“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 | 2026浦江创新论坛

“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。

9月13日下午，浦江创新论坛人工智能赋能科学研究专题论坛也将在张江科学会堂举办，上海人工智能实验室会发布『书生·端砚』的更多信息，敬请关注。

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！