AGI“上海方案”全球關注，科學智能或成AI進化終極“試煉場”
延續數百年的科學發現範式，將迎來一次深刻革命。在這一關鍵前沿領域，上海科學家的探索正收穫世界關注。本週落幕的一場AI全球頂會上，上海人工智能實驗室主任、首席科學家周伯文在特邀報告中闡述了以“通專融合”實現AGI（通用人工智能）的思考與路徑。他透露，上海AI實驗室正在構建一系列基礎設施，使AI既有直覺式“快思考”，也能嚴謹地“慢思考”，從而成爲人類拓展科學邊界的合作伙伴。
1月20日至27日，第四十屆人工智能協會年會（AAAI 2026）在新加坡召開。作爲全球人工智能領域歷史最悠久、影響力最大的學術會議之一，大會今年首次走出北美，落地亞洲。在大會上作特邀報告的包括了1994年圖靈獎得主愛德華·費根鮑姆等一批頂尖學者，周伯文報告的題目是《從推理到科學發現：探索通專融合的AI之路》。
在周伯文看來，科學發現是AI探索的絕對前沿，也是推理智能的終極“試煉場”。推動科學智能發展，不僅有望賦能科學發現、實現治癒癌症等重大目標，而且科學發現也將有力反哺AI持續進化，爲邁向AGI這一終極智能鋪平道路。
當前，大語言模型往往給人“博而不精”的感覺——它固然能在各個話題上談笑風生，可一旦進入科學探索“深水區”，“通才”的侷限性便暴露無遺。根據上海AI實驗室聯合100位跨領域科學家進行的評估，面對通用科學推理任務時，頂尖AI模型能在100分裏拿到50分，表現中規中矩；一旦遭遇專業推理任務，比如專項文獻檢索、實驗方案設計，得分會驟降到15至30分。
周伯文說，科學發現的本質是探究已知與未知之間的複雜相互作用，這給AI提出了三重挑戰：一是科研搜索空間極其巨大（如分子設計可達10的60次方個結構），現有模型根本無力覆蓋；二是算法要具備足夠的泛化能力，才能超越已知；三是AI必須能忍受科研的超長週期，因爲其進化所依賴的反饋和獎勵，在科研中極其稀疏和延遲。
事實上，儘管以阿爾法摺疊爲代表的科學AI已取得里程碑式成就，但近期《自然》雜誌發表的研究指出，現有深度學習模型只善於處理數據充足、定義明確的任務，難以在科學發現中獲取“未知的未知”。周伯文說，這一觀點以及“通專融合”路徑，正成爲學界的普遍共識。
面對挑戰，上海AI實驗室提出“通專融合”的戰略路徑。周伯文說，過去70年，AI的“通”和“專”的進化一直是“分頭用力”，但AGI必須打破這種二元對立，要在保持“通”的同時，能通過持續學習和推理，在任意領域成爲專家。
基於此，上海AI實驗室推出了名爲“智者（SAGE）”的新架構，要在底層解決現有AI容易混淆“知識”與“推理”的問題，在獎勵機制上使AI能始終保持好奇心，在進化方面能讓AI在大規模任務集和物理世界中通過持續交互反饋實現自我迭代。
爲了進一步支撐“科學發現AGI”的探索，上海AI實驗室構建了兩大基礎設施——“書生”科學多模態大模型和“書生”科學發現平臺，並在一些領域展現出革命性潛力。
比如在氣候科學方面，“書生”平臺通過自主調用30多種工具，分析了20年多模態數據，撰寫了4000多行專業代碼，成功發現了一個被長期忽視的水汽聯動規律，推導出一個新方程，有效修正了降水預測的系統性偏差。而在生物醫學領域，通過模仿疾病生物學家的思維模式，成功發現並驗證了具有高臨牀潛力的隱藏靶點。
總體上，權威評測顯示，“書生”科學多模態大模型的通用能力已比肩行業最佳開源模型，在化學、生物、材料等9個領域的科學性能方面，全面超越了GPT-5、Grok4等頂尖閉源模型。
周伯文表示，通往科學發現AGI的架構已就緒，但這張“新世界地圖”仍有大片空白。上海AI實驗室已將論文和代碼開源，以此邀請全球志同道合的研究者一道填補空白，共繪完整藍圖。
