延续数百年的科学发现范式，将迎来一次深刻革命。在这一关键前沿领域，上海科学家的探索正收获世界关注。本周落幕的一场AI全球顶会上，上海人工智能实验室主任、首席科学家周伯文在特邀报告中阐述了以“通专融合”实现AGI（通用人工智能）的思考与路径。他透露，上海AI实验室正在构建一系列基础设施，使AI既有直觉式“快思考”，也能严谨地“慢思考”，从而成为人类拓展科学边界的合作伙伴。

1月20日至27日，第四十届人工智能协会年会（AAAI 2026）在新加坡召开。作为全球人工智能领域历史最悠久、影响力最大的学术会议之一，大会今年首次走出北美，落地亚洲。在大会上作特邀报告的包括了1994年图灵奖得主爱德华·费根鲍姆等一批顶尖学者，周伯文报告的题目是《从推理到科学发现：探索通专融合的AI之路》。

在周伯文看来，科学发现是AI探索的绝对前沿，也是推理智能的终极“试炼场”。推动科学智能发展，不仅有望赋能科学发现、实现治愈癌症等重大目标，而且科学发现也将有力反哺AI持续进化，为迈向AGI这一终极智能铺平道路。

当前，大语言模型往往给人“博而不精”的感觉——它固然能在各个话题上谈笑风生，可一旦进入科学探索“深水区”，“通才”的局限性便暴露无遗。根据上海AI实验室联合100位跨领域科学家进行的评估，面对通用科学推理任务时，顶尖AI模型能在100分里拿到50分，表现中规中矩；一旦遭遇专业推理任务，比如专项文献检索、实验方案设计，得分会骤降到15至30分。

周伯文说，科学发现的本质是探究已知与未知之间的复杂相互作用，这给AI提出了三重挑战：一是科研搜索空间极其巨大（如分子设计可达10的60次方个结构），现有模型根本无力覆盖；二是算法要具备足够的泛化能力，才能超越已知；三是AI必须能忍受科研的超长周期，因为其进化所依赖的反馈和奖励，在科研中极其稀疏和延迟。

事实上，尽管以阿尔法折叠为代表的科学AI已取得里程碑式成就，但近期《自然》杂志发表的研究指出，现有深度学习模型只善于处理数据充足、定义明确的任务，难以在科学发现中获取“未知的未知”。周伯文说，这一观点以及“通专融合”路径，正成为学界的普遍共识。

面对挑战，上海AI实验室提出“通专融合”的战略路径。周伯文说，过去70年，AI的“通”和“专”的进化一直是“分头用力”，但AGI必须打破这种二元对立，要在保持“通”的同时，能通过持续学习和推理，在任意领域成为专家。

基于此，上海AI实验室推出了名为“智者（SAGE）”的新架构，要在底层解决现有AI容易混淆“知识”与“推理”的问题，在奖励机制上使AI能始终保持好奇心，在进化方面能让AI在大规模任务集和物理世界中通过持续交互反馈实现自我迭代。

为了进一步支撑“科学发现AGI”的探索，上海AI实验室构建了两大基础设施——“书生”科学多模态大模型和“书生”科学发现平台，并在一些领域展现出革命性潜力。

比如在气候科学方面，“书生”平台通过自主调用30多种工具，分析了20年多模态数据，撰写了4000多行专业代码，成功发现了一个被长期忽视的水汽联动规律，推导出一个新方程，有效修正了降水预测的系统性偏差。而在生物医学领域，通过模仿疾病生物学家的思维模式，成功发现并验证了具有高临床潜力的隐藏靶点。

总体上，权威评测显示，“书生”科学多模态大模型的通用能力已比肩行业最佳开源模型，在化学、生物、材料等9个领域的科学性能方面，全面超越了GPT-5、Grok4等顶尖闭源模型。

周伯文表示，通往科学发现AGI的架构已就绪，但这张“新世界地图”仍有大片空白。上海AI实验室已将论文和代码开源，以此邀请全球志同道合的研究者一道填补空白，共绘完整蓝图。