“科學發(fā)現(xiàn)是AI的下一個前沿陣地，大規(guī)模深度推理將賦能科學發(fā)現(xiàn)，科學發(fā)現(xiàn)亦將反哺推理能力的進化?！鄙虾Ｈ斯ぶ悄軐嶒炇抑魅?、首席科學家周伯文日前在第四十屆人工智能協(xié)會年會（AAAI 2026）發(fā)布特邀報告。周伯文表示，當前我們已身處通用人工智能的前夕，但仍缺失通專融合的智能，亟需推動科學智能從1.0向2.0迭代演進，即從AI4S邁向AGI4S。

AGI必須打破通專二元對立

人工智能的發(fā)展歷程并非線性堆疊，而是呈現(xiàn)出明顯的階段性躍遷?；仡橝I發(fā)展的歷史坐標，有助于厘清當前所處的位置及未來的方向。

早在1996年涉足AI研究之初，周伯文便開始思考智能的本質，在擔任IBM人工智能基礎研究院院長期間便提出了通往通用人工智能的戰(zhàn)略路線圖，將AI發(fā)展分為三個關鍵階段：ANI（狹義人工智能）、ABI（廣義人工智能）與AGI。

在周伯文看來，ANI在2016年已趨于成熟，而通往AGI的必經之路并非直接躍遷，而是必須率先實現(xiàn)具備跨領域泛化能力的ABI。這一跨越需要技術范式的根本性變革，最少包括從有監(jiān)督學習轉向自監(jiān)督學習、從人類分割任務級聯(lián)式系統(tǒng)轉向端到端架構、從判別式工具進化為生成式助手。ChatGPT的問世第一次驗證了人工智能系統(tǒng)同時達成這三方面變革，實質上宣告了ABI階段的到來。這一歷史性突破驗證了規(guī)模法則（Scaling Law）的有效性，通過擴大Transformer架構并將“下一個詞預測”作為優(yōu)化目標，人類首次實現(xiàn)了對世界知識的壓縮。

Scaling Law賦予大語言模型廣泛的泛化能力（ABI），通往AGI的下一步，不僅僅是計算量的堆疊，“通專融合”是一條可探索的路徑，其核心思想是動態(tài)實行融合人類認知思維的“系統(tǒng)1”（直覺式快思考）和“系統(tǒng)2”（邏輯式慢思考），以應對各種現(xiàn)實世界的任務。

過去70年，AI的發(fā)展長期在“專業(yè)性”與“通用性”兩個維度上分別進展。以AlphaFold為代表的早期系統(tǒng)是極致的“專家”，在特定領域超越人類卻缺乏遷移能力；而當前的大語言模型則是博聞廣識的“通才”，雖具廣度但在處理復雜專業(yè)任務時往往難以企及專家深度和缺失關鍵細節(jié)。

周伯文表示，真正的AGI必須打破這種二元對立，構建一種能夠動態(tài)融合系統(tǒng)1與系統(tǒng)2的智能架構，即在保持通用認知基座的同時，能夠在任意特定任務上通過持續(xù)學習與深度推理實現(xiàn)專家級的專精。上海AI實驗室提出的智者SAGE技術架構便是旨在彌合廣泛泛化與深度專精鴻溝的統(tǒng)一認知生態(tài)系統(tǒng)。

過度依賴現(xiàn)有模型可能阻礙創(chuàng)新

人工智能的下一個前沿領域是什么？周伯文認為是科學發(fā)現(xiàn)（Scientific Discovery, SD）?！俺丝茖W智能（AI for Science, AI4S）所承諾的治愈癌癥等諸多益處之外，科學發(fā)現(xiàn)更是推理智能的終極考驗，因此也是AI探索的絕對前沿?！彼硎?，科學發(fā)現(xiàn)是已知與未知之間復雜的相互作用，涵蓋了從假設生成、實驗驗證到理論總結的全過程。

這對AI提出了三重挑戰(zhàn)：一是已知的未知，典型的如組合爆炸，比如分子設計或材料科學的搜索空間高達量級，遠超傳統(tǒng)遍歷能力；二是未知的未知，科學探索本質上是對分布外知識的泛化，是對模型創(chuàng)造力的真正考驗；三是稀疏與延遲獎勵，科學實驗的周期長、反饋慢，是對強化學習算法的嚴峻測試。

盡管以AlphaFold為代表的AI for Science（AI4S）技術在蛋白質折疊、氣象預測等特定領域取得了里程碑式成就，但近期《Nature》發(fā)表的研究指出，過度依賴現(xiàn)有深度學習模型可能局限新知識的探索邊界，甚至在某種程度上阻礙創(chuàng)新。

周伯文表示，擅長處理數(shù)據(jù)充足、定義明確任務的傳統(tǒng)深度學習，如果僅作為工具存在，難以應對科學發(fā)現(xiàn)中“未知的未知”。系統(tǒng)性的評估進一步揭示了當前前沿模型的短板。上海人工智能實驗室聯(lián)合來自10個不同科學領域的100位科學家設計了評估體系，結果顯示，前沿模型在通用科學推理任務中得分可達50分（滿分為100分），但在專項文獻檢索、具體實驗方案設計等各類專業(yè)推理任務中，得分驟降至15-30分。

這種明顯的木桶效應表明，科學發(fā)現(xiàn)全周期的效能正受制于專業(yè)推理能力的薄弱環(huán)節(jié)。因此，整合通用推理與專業(yè)能力，進而推動科學智能從AI4S向AGI4S迭代成為必然選擇。從AI4S邁向AGI4S，這一升級旨在推動研究者、研究工具與研究對象的協(xié)同演進。通過AGI促進三者相互作用、協(xié)同演進、螺旋式上升，將創(chuàng)造出真正革命的工具，推動科研范式變革。

周伯文表示，當前我們已身處通用人工智能的前夕，但仍缺失通專融合的智能，亟需推動科學智能從1.0向2.0迭代演進，即從AI4S邁向AGI4S。他認為，可深度專業(yè)化通用模型（Specializable Generalist）是實現(xiàn)AGI的可行路徑，其關鍵挑戰(zhàn)與思路在于，專家化模型在訓練過程中需要低成本、能規(guī)模化的密集反饋，能夠持續(xù)不斷地學習與主動探索，并具備為同一個問題提供多視角、多種解決方案的能力。