当前人工智能与计算科学交叉领域的研究热点和前沿主要集中在以下几个方向：

1. 生成式人工智能与大模型

• 基础模型与扩展： 研究更高效、可解释、多模态的大规模预训练模型，降低其训练和推理的算力、能耗成本。

• 具身智能： 推动大模型与物理世界交互，应用于机器人、自动驾驶等领域，实现从“感知理解”到“决策执行”的闭环。

2. 人工智能驱动的科学计算

• AI for Science： 利用深度学习等AI方法解决传统科学计算中的高复杂度问题，如在生物医药（蛋白质结构预测、药物设计）、材料科学、计算流体力学、气候模拟等领域取得突破。

• 科学大模型： 构建面向特定科学领域的专用大模型，学习物理定律和科学原理，加速新发现。

3. 智能计算体系与新型硬件

• 专用AI芯片与算力基建： 开发下一代AI加速芯片（如类脑芯片、存算一体）、超大规模智算中心互联技术，以支撑指数级增长的算力需求。

• 量子计算与AI结合： 探索量子机器学习、量子神经网络，利用量子优势处理特定优化和模拟问题。

4. 可信、安全与可解释的人工智能

• 模型的可解释性与鲁棒性： 发展可解释AI技术，提高复杂模型（尤其是大模型）的决策透明度、公平性和抗对抗攻击能力。

• 隐私保护计算： 融合联邦学习、安全多方计算、差分隐私等技术，实现“数据可用不可见”的AI协作训练与推理。

5. 边缘智能与低功耗AI

• 将AI模型轻量化并部署到物联网设备、移动终端等边缘侧，实现低延迟、高隐私的实时智能，满足智能制造、智慧城市等场景需求。

6. AI与高性能计算的融合

• 利用HPC的超级算力训练极端规模的AI模型，同时利用AI优化HPC系统的调度、能耗和算法，如开发基于AI的数值算法库。

这些方向共同推动着从数据、算法、算力到实际应用的全面创新，是当前学界和产业界关注的焦点。