文章核心观点 - 上海国资在AI企业上市潮中的成功是基于长期主义、战略布局和生态赋能的系统性胜利，其通过耐心资本、立体投资网络和产业组织者角色，实现了资本、生态与场景的全链条赋能 [2][3] 上海国资的成功因素 - 定位为“耐心资本”与“战略资本”，敢于在行业低谷或企业攻坚期进行大规模、逆周期投资，为沐曦、燧原和英矽智能等企业提供长期资本支持 [3] - 构建“产业母基金+子基金+战略直投”的立体投资网络，例如设立千亿级先导产业基金、200亿引领区产业发展基金、55亿科创母基金及20亿天使母基金，撬动社会资本超过3000亿元，形成强大的资本放大与产业集聚效应 [3] - 超越财务投资，发挥“产业组织者”功能，为企业全方位对接芯片流片、算力支持到应用场景的产业生态，实现“资本+生态+场景”的系统性供给 [3] 浦东创投的投资逻辑与支持策略 - 投资逻辑聚焦“投早投小”，通过天使母基金、AI种子基金、概念验证基金等早期支持科学家和创业团队，布局了原集微、光本位等前沿硬科技企业 [5] - 投资逻辑聚焦“投新投好”，例如投资英矽智能是看好其“AI+生物科技”范式能革命性缩短药物研发周期 [5] - 投资逻辑聚焦“投大投强”，例如在人形机器人领域直接投资整机企业智元创新，并围绕其生态组建早期基金与生态并购基金，系统性布局关键零部件企业 [5] - 践行“全程陪伴+全链赋能”策略，例如与十余家银行创设浦东创投“创新贷”，推动合见工软获超5亿元银行授信，缓解企业资金压力 [5] - 在上市后继续发挥国资股东平台作用，例如推动沐曦股份与浦东集成电路产业链上下游协同合作，参与构建算力生态，巩固其市场地位 [5] 浦东创投的AI产业布局与储备 - 直投方面，三年来已直接投资54家浦东AI企业，包括智元、傅利叶、阶跃星辰、智谱、云和智网、东方算芯、曦智科技等，其中8家已启动IPO进程 [7] - 生态基金布局上，依托新区三大母基金，投资了19只人工智能主题基金，包括中科创星、高瓴资本等GP合作伙伴，形成总规模超过300亿元的基金生态网络，通过“生态基金+直投”联动挖掘培育潜在上市标的 [7] - 组建浦东天使公司并设立AI种子基金，半年内已投资35个种子轮和天使轮项目，并通过与高校、孵化器等合作建立超过550个项目的储备库 [7] 上海AI产业链发展阶段与全球地位提升路径 - 上海人工智能全产业链发展已从基础建设和关键环节突破，迈入深化应用、生态构建与全球协同的新阶段，智算规模已突破12万P，并致力于构建自主可控的“国芯国模国云”体系 [8] - 应用层面，“AI+”赋能日益深入，特别是在制造业已培育大量“工赋链主”，推动大型企业智能工厂全覆盖，并在空天地一体化等新赛道形成产业集群 [8] - 提升全球AI创新网络节点地位需强化策源能力，加大对基础大模型和颠覆性技术的研发投入，巩固在科学智能等领域的先行优势 [9] - 需破解应用瓶颈，重点解决高质量训练数据供给与合规利用、复杂场景落地等关键堵点，发挥上海在金融、医疗等场景应用方面的独特优势 [9] - 需深化国际链接，在技术标准、跨境数据流动、知识产权等规则层面加强对接，从“技术出海”迈向“生态与规则出海” [9] 上海未来AI产业发展策略 - 2026年作为“十五五”开局之年，标志着上海人工智能产业进入全链条协同、迈向万亿规模的关键阶段，将依托科创中心优势、完备产业生态和雄厚金融资本，强化“芯片-模型-应用”的协同创新，系统性地打造世界级高端产业集群 [10] - 核心策略是构建“研发策源-区域转化-场景赋能”的全链条联动体系，空间上通过张江模力社区和人工智能小镇实现“上下楼就是上下游”的产业生态 [10] - 机制上利用上海国际金融中心核心功能区地位，通过引领区产业发展基金协同国家创业引导基金、国投先导产业母基金等长期战略资本，对硬科技企业进行长周期支持，并积极探索数据合规利用等制度创新 [10]

行业趋势与战略判断 - 当前科学智能（AI for Science， AI4S）在蛋白质折叠等特定领域取得里程碑成就，但《自然》杂志研究指出过度依赖现有深度学习模型可能局限新知识探索并阻碍创新[1] - 一项系统性评估联合10个不同科学领域的100位科学家构建评测题目，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中得分骤降至15-30分，表明存在明显的“木桶效应”[1][71] - 行业正处在通用人工智能（AGI）前夕，但面临“通专融合”智能环节的缺失，亟需推动科学智能从AI4S 1.0向2.0迭代，即迈向AGI4S[2] - 通往AGI的战略路径是“通专融合”，即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，在保持通用认知基座的同时，能在特定任务上实现专家级专精[10][11] - 2024年末OpenAI o1与2025年初DeepSeek-R1的出现，通过在大模型上应用强化学习提升逻辑推理能力，验证了“通专融合”路径预判的正确性[14] - 科学发现被视为推理智能的终极前沿和AI探索的绝对前沿，因其对AI提出了处理组合爆炸（如10^60量级搜索空间）、分布外知识泛化以及稀疏延迟奖励的三重极限挑战[15][19] 核心技术架构：SAGE - 为将“通专融合”战略落地，上海人工智能实验室提出了“智者”SAGE技术架构，这是一个旨在弥合广泛泛化与深度专精鸿沟的递归循环统一认知生态系统[17][18] - SAGE架构由三个逻辑耦合的层次构成：底部的基础模型层致力于知识与推理能力的解耦；中间的融合协同层动态协调快慢思考；顶层的探索进化层赋予AI主动能动性[18][20] - 该架构通过双向循环实现全栈进化：底层表征自下而上支撑推理，顶层探索获得的高水平反馈自上而下回流，将“未知”转化为新的训练信号，推动认知策略持续进化[18] 基础模型层创新 - 记忆解码器（Memory Decoder）作为预训练、即插即用的独立组件，旨在解决现有大模型将事实记忆与逻辑推理混淆的问题[22] - 该组件采用与基础模型并行运行并融合输出分布的机制，用紧凑的参数化模型替代传统非参数检索器，在无需修改基础模型参数、无在线检索开销下实现高效知识注入[22] - 实验数据显示，其推理开销仅为基础模型的1.28倍，显著低于现有主流方案，成功填补了高密度知识供给与推理引擎解耦之间的技术鸿沟[22] 融合协同层算法突破 - 针对复杂推理需要密集过程监督但人工标注成本高昂的矛盾，提出了隐式奖励强化学习算法PRIME，利用策略模型与参考模型间的统计差异，隐式习得Q函数，从而推导出密集的逐步奖励信号[28][31] - 在AIME 2024数据集上，PRIME使模型准确率提升23.4%；在AMC数据集上提升27.7%；在MATH-500等测试中也取得显著增长[38] - 研究发现强化学习训练中策略熵会急剧下降导致“熵坍缩”，使模型过早自信并停止探索，而验证性能与熵呈现显著的对数线性相关[39][40] - 提出了精准化、局部化的熵控制方案，应用该策略后，模型在保持高探索能力的同时显著提升了下游任务准确率，该方法已被Intern-S1等多个头部机构采纳[40] - 为克服传统强化学习以奖励最大化为目标导致的“模式崩溃”，引入了FlowRL，将学习目标从“奖励最大化”重构为“分布匹配”，使模型学习所有有效推理路径的概率分布[47][48] - 实验显示，FlowRL生成的分布与目标分布的KL散度大幅降低至0.11（传统方法为8.68）；在32B模型上，其数学推理准确率达48.39%，较GRPO提升10个百分点；生成的解决方案多样性评分约为PPO的2倍[50] 探索进化层机制 - 提出了测试时强化学习框架，其核心假设是“共识即正确性”，在推理时对多个候选解采样，将多数投票结果作为代理奖励，对模型参数进行在线更新，实现了无监督环境下的自我增强[56][58] - 实测数据显示，搭载TTRL的Qwen-2.5-Math-7B模型在AIME 2024数据集上准确率实现了159%的相对提升，性能甚至逼近使用真实标签训练的理论上限[60][62] - 研发了大规模交互验证环境InternBootcamp，覆盖8大任务类别、超1000种多样化环境，支持将专业领域任务转化为可验证环境[61] - 基于InternBootcamp的实验发现，当任务类型数量从8种扩展至512种时，模型性能持续上升，证实了与任务数量增长相关的规模化定律存在[66] - 在具身智能领域，提出了极端数据稀缺下的在线强化学习框架SimpleVLA-RL，仅用极少数据与计算资源便取得了与先进模型比肩的性能，实现了智能体在物理世界中的“具身化”演进[64][69] 公司实践与基础设施 - 研发了“书生”科学多模态大模型Intern-S1，作为SAGE架构在科学领域的体现，旨在构建“可深度专业化通才”[77] - Intern-S1在基础层采用动态分词器与专用编码器，原生支持DNA序列、蛋白质结构等10余种模态，在科学数据上的压缩率较GPT-OSS等通用模型提升1.7倍，并基于2.5万亿高质量科学Token进行预训练[77] - 测评结果显示，Intern-S1在通用能力上对齐顶尖开源模型，而在涵盖化学、生物、材料等9大领域的科学性能上，全面超越了包括GPT-5和Grok-4在内的顶尖闭源模型[79] - 构建了“书生”科学发现平台Intern-Discovery，这是一个将Intern-S1与海量数据、2000+专业工具及湿实验室验证环境深度融合的智能体系统，实现了从假设生成到实验验证的闭环[80] - 平台引入了科学智能上下文协议，以标准化调度科学资源和工作流；并通过分层记忆模块沉淀研究模式、记录实验细节并整合长期知识[86] - 在气候科学领域，Intern-Discovery自主调用30余种工具，分析20年多模态数据，编写4000多行专业代码，成功发现被人类专家忽略的关联并推导出新方程，有效修正了系统性偏差[81] - 在生物医学领域，虚拟疾病生物学家“元生”成功在数据稀疏条件下发现并验证了具有高临床潜力的隐藏靶点，展示了全流程智能化能力[84]

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]

北京大学深圳研究生院战略定位与资源 - 公司是北京大学唯一的异地校区，成立于2001年，传承北京大学120年历史传统 [2] - 公司致力于将科研教学与大湾区资源结合，拥有九个学院及众多研究中心、实验室和项目 [2] - 公司目标是在“双区”建设新时代，扎根粤港澳大湾区，成为“新工科”发展引擎，解决中国核心技术瓶颈，构建连接研究前沿与区域产业的新范式 [2] 科学智能学院战略与招聘重点 - 科学智能学院于2025年成立，是全球首个将“科学智能”设为学科的高等教育机构 [3] - 学院愿景是加速科学发现，定义行业未来 [4] - 学院教育理念是立足根本原则，以智慧驱动，促进跨学科融合，塑造未来 [5] - 学院正在重点研究领域招募杰出学者，包括科学基础人工智能、材料科学人工智能、生命科学人工智能以及计算数学 [5] 信息工程学院概况与招聘重点 - 信息工程学院成立于2002年，是公司最早成立的学院，拥有约100名教职员工以及570多名硕士和博士研究生，已培养超过2500名毕业生 [7] - 学院正在三个核心领域招聘教职人员 [8] - 集成电路科学与工程领域招聘重点：模拟电路设计、微纳电子器件或电子设计自动化方向的正教授或终身教职助理教授 [8] - 计算机科学与技术领域招聘重点：视频与音频处理、XR/3D媒体处理、计算机视觉、计算机图形学、触觉信息处理、人工智能、机器人学的终身教职助理教授 [8] - 通信与信息系统领域招聘重点：无线通信、智能通信、物联网、射频器件方面的正教授或终身教职助理教授 [8]

关键要点总结 涉及的行业与公司 * 行业：人工智能（AI），涵盖基础模型、AI Agent、具身智能（机器人）、科学智能（AI for Science）、AI应用（C端/B端）、AI安全、合成数据、智能体互联网（Agented Web）等领域[1][2][12] * 公司/机构：智源研究院（技术预判与成就主体）[1][3][5]、Google（RT系列、SCN、VLA研究）[20][31]、微软亚洲研究院（合成数据研究）[23]、英伟达（AI训练硬件主导）[24]、DeepMind（cosine entity）[40]、OpenAI（ChatGPT）[21]、Anthropic（宪法AI）[62]、国内厂商如阿里、字节、腾讯、百度、蚂蚁（灵光、阿福、豆包、夸克等应用）[21][42][44][52] 核心观点与论据 技术趋势与范式演进 * **多模态世界模型成为共识**：通过视频等多模态数据预训练，学习真实世界动态规律，从Next Token Prediction向Next Day Prediction演进，实现从语言学习到多模态世界学习的阶段跨越[1][13][14] * **机器智能进入新范式**：从表层功能模仿转向理解和建模物理世界运行规律，进入“状态空间预测”或“下一个状态预测”范式，使AI具备推演未来演化趋势和变化的能力[1][2][6] * **Scaling Law持续有效且融合**：多模态大模型、世界模型与Scaling Law三项技术融合发展，Group 4和Dream I3模型的发布证明了Scaling Law在预训练和后训练阶段持续有效[2][12][52] * **AI for Science成为科研关键工具**：从“口拍”向“AI3 tis”转变，科学基础模型、Agent workflow与自动化实验室连接，使AI具备从数字模拟到真实实验的认知闭环能力[1][18] * **合成数据打通Scaling Law**：合成数据已证明具备真实信息争议，是有效燃料，预计到2030年国内合成数据市场规模将超过真实数据并成为主导[23][35] 细分领域发展现状与预测 * **具身智能（聚生智能）**： * 中国聚生企业数量超过230家，其中人形机器人企业100多家，但业务模式同质化严重，行业面临出清[1][17] * 存在四大挑战：从开环到闭环任务、数据饥饿、标准化不一致、安全性探索不足[29][32] * 2025年最重要的进展是找到了规模化提供数据的方法[50] * 技术路线主要分为分层模型、端到端VLA模型和事件模型三类，各有优劣[31][33] * **AI Agent与智能体互联网**： * AI Agent向专业化与统一协议方向发展[1][2] * 智能体互联网（Agented Web）核心特征：智能体成为网络新主体、通过协议直接交互、以开放协作取代封闭生态[26] * 多智能体系统有望成为企业Agent应用主流，MCPASA等智能体协议可能迎来类似TCP/IP的重要时刻[20] * 未来个人与企业间的交互将由个人智能体直接连接企业智能体，无需中间平台[26] * **AI应用市场**： * **C端**：AI超级应用（All in one）趋势明确，ChatGPT日活和月活已超过Twitter（X），国内有望看到新BAT诞生[21][42] * **B端**：2026年上半年可能因试点项目效果不佳进入“幻灭低谷期”，但下半年经过反思并采用成熟工具后，有望迎来V形反转和更多行业标杆案例[22][41][46] * **垂直赛道**：突围关键在于从token付费转变为服务付费，创造利润空间，如nano banana将收费提高至0.5美元[45] 挑战、瓶颈与应对 * **数据挑战**：高质量文本数据预计在2026年耗尽，推动合成数据与强化学习发展[23]；科学数据存在稀缺性、标准化不一、开放性不足等问题[56] * **成本与性能瓶颈**：模型成本和输出速度是智能体连接的最大瓶颈，但模型成本降低速度未减弱[51]；中国基模研发面临训练算力规模不足的挑战[54] * **安全风险**：截至去年12月初，全球共报告330起AI安全风险事件，比前一年显著增加[24]；应对措施包括内生安全（优化训练周期）和外部围栏（输入输出检查），参考Anthropic宪法等[62] * **技术依赖**：全球85%的AI训练依赖英伟达体系，带来潜在供应风险[24] 其他重要内容 * **科研合作与社区**：智源社区通过每日更新28万篇精选AI核心论文、举办直播分享、读书会、专访、大会等方式助力学者和促进科研合作[8] * **结构决定功能理念**：在生命科学和AI领域，“结构决定功能”和“功能塑造结构”两个角度都重要，环境是所有智能的来源[9][10] * **仿真技术关键性**：合成数据的核心在于将真实世界物理特征分布规律转化为可执行的仿真环境，需要自研仿真底层确保仿真与现实对齐（减少sim-to-real gap）[37][58]；仿真是规模化评测模型能力的重要路径[38] * **行业落地时间表**：零售与电商有望在2026年第三季度率先出现成功用例；金融业预计到2026年底；制造业因设备异构化问题最晚落地[48] * **颠覆性变化预测**：可能在2026或2027年出现颠覆当前Transformer架构的变化[11]；2026年可能的颠覆包括：生成式模型发现未知事物、数据评测闭环、智能体颠覆互联网格局、程序员工作范式革命、世界模型迭代等[59]

论坛概况 - 2025西丽湖论坛于11月15日在深圳大学城国际会议中心开幕，主题为“加速科学发现，定义产业未来” [1][3] - 论坛由X9高校院所联盟轮值理事长单位北京大学深圳研究生院及国际科学智能联盟联合承办 [1] - 论坛采用“1+N+X”模式，包括1场开幕式暨主论坛、28场专业论坛及多场配套活动，将持续至11月整月，打造“西丽湖学术月” [3][15] 核心议题与目标 - 核心议题为深入探讨人工智能如何革新科学研究范式、催生前沿科学新发现、重塑未来教育体系、助力产业迭代升级创新 [3] - 论坛目标是在科研突破、教育变革与产业升级之间构建桥梁，推动AI技术成为引领社会高质量发展的核心引擎 [3] - 提出将科学智能从“关键变量”转化为革新科学研究范式、驱动城市能级跃迁、支撑经济社会发展的“最大增量” [8] 重要发布与成果 - 开幕式进行三大关键发布：国家知识产权局与北京大学共建的国际知识产权学院成立、北京大学科学智能学院“博雅AI4S拔尖人才计划”启动、深圳大学城国际校区（一期）交付签约 [10] - 论坛发布七项X9联盟重要成果，展现人工智能在科研基础设施与人才培养改革方面的探索 [13] - 公布清华大学深圳国际研究生院与腾讯共建的“大模型科学与工程”全日制硕士项目、南山区人工智能场景应用榜单等重磅举措 [13] 产学研协同与生态构建 - 开场曲《南燕园·新章》由北大深研院、腾讯音乐AI大模型及小学现场演唱三方共创，深度融合“北大基因”“深圳精神”与“AI for Science”元素 [5] - XILI对话环节以“AI for X”为主题，聚焦人工智能在不同行业的实践前沿，探讨AI重塑未来科技与产业生态的路径 [3] - 通过X9联盟会旗交接至哈尔滨工业大学（深圳），标志着人工智能赋能科学研究与产业升级的影响将持续深化 [13]

大赛概况 - 第三届世界科学智能大赛总决赛及颁奖典礼于7月25-26日在上海举行 由上海科学智能研究院与复旦大学联合主办 吸引了全球近30个国家和地区的近1.6万名选手报名参赛 [1] - 大赛设立航空安全 材料设计 合成生物 创新药 新能源五大赛道 最终决出一等奖5项 二等奖10项 三等奖15项 [1] - 大赛协办单位包括中国南方电力调度控制中心 上海复星医药 晶泰科技 阿里云等近40家企业组成生态企业联盟 [1][4] 赛事特点 - 本届大赛呈现更产业 更开放 更年轻三大特点 赛题全部来自真实产业场景 如航空结冰气象预报 新能源发电功率预测等 [4] - 专门开辟中学组比赛 吸引上海16区146所中学的331支队伍参与 选手平均年龄约14周岁 围绕新能源发电预测主题展开角逐 [7] - 开放大量产业真实数据 如发电站功率数据 气象数据 分子构象数据 并提供算力和工具链支持 [5] 技术平台与合作 - 上智院与道通集团共同启动Physical AI赛道 聚焦空间智能 推理模型等核心技术难题 [4] - 优秀模型将部署至星河启智科学智能开放平台 该平台初期汇聚12个学科的200多个科学模型 建成4万多个共12PB的科学数据 已吸引120多个实验团队入驻 [5] - 平台由上智院联合复旦大学 无限光年打造 提供科学数据 开源模型 高效智算等全栈基础设施 [5] 行业影响与未来规划 - 复旦大学特聘教授漆远指出 AlphaFold开放工具已吸引超200万研究者使用 大赛致力于构建类似开放生态 [4] - 材料设计赛道一等奖团队采用自回归技术路径测试不同分子语法表征方法 创新方案可互相融合 [8][9] - 未来将继续依托上智院平台 联动星河启智平台推出更多前沿赛事 打造系列化多元化赛事体系 [10]