研究背景
美国艺术与科学学院旗舰期刊 Dædalus 的 2026 年专题：AI 如何推进科学发现。文中特别讨论神经算子天气模型——运行速度比物理预报快数万倍，正在重塑从气象到材料模拟的计算科学版图。
方法与核心内容
文章覆盖 AI for Science 的三个层次：替代模拟（神经算子与代理模型）、增强模拟（可微物理与 ML 混合）、自动化科研（智能体闭环）。每个层次都给出成功案例与失效模式，并把可验证性作为贯穿三层的核心议题。
结果与意义
价值在于把碎片化的 AI for Science 进展组织成一张能力与边界的地图：哪里 AI 已经可用（分子模拟、天气预报）、哪里正在突破（自动化实验）、哪里根本不该用（未见证的气候态外推）。
我们的观点
这类地图式文章对研究者的价值被低估：决定不做什么往往比决定做什么更难。文中的失效模式清单（数据覆盖、外推边界、验证缺口）恰好是本站仿真方向所有精读文章的局限小节的主题——学术共同体正在形成共识。
局限：期刊专题的时效性（写就于 2026 年中，领域月度在变）；对中国的进展（盘古、风乌、九章）覆盖有限——美国学界的视野盲区本身就是信息。