当前，科学智能（AI for Science）被称之为人工智能的 "皇冠"，以 AlphaFold 为代表的 AI for Science（AI4S）技术在蛋白质折叠、气象预测等特定领 域取得了里程碑式成就，但近期《Nature》发表的研究指出，过度依赖现有深度学习模型可能局限新知识的探索边界，甚至在某种程度上阻碍创新。 一项来自上海人工智能实验室（上海 AI Lab）的系统性评估①进一步揭示了当前前沿模型的短板。来自 10 个不同科学领域的 100 位科学家为模型构建了 评测题目，结果显示：前沿模型在通用科学推理任务中得分可达 50 分（满分 100），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。 "我们已身处 "通用人工智能"（AGI）前夕，但仍面临重要环节的缺失 —— 通专融合的智能。 我们亟需推动科学智能从 1.0 向 2.0 迭代，即从 AI4S 迈向 AGI4S。 " 日前，上海人工智能实验室主任、首席科学家周伯文在第四十届人工智能协会年会（AAAI 2026）发表特邀报告时提出，科学发现是 AI 的下一 个前沿阵地 —— 它既是推理智能的终极试炼场， ...

在周伯文看来，ANI在2016年已趋于成熟，而通往AGI的必经之路并非直接跃迁，而是必须率先实现具 备跨领域泛化能力的ABI。这一跨越需要技术范式的根本性变革，最少包括从有监督学习转向自监督学 习、从人类分割任务级联式系统转向端到端架构、从判别式工具进化为生成式助手。ChatGPT的问世第 一次验证了人工智能系统同时达成这三方面变革，实质上宣告了ABI阶段的到来。这一历史性突破验证 了规模法则（Scaling Law）的有效性，通过扩大Transformer架构并将"下一个词预测"作为优化目标，人 类首次实现了对世界知识的压缩。 "科学发现是AI的下一个前沿阵地，大规模深度推理将赋能科学发现，科学发现亦将反哺推理能力的进 化。"上海人工智能实验室主任、首席科学家周伯文日前在第四十届人工智能协会年会（AAAI 2026） 发布特邀报告。周伯文表示，当前我们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，即从AI4S迈向AGI4S。 AGI必须打破通专二元对立 人工智能的发展历程并非线性堆叠，而是呈现出明显的阶段性跃迁。回顾AI发展的历史坐标，有助于 厘清当前所处的位 ...