周伯文
當前，全球人工智能（AI）競爭的焦點，已從對話生成能力轉向解決實體產業中復雜系統性問題的效能。我國擁有完整工業體系、豐富應用場景和超大規模市場，為人工智能與實體經濟深度融合提供了得天獨厚的優勢。特別是“人工智能+”行動的深入實施，為AI大規模應用落地提供了支持。
AI深度賦能千行百業的核心在于實現通專融合——通過通用能力的廣度與專業邏輯的深度相結合，鍛造出真正能解決硬核科學與產業難題的新型智能。
我國AI發展的“下半場”，關鍵不在于“誰的模型更會聊天”，而在于AI能否真正走進實驗室與生產線，攻克其中的復雜推理與科學決策難題，進而賦能新型工業化、生物醫藥、新材料等國家戰略領域。
構建科學智能的深層推理機制
科學發現作為對長鏈條、創造性推理能力的終極檢驗，正成為通專融合最前沿的“試煉場”。通專融合將推動AI從輔助科研的工具升級為驅動科學發現的引擎，進而成為攻克科學前沿難題、賦能產業升級的“革命的工具”。
然而，即便當下最前沿的大模型已展現出驚人的通用能力，但在嚴謹的科學領域仍面臨“博而不精”的木桶效應。上海人工智能實驗室近期聯合來自10個不同領域的百位科學家進行測評，結果顯示：前沿模型在通用科學常識上得分可達50分（滿分100分），但在各類專業推理任務（如專項文獻檢索、具體實驗方案設計）中，得分驟降至15—30分。
這種現象揭示了一個深層困境：擅長處理數據充足、定義明確任務的傳統深度學習，難以應對科學發現中“未知的未知”。讓通用大模型具備科學家的深邃洞察能力，是實現通專融合的核心。要讓AI像專家一樣學習，必須重構訓練機制。實現這一目標，需實現三方面突破。
一是構建“導師制”的過程反饋機制。科學推理往往鏈條極長，傳統的過程獎勵模型依賴海量人工標注，成本高昂且難以規模化。如果采用自動化、高密度的反饋機制，就如同為模型配了一位即時指點的“導師”，讓其在每一步推演中都能獲得邏輯反饋，而非僅在終點看結果。這能確保模型在長程推理過程中“不迷路”。
二是激發“求知若渴”的主動探索欲。科學突破往往藏在那些被忽略的邊緣地帶。通過特殊算法，可以讓模型在面對難題時始終保持“Stay Hungry, Stay Foolish（求知若渴，虛懷若愚）”的狀態，主動嘗試多種可能性，而非滿足于已知最優解。
三是追求“條條大路通羅馬”的解法多樣性。標準強化學習往往以“獎勵最大化”為單一目標，導致模型傾向于反復陷入同一種成功路徑。但在科學實驗中，通往真理的道路往往不止一條。通過機制創新，可以讓模型具備提供多種方案的能力，這不僅會增加成功概率，更可能通過對不同路徑的交叉驗證，催生出全新科學假設。
推動“工具輔助”邁向“范式變革”
要實現上述三大突破，單靠模型自發演化遠遠不夠，需要一套有組織的科研范式。為此，上海人工智能實驗室提出了驅動通專融合的技術架構——“智者”SAGE。如果說以往的AI4S（人工智能驅動的科學研究）是單點突破的“加速器”，那么在SAGE架構引領下的AGI4S（通用人工智能驅動的科學研究）則是科研范式的系統性變革。
SAGE架構像一臺“邏輯平衡儀”，能將通用智能的廣博與科學機理的嚴謹精準對齊。AI4S階段，AI主要作為工具，在特定環節（如蛋白質結構預測）發揮加速器作用；而AGI4S則要求AI具備自主性、跨領域整合能力和創造性。它不僅能幫助研究者產生跨領域的想法、判斷假設價值，還能自主構建新工具或實現已有工具的創新性組合。在AI支撐下，研究者還可以更全面、交叉地審視研究對象，提升認知水平，進而提出更優質的科學問題等，形成良性迭代循環。
這種通專融合的效能，正從實驗室走向能夠“算清經濟賬”的產業深處。以電力現貨市場智能報價為例，通用大模型雖能撰寫行業報告，卻難以在瞬息萬變的電力現貨市場給出精準報價。在風光發電預測、電價波動、機組物理約束等多變量耦合的極端場景下，差之毫厘，失之千里。在電力交易中，預測精度提升一個百分點，往往意味著數億元的收益差。基于SAGE架構，可以將電力行業的物理約束與市場規則深度植入大模型。這使得AI不僅能理解政策文本，更能像資深交易員一樣進行長鏈條數值推理。2025年，上海人工智能實驗室研發的“書生·風烏”氣象預報大模型部署至內蒙古電網的427個新能源場站，將實際發電量的預測精度提升了3.04%，僅此一項就幫助相關電廠降低了4226萬元的運營成本。
值得強調的是，AGI4S的價值并非體現在單一維度，而是貫穿創新全鏈條的三個層面：在未知探索方面（“從0到1”），不斷拓展科學發現的邊界，幫助研究者觸及那些人類尚未意識到的“未知的未知”；在共性技術方面（“從1到10”），將初步成果轉化為可復用的技術載體，構建面向科學共同體的共性技術平臺；在產業加速方面（“從10到100”），推動成熟成果直接嵌入產業鏈，壓縮小試、中試周期，實現降本增效。從量子計算領域的中性原子排布算法，到生物醫藥領域的臨床轉化評估多智能體系統，這條“從0到1、從1到10、從10到100”的路徑正在更多行業悄然鋪開。
共建“人工智能+”創新聯合體
在推動通專融合走向縱深、通往AGI4S的征程中，需要冷靜思考和回答 “AGI4S前沿六問”：邊界之問，即所有科學問題是否都能被人工智能解決？預測之問，即AI的預測能力是否全面超越現有計算方法？語言之問，即對于科學表征，如何超越自然語言？交叉之問，即AGI4S不僅在于AI與其他學科交叉，還能帶來哪些新的融合？驗證之問，即如何判斷AI是否有能力實現重大科學發現？新科學之問，即AGI將如何輔助更多學科發展“精確”視角？這六問并非對AGI4S前景的猶疑，而是對其長期價值的清醒錨定：既需清醒認識到當下可能被高估的能力邊界、預測可靠性與語言表征的局限，也要關注那些被低估的遠方——尤其是交叉學科的涌現、驗證機制的建立和新科學范式的形成。
此外，技術架構的突破還必須與產業需求深度咬合，方能轉化為服務新質生產力的專業智能體。當前，上海人工智能實驗室正積極探索“創新聯合體”模式，將SAGE架構與行業真實場景緊密結合。
一是建立FDE（前沿部署工程師）機制，通過專業隊伍將前沿AI能力快速、精準部署到具體科研與產業場景，打通從模型到應用的“最后一公里”。二是打造“高手+高手”協同模式，即科學領域與AI領域的頂尖科學家在同一張“作戰圖”上深度協作、并肩攻關。在這種雙輪驅動的組織模式下，AI不是替代“人手”，而是放大“人智”，從而加快科學發現與產業創新的步伐。
與此同時，上海人工智能實驗室基于SAGE架構打造了支撐AGI4S探索的基礎設施，包括開源萬億參數的“書生”科學多模態大模型Intern-S1-Pro、“書生”科學發現平臺Intern-Discovery等，同時聯合行業龍頭企業，將行業機理知識安全地注入底座，在真實場景中進行壓力測試，讓理論在實踐中完成閉環。
為建設“AGI4S試驗田”，上海人工智能實驗室將開源代碼，發布技術白皮書，提供算力、數據支撐，與各方圍繞科學發現中的長鏈條推理難題開展聯合攻關；也期待與產業龍頭共同開發垂直領域專業模型與智能體，與地方共建標桿示范，將通專融合能力深度植入行業場景，以前沿技術賦能新質生產力。
（作者系上海人工智能實驗室主任、首席科學家）
【未經授權，嚴禁轉載！聯系電話028-86968276】
