如果人類攻克一道科學難題需要100年，那人工智能（AI）要用多久？

讓我們來看三組數字：單克隆抗體技術的核心任務之一，是從康復者體內快速找到對症抗體，傳統流程通常需要4年左右，在AI與生物技術協同推動下，從篩選到給患者用藥時間被壓縮到90天﹔困擾了生物學界半個世紀的蛋白質折疊問題，AI介入后從早期探索到取得關鍵突破隻用了約2年﹔而面對提出了近200年的納維—斯托克斯方程相關數學難題，一萬個智能體連續協同推演88小時便給出了証明材料（結果尚待權威數學機構檢驗），所用時間僅為人類探索尺度的萬分之零點五。

將這三個案例連在一起看，一個規律清晰可見：問題越古老、越基礎，AI提效的空間往往越大。但提效只是浮在水面的結果，本質在於人類能夠拓展的認知空間變大了。更要看到的是，AI給出答案的前提，是人類科學家在定義問題、設置任務、積累數據，乃至構建思維鏈。與其說是AI解出了難題，不如說是人類在AI的協助下拓展了邊界。這帶來的不僅是解題速度的提升，更是一場深刻的科研范式之變。

不是所有科學問題都可以交給模型解決

AI與科學究竟是什麼關系？我們常說的“AI for Science（人工智能驅動的科學研究）”，隱含著AI是被動工具的預設，如同門外訪客，按需被請進門做局部計算。如今，技術已步入“AI in Science（科學研究中的人工智能）”，AI成為科研流程的常駐者，端到端融入科研全流程並形成閉環，贏得了科學家的信任。但未來更應是“AI and Science（人工智能與科學研究）”，二者共同建構科學體系，形成深度交織的共生生態，在持續交互中越用越強。

2024年，我們提出“AGI for Science（驅動科學發現的通用人工智能）”（AGI4S），核心正是定義這種共生范式，而模型是否已達到通用人工智能（AGI）反而不是必要前提。這一路徑也體現出人機協作門檻的持續降低：從高門檻的“for”，到中等門檻的“in”，最終走向無邊界融合的“and”。

AGI4S正處在范式躍遷的臨界點，既要具備低使用門檻，也要筑牢可信賴的技術底座，更要擁有協同進階的內生能力。構建可信賴、可共同進化的AGI4S，也是科學共同體與人工智能領域共同求索的目標。

人工智能深入科學，並不意味著所有科學問題都可以簡單交給模型解決。在一年前的浦江創新論壇上，我曾提出“AGI4S六問”：邊界之問、預測之問、語言之問、交叉之問、驗証之問和新科學之問。當時的判斷是：邊界、預測、語言三問容易被短期高估﹔交叉、驗証、新科學三問，從十年以上長遠視角來看，更容易被低估。

一年過去，“六問”涉及的探索都在向前推進，但進展並不均衡。語言、交叉和驗証，主要涉及研究方式與協作形態的變化，共識凝聚相對較快，工程推進也更明顯﹔而邊界之問、預測之問與新科學之問，則直面智能的本質——科學智能的邊界究竟在哪裡？AI的預測能力能否全面超越現有計算方法？當前的大模型訓練方法仍受限於人類已有知識語料，若不在架構和推理上突破原有框架，僅靠大模型難以真正揭示未知的深層科學規律。這些問題關乎科學發現的底層邏輯，進展依然緩慢而艱難。

全球科研團隊已在相關方向展開攻關並取得了一些進展，但尚未形成廣泛共識，也還沒有催生全新學科的質變突破。這促使我們繼續深思：推動AGI4S由量變走向質變，根本動力從何而來？

科研不僅需要AI，更是訓練下一代AI的重要環境

破局的關鍵，是形成AI和科學的雙輪驅動，我曾提出一個判斷——“科學研究是下一個編程”。這並不是說科研很快就能像編程一樣高度自動化，而是強調：科學研究不僅需要人工智能，更是訓練下一代人工智能的重要環境。

代碼能否運行，通常在數秒內就有明確結果﹔科學實驗卻可能數周甚至數月后才得到反饋。即使失敗，也往往難以立即判斷究竟是假設錯誤、方法不當，還是物理實驗條件出現了偏差。但正是這種復雜性，清晰暴露了模型在長程推理、不確定性處理以及從失敗中學習的局限。科學研究迫使模型走出已有答案的范圍，面對真實物理世界的檢驗。

實現AI與科學的雙輪驅動，需要三個關鍵環節：一是自主進化飛輪，讓模型在提出假設、執行驗証和獲得反饋中持續自我改進﹔二是真實科學驗証閉環，讓假設接受計算、實驗和復現的檢驗﹔三是“環境即數據”，最具價值的學習素材並非論文中精選出的最終正向結論，而是探索過程中的試錯軌跡、多分支嘗試與糾偏記錄。隻有把失敗經驗轉化為可遷移的訓練信號，智能系統才算獲得了真正的探索能力。

這條路線很快得到印証，就在今年10月初，數學家團隊與大模型協同完成了懸置30余年的三維吉斯（Ghys）猜想証明。法國數學家艾蒂安·吉斯1995年提出這項猜想，探索能否將看似無序的復雜運動歸入結構清晰、可嚴格分析的數學模型。面對這一世界級難題，數學家團隊負責把握研究方向、研判關鍵路徑，大模型參與問題拆解、探索候選路徑並開展長程推演，再由相關團隊借助形式化工具完成嚴格核驗。這一突破的價值，不僅在於一個具體問題取得進展，更在於實現了專家判斷、機器推演與嚴格核驗的高效協同，讓“通專融合”的探索機制在最具智力挑戰的數學前沿得到了驗証。

AI可以大膽假設，但科學結論必須可驗証

要將人機協同的經驗沉澱為普遍科研能力，必須依靠能夠貫通全流程的平台載體，打通從科學問題定義、方案規劃、全域資源調度、分布式驗証，直至小試、中試與產業應用的全鏈條。有了這樣的平台，“環境即數據”可從理念走向工程現實：實驗中的每一次行動、反饋、參數微調與專家校准，均沉澱為可驗証、可學習的科研軌跡。平台把邏輯推演、干濕實驗與工程放大連接起來，不僅加速“從0到1”的源頭假設產生，更切實服務“從1到10”的技術迭代與“從10到100”的產業擴大。

平台的長遠價值不僅在調度算力與工具，更在於構建共享的研究條件，讓更多科學家站在共同的高原上攀登各自學科的高峰，讓一次探索留下的方法、數據與經驗，成為下一次探索的起點。

面對新一輪科技革命與產業變革，人工智能必將不斷拓寬人類的認知邊界。AI可以大膽假設，科學結論卻必須可驗証、可追溯、可復現，這條底線不會鬆動。科學探索的羅盤，始終掌握在人類的心智、好奇心與價值判斷之中。決定什麼問題值得追問、什麼証據足以支撐結論，始終是科學家的核心職責。

從解題到發現，人工智能與科學的雙輪驅動，絕非讓機器替代人思考，而是讓人的洞察獲得更有力的延伸與支撐，讓科學在探索中不斷催生新的問題、新的方法和新的答案。

（作者：周伯文，系上海人工智能實驗室主任、首席科學家）