S 能力跃升将持续释放产业创新效能，为新质生产力形成提供关键技术路径。
• 科学计算与 AI4S 的市场潜力将持续释放，形成规模增长与生态共赢的良性发展格局。
• 构建自主可控的 AI4S 生态是实现大国科技自立自强的战略必争方向。
• 建议：国家层面统筹布局科学数据中心、专用算力集群与产学研攻关体系，加快打造自主可控的 AI4S 全产业链生态。

研报总结

网络安全进入AI时代

• AI重塑企业运行模式：企业网络交互主体从“用户与应用”扩展到“用户、应用、模型、智能体以及自动化工作流”，保护对象从传统用户、终端和应用扩展到模型、知识库、Agent、提示词以及AI供应链。
• AI重塑攻击模式：
  • 攻击能力大众化：生成式AI降低攻击门槛，使漏洞挖掘、智能化欺诈、恶意软件演进等攻击活动更易实现。例如，AI公司Anthropic利用大语言模型在数小时内发现22个Firefox漏洞，FBI统计显示网络犯罪活动导致美国民众近210亿美元损失。
  • 攻击链自动化：基于LLM的自主链式反应，攻击者可通过多个AIAgent协同完成从目标侦察到数据获取的全链路攻击，大幅降低高阶攻击门槛。
• AI系统成为新的保护对象：机器身份数量快速增长，智能体、API、工作负载等成为主要参与者，面临PromptInjection、越狱攻击、数据泄露等新型风险。

防火墙技术演进与AIFW诞生

• 防火墙技术代际演进：
  • 第一代：面向网络边界的访问控制，基于IP地址、端口和协议进行访问控制。
  • 第二代：面向连接状态的安全防护，引入状态检测技术。
  • 第三代：面向用户和应用的智能防护，引入应用识别、用户身份感知等能力。
  • 第四代（AIFW）：面向智能化时代，通过AI理解业务意图，实现从流量防护向行为治理演进。
• NGFW的能力边界：NGFW在用户识别、应用感知和威胁检测方面发挥作用，但无法理解业务意图、识别Agent行为、应对动态演化攻击或实现自治防御。
• AIFW定义：以AI为核心驱动力，通过理解业务上下文、分析业务意图、持续评估风险并动态执行安全策略，实现对用户、应用、模型、Agent以及自动化流的统一安全治理。

AIFW总体架构

• AIFW设计原则：
  • 稳定可信：保障架构级高可用性、代码级安全内生以及在遭遇高并发AI流量对抗时的确定性高可靠。
  • 高性能防护：在引入AI能力的同时保持高性能特征，实现全业务叠加场景下的稳定运行。
  • 智能驱动检测：实现从已知威胁识别向未知风险发现的能力升级。
  • 实时防御：基于Inline实时防护架构，实现检测、决策与执行闭环联动。
  • 自治运营：具备自动分析、自动决策和自动响应能力，推动安全运营从人工驱动向自治运营演进。
• AIFW部署形态与协同模型：
  • Anywhere：支持虚拟化、云原生、安全插件、终端Agent等多种部署方式。
  • Unified Policy：构建以“身份+业务+风险”为核心的统一业务策略模型，实现跨网络、跨平台的一致安全策略。
  • Distributed AI：采用分布式AI协同架构，将AI能力部署于网关、边缘及云端，实现检测、决策和运营的协同闭环。
• AIFW参考架构：包括管理面、高级检测层、安全业务层，通过AI原生硬件底座、高可靠设计和设备内生安全韧性提供稳定可信的运行平台。
• AIFW关键技术：
  • AI原生硬件底座：通过高级检测层和安全业务层实现数据路径上的AI推理。
  • 高可靠：采用电信级全可靠性设计，通过硬件解耦、软件隔离、链路冗余及双机热备确保业务连续性。
  • AIFW设备内生安全韧性：通过芯片级防御、智能入侵检测和高效响应修复，确保设备自身安全。

AIFW典型应用场景

• 员工使用智能体办公：
  • 数据防外泄：通过代理机制实施内联级联拦截或自动泛化脱敏。
  • Agent越权与滥用：基于时间窗和Agent与人类双重身份的最小动态授权，意图偏离检测，输入流清洗。
  • 影子AI治理：自动化捕获并精准识别企业内网中隐蔽流转的影子AI。
• 企业开发智能体应用服务：
  • 外部数据输入的提示词注入清洗：通过语义分析和特征匹配的多层级输入校验机制识别并阻断高风险提示词。
  • 检索增强生成（RAG）环境下的数据中毒拦截：在数据入库及向量化前进行实时静态毒性与合规扫描，运行时进行动态对抗性提示词过滤。
  • 全链路动态零信任访问控制：与终端AIDR以及企业IAM联动，实施基于时间窗和Agent与人类双重身份的访问控制。
  • 智能行为链的意图漂移监控：动态识别每一次推理迭代中的通信意图，主动熔断整个行为链条。
  • 敏感数据脱敏及内容合规检查：对AIAgent的输入和输出进行信息过滤，对大模型输出信息进行最后过滤。
• SASE分支上网：
  • 多分支场景下，AIFW通过多层协同防御，精准识别未知钓鱼URL和钓鱼木马样本，实现毫秒级阻断病毒。
• SOC安全运营自治：
  • AI赋能五级SOC全链路自治能力：
    • 感知自治：AI自动学习全网资产、用户、业务、网络流量常态化行为基线，实时识别偏离基线的异常行为。
    • 研判自治：大模型驱动全自动攻击链溯源与意图推理，一键还原完整攻击时序图，精准判定攻击阶段、攻击者战术等。
    • 响应自治：AI根据实时攻击风险等级、业务影响程度、资产重要性，动态生成个性化处置方案，实现分级自治响应。
    • 学习自治：攻防闭环自进化，防御能力自主迭代，自动优化检测模型、生成新检测规则、更新攻防知识库。
    • 运维自治：SOC平台全栈无人值守运维，AI自动优化SIEM日志索引、自动清理无效告警规则等。

AIFW行业部署实践

• 政府：AIFW主动防御，阻断未知威胁，例如通过AICore专用安全硬件引擎，结合多种inlineAI算法，实现毫秒级阻断病毒。
• 金融：AIFW策略自治，助力安全高效运营，例如通过安全策略模型和关联分析模型技术，解决复杂安全策略配置和海量告警疲劳问题。
• 智算中心：AIFW意图感知，拦截模型输入输出风险，例如采用“意图识别+权限管控”的两层防护架构，全面防范恶意指令攻击风险。

AIFW未来展望

• AIFW将从智能安全设备进一步演进为企业AI时代的安全智能中枢（Security IntelligenceHub），持续赋能数字政府、金融、运营商、制造业等行业，为构建更加智能、高效、自主、可信的下一代网络安全体系提供坚实保障。

HP Wolf Security 提供端到端打印安全解决方案，通过内置智能和零信任打印架构，主动识别并中和安全威胁。与第三方解决方案不同，HP 安全功能集成于设备中，始终处于活跃状态，提供全生命周期保护。

核心观点与关键数据：

1. 威胁现状：当前网络攻击日益复杂，犯罪分子利用被忽视的设备和隐藏路径进行攻击。63%的大型组织在过去一年中经历过与打印相关的数据丢失或安全漏洞，全球平均数据 breach 成本为 4.4 万美元。
2. 量子计算风险：量子计算机可能在未来十年内破解现有加密技术。IBM 和 Google 计划在 2026 年实现量子优势，国家行为者已开始“收获现在，解密后来”攻击。美国 NSA 将量子安全加密目标提前至 2027 年，欧盟计划在 2026 年实现基础设施的量子后密码学（PQC）。
3. HP 解决方案：
   • 嵌入式保护功能：包括 HP Firmware Security Tool（漏洞评估）、HP Sure Start（量子抗性数字签名）、Allowlisting（代码验证）、HP Memory Shield（硬件入侵检测）、HP Connection Inspector（网络行为监控）。
   • 安全策略管理：HP Security Manager 统一管理安全策略、设备证书和固件漏洞。
   • 量子防御：硬件强制量子抗性加密，保护 BIOS 固件完整性。
4. 市场验证：IDC、Quocirca 和 Keypoint Intelligence 均认可 HP 为打印安全领导者，HP 是首个通过 Keypoint 三级安全验证的打印厂商。
5. 未来规划：建议客户在未来三年内规划量子抗性打印设备部署，以应对量子威胁。

结论：HP Wolf Security 通过集成化、零信任架构和量子抗性技术，为组织提供全面打印安全保护，帮助客户应对当前及未来的安全挑战。

Skill 蓝皮书 2026 核心观点

Skill 的本质和价值： Skill 是一种以最小摩擦将“可写的经验”传递给大模型的格式化工具，其核心价值在于将大模型从“通才”转变为“专家”，并促进经验的可迁移性和知识的新形态。

Skill 生态的现状： 2026 年 Q1，Skill 生态迎来爆发式增长，主要得益于 Anthropic 推出的 MCP 协议和 Claude Code 将 skill loading 做成一等公民，形成了事实上的 AI 编码工具标准。然而，Skill 生态也存在着残酷的长尾现象，54% 的 Skill 从未被一个人见过，且大部分 Skill 维护不善，容易过时失效。

Skill 的设计原则： 站在 Agent 的角度设计 Skill，遵循原子化、自我迭代、脚本优先等原则，并注重描述的精确性和指令的清晰性，以提高 Skill 的质量和可执行性。

Skill 的类型和分享路径： Skill 可以分为 9 种类型，包括库参考、数据获取、脚手架、CI/CD、代码质量、文档生成、流程编排、人格风格和沟通通知等。Skill 的分享路径可以分为个人、项目、团队和全球四个级别，不同的类型和路径对应不同的使用场景和价值。

Skill 生态的演化趋势： Skill 正在吞噬其他 Agent 系统的核心组件，如工作流约束、持久化经验、代码审查和输出过滤等，Skill 正在成为 Agent 系统的中枢，并推动着 Agent 系统的演化。

Skill 的商业化路径： Skill 作者的商业化路径主要包括 Service-on-Open、Hosted Runtime 和 Distribution 三种模式，其中 Distribution 是商业化三边少的那条边，也是 AgentSkillsHub 这种基础设施型项目存在的真实理由。

Skill 的未来： 随着 Claude 等大模型自身开始创建 Skill，Skill 生态将迎来人机共产、人机共消的新阶段，人类作者将从“主创作者”转变为“Curator / Domain Bridger / Trust Anchor / 种子样本生产者”。

关键数据和研究结论

• 67,196 个 Skill 中，54.1% 的 Skill 从未被一个人见过，53.8% 的 Skill 为 0 星。
• 2026 年 3 月，单月创建 27,720 个 Skill，Skill 生态迎来爆发式增长。
• Skill 生态的基尼系数高达 0.983，远高于其他内容市场，头部效应极其明显。
• Skill 的平均半衰期约为 6-12 个月，大部分明星项目在 1 年内死掉。
• 9 种 Skill 类型中，只有 Reference、CI-CD 和 Code Quality 三种类型推荐给新作者进行长期投入。
• Distribution 是 Skill 商业化的关键，Hub 数据显示，进入 Top 1000 的 Skill 中位需要 320 天，90% 的作者需要熬一年才能看到收益。

总结

Skill 生态正处于快速发展阶段，Skill 正在成为 Agent 系统的中枢，并推动着 Agent 系统的演化。Skill 作者的商业化路径主要包括 Service-on-Open、Hosted Runtime 和 Distribution 三种模式，其中 Distribution 是商业化三边少的那条边，也是 AgentSkillsHub 这种基础设施型项目存在的真实理由。随着 Claude 等大模型自身开始创建 Skill，Skill 生态将迎来人机共产、人机共消的新阶段，人类作者将从“主创作者”转变为“Curator / Domain Bridger / Trust Anchor / 种子样本生产者”。