周伯文：“AGI4S六问”之再思考，人工智能与科学发现，双轮驱动新范式变革｜浦江创新论坛

来源：滚动播报

（来源：上观新闻）

“科学探索的罗盘，始终应该由人类的心智、好奇心与价值判断来掌握。”9月12日下午，上海人工智能实验室主任、首席科学家周伯文受邀参加2026浦江创新论坛（第十九届）主论坛并发表主旨演讲，分享人工智能赋能科学研究的新进展与前沿思考。

基于去年在浦江创新论坛提出的“AGI4S六问”，针对当前的科研困境，周伯文教授提出“科学研究是下一个编程”的核心解题思路，“AI与科学将形成双轮驱动——两者共同提升，助力新认知的发现和新突破的产生。”

他进一步阐述，自主进化飞轮、真实科学验证闭环、环境即数据，是实现AI与科学双轮驱动的三大关键环节，并以『书生・端砚』科学发现平台为例，分享了上海人工智能实验室最新的探索实践。

以下为演讲全文。

尊敬的各位领导、各位专家，大家下午好！

从一个问题切入今天的演讲：如果人类思考一道难题花100年，AI需要多久？

请大家看三个时间坐标。

第一个，单克隆抗体。1975年问世，从患者体内找到对症抗体，传统流程要走四年。2020年，AI与生物学家协作，从机器筛选到给药患者只用了90天，时间压缩到6%。

第二个，蛋白质折叠。1969年该问题被提出，人类历经51年求索仍难以破解。AlphaFold仅用2年基本解决这一问题，约为人类时间的4%。

第三个，纳维-斯托克斯方程。该方程于1827年被提出，是千禧年七大数学难题之一。不久前，一万个AI 智能体连续工作88小时，给出了存在性与光滑性的证明。虽然克雷数学研究所尚未最终确认，但这意味着，人类思考了近200年的问题，AI用万分之零点五的时间在逼近。

三张图连在一起看，一个规律清晰可见：问题越古老、越基础，AI提效的空间越大。但我要强调的是：我们关注的不应只是效率，而是AI与科学相互深化的关系本身。

这三个问题，毫无疑问都是人类主导、AI参与。当我们惊叹AI取得突破时，不能忽略背后人类的核心贡献——由人类定义科学问题、构建数据集、设计提示词与思维链，这些才是实现突破的根基。

这种转变，迫使我们必须重新思考：AI和科学到底是什么关系？

从“for”到“in”再到“and”：

AI与科学的关系重构

从2026年往回看，这个关系越来越清晰。

今年1月，在AAAI 2026大会上，我做了一小时的特邀报告，面向全球近9000位AI领域专家，阐释为何科学发现是AI的终极考验，并介绍上海人工智能实验室的相关研究工作。而今天在场的各位，很多是来自自然科学、工程领域以及产业界，带着真实科学问题而来的科研工作者。因此，我想换一个视角，和大家探讨：科学研究与AI已进入深度交织的阶段。

在这场报告结束数月之后，美国艺术与科学院院刊《代达罗斯》（Dædalus）刊发核心观点：AI与科学的进步是双向的，科学推动AI发展，AI反过来加速科学发现。这一论断，与上海人工智能实验室绘制的研究图景不谋而合。

接下来这张图，刻画的正是AI与科学双向奔赴的演进曲线。左侧曲线代表科学里的“AI浓度”：人工智能从文献检索、数据分析起步，逐步深入假设生成、实验验证，直至参与原创科学发现。右侧曲线则代表AI中的“Science浓度”：从预训练到后训练阶段，科学知识、科学推理方法，尤其是可验证的真实反馈，持续融入模型底层，推动大模型与科学基本原理开展深度交互。

据此，可将二者的互动关系划分为四个层级。从工具互用，到效率互增，再到结构互赖，最终将走向体系互构。两条曲线的交汇点，承载着我们对这一趋势的判断：科学越来越需要AI拓展探索空间，AI也越来越需要科学提供真实的训练场与检验标准，两者开始通过科学假设、实验验证和反馈相互加速。

由此可进一步追问：AI与科学究竟是何种关系？我们能否完整描摹二者之间的联系？

大家熟知的AI for Science（AI4S），其提法暗含一层预设：AI是服务于科学的工具，即便能力强大，本质上仍处于被动地位。这也折射出彼时AI资源的稀缺性，需要专门的技术供给方把AI送到科学家手中。其时的AI，如同站在门外的访客，正叩响科学的大门。

而当下，行业已经进入AI in Science的阶段。AI不再是门外访客，而是科研殿堂里的常驻参与者，能够端到端参与甚至驱动完整科研流程，科学家也逐步建立起对它的信任与依赖。

但这仍不是终点。我们预判，未来将走向AI and Science，二者共同建构科学体系。这是一种共生关系，彼此构成协同的系统生态，在交互中持续迭代、越用越强。

2024年，我们提出AGI for Science（AGI4S），这一概念的核心在于定义这种共生范式，AI是否抵达通用人工智能反而不是前提。这一演进路径也体现二者交互门槛持续下降：从高门槛的“for”，到中等门槛的“in”，最终走向无边界融合的“and”。

AGI4S正处在这一范式跃迁的临界点。它既要具备低使用门槛，也要筑牢可信赖的底座，更要拥有协同进阶的能力。这正是科学共同体与AI领域共同求索的目标：构建可信赖、可共同进化的AGI4S。

从0-100：

AI全链路改变科研创新范式

我们之所以高度重视AI对科学研究的赋能，核心在于AI能够全链路重塑科技创新范式，实现从科技创新到产业创新的全链条贯通、一体落地。

在“从0-1”的原始创新阶段，AGI4S能够将科研中大量隐性、散落的碎片化思考，转化为清晰可落地的科学假设，让大范围跨领域交叉创新成为常态。传统学科壁垒，在很大程度上遮蔽了问题本质、降低了科研判断的准确度；而在AGI4S的赋能下，学科边界持续消融，科学家可以跳出细分领域的固有视角，更纯粹、更精准地看清问题本源。

在“从1-10”的技术迭代阶段，创新更多是对已有知识、技术路径的检索、排列与重组。AGI4S 让这一过程走向规模化、体系化，将过去偶然性、个体化的发明探索，升级为标准化、可迭代的创新工程。

谈到这里，想与诸位分享我的一个洞察：现代创新工程化的鼻祖是爱迪生，他真正划时代的贡献，并不是灯泡本身，而是创造了创新的组织形式——他搭建的门洛帕克实验室，汇聚物理、化学、机械等多学科专家，通过紧密协作、并行实验、系统化探索，把零散的科研尝试固化为可复制、可持续的创新机制，灯泡只是这套先进组织体系的副产品。AGI4S正是以智能范式，对这套经典创新组织模式进行全方位重构与升级。

在“从10-100”的产业规模化阶段，AGI4S能够大幅加速科技成果量产落地，缩短传统小试、中试的冗长流程，催生爆发式成果转化，真正实现科技创新与产业创新双链融合、深度共创。

“AGI4S六问”之再思考

去年浦江创新论坛期间，我提出了“AGI4S六问”，分别是边界之问、预测之问、语言之问、交叉之问、验证之问和新科学之问。我当时判断是：边界、预测、语言三问是容易被高估的；交叉、验证、新科学三问，从十年长期角度，是易被低估的。

一年过去，“六问”整体均在持续向前突破，AI与科学研究的共生理念越来越深入人心，但它们的速度明显分化：方式类的三个问题进展更快，更底层的问题进展更慢。

进展较快的是语言、交叉、验证三问。它们的共性是“做事的方式变了”，行业也越来越认识到仅依靠语言模型远远不够。比如，芬兰阿尔托大学牵头的SuperC团队，融合了机器学习、量子几何、固体化学合成和低温物理四个领域联合攻关超导难题。上海人工智能实验室也正在联合国内优势科研力量开展类似探索。

边界、预测、新科学三问进展相对缓慢。值得欣慰的是，相关领域已有大量科研力量投入攻关，也产出若干局部成果，但学界尚未形成统一共识，也还没有诞生能够催生全新学科的范式级突破。

综合来看，“AGI4S六问”的整体态势积极向好，始终向前推进。

科学研究是下一个编程，破解科研困境

但新的问题随之而来：既然AGI4S前景广阔，为什么我们尚未见到更多重大突破，以及该如何进一步提升科研创新的效能？

我们分析，当下的科研正处在知识存量极为丰盈，但深度认知相对稀缺的阶段。想要实现更大的科研突破，需要跨越五大核心挑战。

第一，信息爆炸但认知稀缺。论文、数据、模型快速增长，但对未知的判断反而更难——无效信息更多。

第二，假设涌现但验证滞后。假设不断涌现，却受限于验证周期和成本，验证没有加速，无法完成闭环。

第三，工具林立但彼此割裂。科学家不缺工具，但工具之间需要翻译和转移的桥梁，这一层衔接工作长期缺位。

第四，成功发表但失败流失。行业发表的成果都是精挑细选的正向结果，研究过程里大量失败样本、隐性经验难以沉淀复用，低水平的无效重复屡见不鲜。

第五，生成容易但可追溯困难。AI能快速输出答案、生成假设，但由于来源不明、推理过程不可追溯，还不足以支撑高可信度的科学研究。

这五个困境，本质上属于结构性难题：科学本身需要科学的方法来做科学。完整链路包含问题发现、行动执行、验证反馈、知识积累，形成闭环。这套科研方法论本身并不稀缺，真正稀缺的是承载这套方法的一体化系统。

这也意味着AI能力仍需持续进阶。科研属于极高智力密度的工作，我们预计AI还需要经历两到三轮能力跃升，才能更好地辅助科学家开展前沿探索。

基于对上述问题的思考，我在2026年初提了一个大胆的判断：科学研究是下一个编程（Research is the Next Coding）。

关注AI的同仁都清楚，编程是当前AI落地规模最大、生产力提升最为显著的应用赛道。究其根本，代码任务具备信号密集的反馈机制：评判标准清晰明确，反馈即时，验证可自动化执行，失败经验能够沉淀复用，整个过程全程可追溯。

科学研究与编程具备很强的同构性：二者都以问题为导向、由认知驱动。但二者之间同样存在显著差异——科学研究难度更高、边界更加开放，价值也更为深远。科研的验证依托真实实验室，检验来自数字仿真或是物理世界；试错过程产生的失败经验，很难转化为可复用资产。同时，科研的推理链条更长，有效反馈信号本身十分稀缺，甚至还会收到存在偏差的反馈。

就像大家熟悉的同行评议，这类反馈并不总是可靠。在AI领域就屡见不鲜：一篇稿件在本届会议被拒，到下一届却获评最佳论文。科研领域普遍存在反馈缺失、反馈失真的难题。那么我们能否借助AI，让科学研究像编程一样开展？

这就意味着，未来科研人员可以立足待解决的科学问题，清晰表达自身的科研意图；AI协同调度文献、数据集、科学知识、计算工具以及自主实验室，贯通从问题界定、假设生成、方案设计，到仿真预测、湿实验验证、结果迭代的完整流程。倘若能够实现这一模式，我们是否就能在科学研究中复刻AI在编程里所取得的巨大成功？

AI和科学形成双轮驱动

基于以上思考，以科学研究是下一个编程这个想法作为桥梁，AI和科学全新的双轮驱动关系便愈发清晰。

一方面，科学研究本身能够为AI搭建更高质量的训练场，让科学深度融入AI的成长。科研完整的证据链，催生远长于代码任务的长程推理；科学仪器的使用，对工具调用提出更高要求——仪器调用一旦出错，风险远高于普通API调用，倒逼模型实现更加可信的工具交互；大量科研失败案例，则推动仿真纠错能力的发展，把试错经验转化为仿真能力；而开放无边界的科学问题，持续驱动模型自主探索。实验形式证明与独立复现，提供基准真值（Ground Truth），这与代码任务中内生的真值截然不同，能够推动模型跳出单纯拟合数据分布的目标，产出能够经受实验检验的结果。这正是AGI4S的终极价值，追求的不再只是拟合分布、预测下一个词元（next token）。

另一个方面，AI也将更深地嵌入科学进程。第一级“加速”已经到来：如今获取 AI 工具十分便捷，在场各位都能切身感受到科研效率的提升。而更核心的是第二级“自主发现”，在人类尚未涉足的搜索空间中挖掘全新规律。第三级是“开辟新的范式”——真正意义上的库恩级的科研范式转变，目前尚未真正到来。

我们该如何构建全新的科研范式与方法论，让这两个轮子相互带动、循环迭代、协同进阶，持续助力人类形成全新认知，催生原创科学突破？

在实践中，我们发现实现双轮驱动有三个关键环节。

第一，自主进化飞轮。AI必须能够在提出假设、执行验证、获得反馈中持续自我改进，就跟科学家一样——从一个博士生受训练走向博士后、独立PI，再到参与有组织科研，直至成为战略科学家。整个过程中，很多场景并不存在外部给出的明确反馈信号，如何实现自主精进、开展更深层次的科学探索，构建越用越强的正向循环，是核心难题。

第二，真实科学验证闭环。科学假设要转化成可执行的实验，并用真实结果验证推理、修正假设，以此推动下一轮探索。

第三，环境即数据。这是上海人工智能实验室新近提出的理念。当前科研不能只依靠文献、分子式、反应式这类静态信息，这些条件必要但并不充分。真正充分的条件，是完整留存科研全流程中的高价值信息，记录任务环境、操作行为、结果变化以及纠错过程，让科研里所有成功经验与失败教训，都沉淀为可积累、可复用的学习数据。

这三个关键环节连在一起，共同构筑起AI与科学持续互促共进的根基。

『书生·端砚』：

科技创新和产业创新融合平台

如何把三个关键环节有机串联？我们的答案是：打造一个能够贯通全流程的平台载体。

上海人工智能实验室的『书生·端砚』科学发现平台，正是朝着这一目标开展的实践探索。这是一个融合科技创新与产业创新一体化的平台。平台打通从科学问题定义、智能方案规划、全域资源调度、分布式验证、认知沉淀，直至小试、中试与产业应用的全链条，为科研任务搭建完整的验证闭环。

在此基础上，『书生·端砚』构建了一套高智力密度、真实反馈驱动的自进化科研环境。科研中的每一次行动、反馈、失败、修正和专家判断，都沉淀为可验证、可学习的科研轨迹。所谓环境即数据，不是简单记录更多的日志，而是把研究过程转化为持续产出有效反馈的“活数据”。

目前，『书生·端砚』已支撑一系列创新实践，包括“从0-1”加速源头创新，“从1-10”加速小试和中试、完成工业放大，“从10-100”推动量产使用，实现成果的工业化、规模化转化。

过去数月，已有众多科研团队使用『书生·端砚』，并产出了一系列研究成果。受时间所限，我仅选取其中一个案例展开介绍。

这是一项电化学方向的研究。电化学合成领域长期存在一大瓶颈：从反应可行到工业可用之间，横亘着巨大鸿沟。在科学发现环节，反应规律难以探明，庞大的参数空间筛选举步维艰；在实验验证环节，实证成本高昂，大量变量相互耦合，仅这一领域就存在近200万种工艺组合，逐一开展实验的代价难以承受；而到产业落地环节，实验室层面验证有效的方案，未必能实现规模化稳定生产。在上万种具备合成潜力的化学品之中，最终能落地应用的往往不足10种，可谓千里挑一。

武汉大学电合成新技术研究所与上海人工智能实验室展开合作，依托『书生·端砚』，实现了“从0-1”“从1-10”“从10-100”全链条闭环加速。在源头发现阶段，借助秒级闭环与动态匹配完成参数筛选，挖掘更优反应规律；在验证阶段，依托自主实验室加速验证，打通中试流程；在产业端，辅助工艺迭代，达成稳定量产，最终将这项研究原本5-10年的研发周期压缩到1-2年。

展望未来：AGI4S推动科技创新

和产业创新迈向新纪元

基于以上探讨，我们展望未来，AGI4S有望实现三大价值。

第一是创新体系大扩容。AGI4S将极大放大个体科研人员的研究能力，降低科研参与门槛，让过去受各类条件限制、难以入局的研究者，能够深度参与科研探索。

第二是创新链条全贯通。AGI4S有一个独特优势：它既提升个体科研效率，也赋能有组织科研。它助力跨大学科融通，打通从创意构思到实验验证的路径，串联产学研用各环节，实现创新全链条贯通。

第三是创新活力全面激发。我认为科研团队最有可能成为AI原生的组织。AI原生组织，意味着从从问题设定、思维方式到研究方法，都以“如果AI来做，它会如何开展”为标尺重新审视。科研的本质就是持续探索未知，当科研团队成长为AI原生组织，创新活力将被充分释放，AI也将真正成为科学家的可靠伙伴。

最后，我想借用去年在浦江创新论坛上的一个观点作为今天演讲的收尾：毫无疑问，AGI会不断拓展人类的知识边界、加速科学发现，但科学探索的罗盘，始终应该由人类的心智、好奇心和价值判断来掌握。

谢谢大家！