人工智能发展阶段的演进 - 人工智能发展呈现阶段性跃迁，可分为三个关键阶段：ANI（狭义人工智能）、ABI（广义人工智能）与AGI（通用人工智能）[1] - ANI在2016年已趋于成熟，通往AGI的必经之路是率先实现具备跨领域泛化能力的ABI[2] - ChatGPT的问世验证了从有监督学习转向自监督学习、从任务级联系统转向端到端架构、从判别式工具进化为生成式助手这三方面技术范式变革，宣告了ABI阶段的到来[2] 通用人工智能（AGI）的核心路径 - 通往AGI的下一步不仅仅是计算量的堆叠，“通专融合”是一条可探索的路径[2] - 真正的AGI必须打破“专业性”与“通用性”的二元对立，构建能够动态融合直觉式“系统1”与逻辑式“系统2”的智能架构[2][3] - 目标是构建一种能够在保持通用认知基座的同时，通过持续学习与深度推理在特定任务上实现专家级专精的智能[3] - 上海AI实验室提出的智者SAGE技术架构旨在弥合广泛泛化与深度专精的鸿沟[3] 科学发现作为AI的下一个前沿 - 人工智能的下一个前沿领域是科学发现（Scientific Discovery, SD）[4] - 科学发现是推理智能的终极考验，涵盖了从假设生成、实验验证到理论总结的全过程[4] - 科学发现对AI提出三重挑战：处理“已知的未知”（如组合爆炸问题）、泛化“未知的未知”、应对稀疏与延迟的实验奖励反馈[4] - 尽管AI for Science（AI4S）在特定领域取得成就，但过度依赖现有深度学习模型可能局限新知识的探索边界，甚至阻碍创新[4] 当前AI模型在科学发现中的能力短板 - 传统深度学习擅长处理数据充足、定义明确的任务，但难以应对科学发现中“未知的未知”[5] - 一项由上海人工智能实验室联合100位科学家进行的评估显示，前沿模型在通用科学推理任务中得分可达50分（满分100分）[5] - 但在专项文献检索、具体实验方案设计等专业推理任务中，模型得分骤降至15-30分[5] - 这种明显的“木桶效应”表明，科学发现全周期的效能正受制于专业推理能力的薄弱环节[6] 从AI4S向AGI4S的迭代演进 - 需要整合通用推理与专业能力，推动科学智能从AI4S向AGI4S迭代[6] - 从AI4S迈向AGI4S旨在推动研究者、研究工具与研究对象的协同演进，通过三者相互作用创造革命性工具，推动科研范式变革[6] - 当前已身处通用人工智能的前夕，但仍缺失通专融合的智能，亟需推动科学智能从1.0向2.0迭代演进[1][6] - 实现AGI的可行路径是发展“可深度专业化通用模型”，其关键挑战在于需要低成本、可规模化的密集反馈，并具备持续学习、主动探索及提供多视角解决方案的能力[6]