周伯文
当前，全球人工智能（AI）竞争的焦点，已从对话生成能力转向解决实体产业中复杂系统性问题的效能。我国拥有完整工业体系、丰富应用场景和超大规模市场，为人工智能与实体经济深度融合提供了得天独厚的优势。特别是“人工智能+”行动的深入实施，为AI大规模应用落地提供了支持。
AI深度赋能千行百业的核心在于实现通专融合——通过通用能力的广度与专业逻辑的深度相结合，锻造出真正能解决硬核科学与产业难题的新型智能。
我国AI发展的“下半场”，关键不在于“谁的模型更会聊天”，而在于AI能否真正走进实验室与生产线，攻克其中的复杂推理与科学决策难题，进而赋能新型工业化、生物医药、新材料等国家战略领域。
构建科学智能的深层推理机制
科学发现作为对长链条、创造性推理能力的终极检验，正成为通专融合最前沿的“试炼场”。通专融合将推动AI从辅助科研的工具升级为驱动科学发现的引擎，进而成为攻克科学前沿难题、赋能产业升级的“革命的工具”。
然而，即便当下最前沿的大模型已展现出惊人的通用能力，但在严谨的科学领域仍面临“博而不精”的木桶效应。上海人工智能实验室近期联合来自10个不同领域的百位科学家进行测评，结果显示：前沿模型在通用科学常识上得分可达50分（满分100分），但在各类专业推理任务（如专项文献检索、具体实验方案设计）中，得分骤降至15—30分。
这种现象揭示了一个深层困境：擅长处理数据充足、定义明确任务的传统深度学习，难以应对科学发现中“未知的未知”。让通用大模型具备科学家的深邃洞察能力，是实现通专融合的核心。要让AI像专家一样学习，必须重构训练机制。实现这一目标，需实现三方面突破。
一是构建“导师制”的过程反馈机制。科学推理往往链条极长，传统的过程奖励模型依赖海量人工标注，成本高昂且难以规模化。如果采用自动化、高密度的反馈机制，就如同为模型配了一位即时指点的“导师”，让其在每一步推演中都能获得逻辑反馈，而非仅在终点看结果。这能确保模型在长程推理过程中“不迷路”。
二是激发“求知若渴”的主动探索欲。科学突破往往藏在那些被忽略的边缘地带。通过特殊算法，可以让模型在面对难题时始终保持“Stay Hungry, Stay Foolish（求知若渴，虚怀若愚）”的状态，主动尝试多种可能性，而非满足于已知最优解。
三是追求“条条大路通罗马”的解法多样性。标准强化学习往往以“奖励最大化”为单一目标，导致模型倾向于反复陷入同一种成功路径。但在科学实验中，通往真理的道路往往不止一条。通过机制创新，可以让模型具备提供多种方案的能力，这不仅会增加成功概率，更可能通过对不同路径的交叉验证，催生出全新科学假设。
推动“工具辅助”迈向“范式变革”
要实现上述三大突破，单靠模型自发演化远远不够，需要一套有组织的科研范式。为此，上海人工智能实验室提出了驱动通专融合的技术架构——“智者”SAGE。如果说以往的AI4S（人工智能驱动的科学研究）是单点突破的“加速器”，那么在SAGE架构引领下的AGI4S（通用人工智能驱动的科学研究）则是科研范式的系统性变革。
SAGE架构像一台“逻辑平衡仪”，能将通用智能的广博与科学机理的严谨精准对齐。AI4S阶段，AI主要作为工具，在特定环节（如蛋白质结构预测）发挥加速器作用；而AGI4S则要求AI具备自主性、跨领域整合能力和创造性。它不仅能帮助研究者产生跨领域的想法、判断假设价值，还能自主构建新工具或实现已有工具的创新性组合。在AI支撑下，研究者还可以更全面、交叉地审视研究对象，提升认知水平，进而提出更优质的科学问题等，形成良性迭代循环。
这种通专融合的效能，正从实验室走向能够“算清经济账”的产业深处。以电力现货市场智能报价为例，通用大模型虽能撰写行业报告，却难以在瞬息万变的电力现货市场给出精准报价。在风光发电预测、电价波动、机组物理约束等多变量耦合的极端场景下，差之毫厘，失之千里。在电力交易中，预测精度提升一个百分点，往往意味着数亿元的收益差。基于SAGE架构，可以将电力行业的物理约束与市场规则深度植入大模型。这使得AI不仅能理解政策文本，更能像资深交易员一样进行长链条数值推理。2025年，上海人工智能实验室研发的“书生·风乌”气象预报大模型部署至内蒙古电网的427个新能源场站，将实际发电量的预测精度提升了3.04%，仅此一项就帮助相关电厂降低了4226万元的运营成本。
值得强调的是，AGI4S的价值并非体现在单一维度，而是贯穿创新全链条的三个层面：在未知探索方面（“从0到1”），不断拓展科学发现的边界，帮助研究者触及那些人类尚未意识到的“未知的未知”；在共性技术方面（“从1到10”），将初步成果转化为可复用的技术载体，构建面向科学共同体的共性技术平台；在产业加速方面（“从10到100”），推动成熟成果直接嵌入产业链，压缩小试、中试周期，实现降本增效。从量子计算领域的中性原子排布算法，到生物医药领域的临床转化评估多智能体系统，这条“从0到1、从1到10、从10到100”的路径正在更多行业悄然铺开。
共建“人工智能+”创新联合体
在推动通专融合走向纵深、通往AGI4S的征程中，需要冷静思考和回答 “AGI4S前沿六问”：边界之问，即所有科学问题是否都能被人工智能解决？预测之问，即AI的预测能力是否全面超越现有计算方法？语言之问，即对于科学表征，如何超越自然语言？交叉之问，即AGI4S不仅在于AI与其他学科交叉，还能带来哪些新的融合？验证之问，即如何判断AI是否有能力实现重大科学发现？新科学之问，即AGI将如何辅助更多学科发展“精确”视角？这六问并非对AGI4S前景的犹疑，而是对其长期价值的清醒锚定：既需清醒认识到当下可能被高估的能力边界、预测可靠性与语言表征的局限，也要关注那些被低估的远方——尤其是交叉学科的涌现、验证机制的建立和新科学范式的形成。
此外，技术架构的突破还必须与产业需求深度咬合，方能转化为服务新质生产力的专业智能体。当前，上海人工智能实验室正积极探索“创新联合体”模式，将SAGE架构与行业真实场景紧密结合。
一是建立FDE（前沿部署工程师）机制，通过专业队伍将前沿AI能力快速、精准部署到具体科研与产业场景，打通从模型到应用的“最后一公里”。二是打造“高手+高手”协同模式，即科学领域与AI领域的顶尖科学家在同一张“作战图”上深度协作、并肩攻关。在这种双轮驱动的组织模式下，AI不是替代“人手”，而是放大“人智”，从而加快科学发现与产业创新的步伐。
与此同时，上海人工智能实验室基于SAGE架构打造了支撑AGI4S探索的基础设施，包括开源万亿参数的“书生”科学多模态大模型Intern-S1-Pro、“书生”科学发现平台Intern-Discovery等，同时联合行业龙头企业，将行业机理知识安全地注入底座，在真实场景中进行压力测试，让理论在实践中完成闭环。
为建设“AGI4S试验田”，上海人工智能实验室将开源代码，发布技术白皮书，提供算力、数据支撑，与各方围绕科学发现中的长链条推理难题开展联合攻关；也期待与产业龙头共同开发垂直领域专业模型与智能体，与地方共建标杆示范，将通专融合能力深度植入行业场景，以前沿技术赋能新质生产力。
（作者系上海人工智能实验室主任、首席科学家）
【未经授权，严禁转载！联系电话028-86968276】
