科学智能的战略地位 - 科学智能（AI4S）被列为世界人工智能大会十大核心方向之一，拥有专属论坛和交叉议题 [3] - AlphaFold的成功证明科学智能已从概念走向现实，正在重塑科学研究的根基 [3] - 复旦大学与上海科学智能研究院联合主办"星河启智·科学智能开放合作论坛"，汇聚全球顶尖科学家探讨开放协作与产业实践 [4][5] 科学智能2.0时代的定义 - 科学智能2.0时代以领域科学家为中心，AI从工具进化为理解科学家意图的"合作伙伴" [9] - 需要构建由人类科学家、开放数据、全球协作和AI科学家组成的"超级科学发现系统" [7] - 当前业界仍停留在"工具思维"，需要转向"生态思维"以实现人机深度协作 [7][39] 全球顶尖科学家的前沿观点 - 图灵奖得主Joseph Sifakis指出当前AI在可靠性、安全性和语义控制方面存在根本性挑战 [16] - 诺贝尔物理学奖得主Giorgio Parisi认为AI缺乏基础理论框架，如同热力学诞生前的蒸汽机 [17][19] - 王坚院士强调计算是科学革命的核心，AI正在打破科研专业壁垒实现"科研平权" [22] 科学智能发展的两大支柱 - "底座论"：需要构建强大的算力基础设施和开放平台作为发展基础 [22][27] - "场景论"：AI需要与具体科学难题深度结合，如抗体设计、材料科学等领域 [25][26] - 基础设施与精准应用场景共同构成科学智能发展的完整生态 [27] 开放科学全球合作倡议 - 倡议旨在打破"数据鸿沟"，构建全球科学生态系统 [30][32] - 四大核心举措：开放基础设施、启动大科学计划、培养全球人才、创造科学新时代 [34] - 由多位诺贝尔奖、图灵奖得主等国际顶尖科学家共同发起 [32] 科学智能对教育科研的变革 - 大学需要重塑教育形态和科研范式，构建创新生态让学生带动老师 [39] - 基础学科教育是培养AI人才的根本，需要依托大型开放科研平台 [39] - 香港高校提出用区块链解决知识产权、纳米出版替代传统论文等激进构想 [43] 产业落地与技术路径 - 产业界面临AI模型与实验验证通量不匹配的痛点 [45] - 自动化实验室可加速"设计-构建-测试-学习"闭环，产生高质量数据 [45] - 学术界关注将物理规律等先验知识融入模型，提升学习与泛化能力 [46] 星河启智开放平台 - 平台集开放数据、共享模型、融合算力和智能体广场于一体 [53] - 典型案例包括早期中华文明多模态大模型和医疗领域的"观心大模型" [56][61] - 平台旨在降低科学家探索门槛，聚焦高价值科学问题 [54] 产学研用一体化发展 - 与中国南方电网、镁伽科技等企业签约，连接学术、产业和基础设施 [64] - 科技伦理审查智能体"一鉴"为生态健康发展提供保障 [66][67] - 以开放平台为基础，高价值问题为牵引，伦理框架为保障的发展路径 [68]

WAIC2025星河启智·科学智能开放合作论坛 - 论坛聚焦构建开放协同的科学智能生态体系 探讨科学智能2.0时代的前沿创新与产业实践 [1] - 全球顶尖科学家及一线青年科研技术先锋参与深度讨论 [1] 早期中华文明多模态大模型 - 由复旦大学 上海科学智能研究院 上海创智学院联合研发 涵盖100TB专业语料 SFT数据及评测集 [3] - 首创文明时空数据跨模态智能对齐 推动"二重证据法"向五维互证跃迁 [3] - 模型架构支撑中华文明AI Agent平台 具备多步骤推理与复杂任务规划能力 [3] - 未来将部署在星河启智平台 服务学者研究与公众文化普及 [3] 全球开放科学学术合作倡议 - 由国际顶尖科学家共同发起 旨在打破"数据鸿沟" 让AI科学惠及全球 [3] - 四大核心目标：构建开源科学基础设施和统一技术标准 启动跨国跨学科大科学计划 培养国际化科学人才 建立公平的价值分享机制 [3] 星河启智科学智能开放平台 - 由上智院联合复旦大学等共同打造 是智能体原生的全链路科学智能开放平台 [6] - 提供高价值科学数据 开源科学智能模型 高效智算 干湿实验闭环 多智能体推理规划等全栈基础设施 [6] - 观心大模型成为首批入驻项目之一 重构临床诊疗路径 通过多智能体协作系统提升临床诊断效率 [6] 科技伦理审查智能体"一鉴" - 具备自动规则审查 风险标注 权威伦理审查要点解析 智能生成审查报告等功能 [7] - 支持本地部署 确保数据安全 已在复旦大学及复旦大学附属中山医院试运行 [7] 人工智能与科研合作 - 人工智能正重塑科学研究版图 需在基础设施 数据资源 人才培养 治理机制层面推进开放合作 [4]

医疗AI大模型发展现状 - 2025年上半年医疗AI大模型进入白热化竞争阶段，头部三甲医院如上海中山、瑞金、仁济、新华等已发布心血管、病理、泌尿科、儿科等领域的AI模型 [1] - 国内医疗大模型数量已达约300个，其中2025年上半年新增接近150个，占总量约50% [3] - AI专家医生数字分身已在部分医院推广，具备问诊、患者教育、科普宣传等能力，未来可能实现医生看病的"自动驾驶"模式 [1] 医疗AI应用场景 - 医疗服务环节占医疗大模型应用场景的53%，临床专病辅助决策、预问诊、病历辅助生成、医学影像辅助诊断为前四大应用 [3] - 数字导诊员已在新建医院门诊普及，可通过语音交互完成挂号咨询、诊室导航等功能，减轻人工导诊压力 [3] - 新华医院基于儿科优势推出AI儿科大模型，赋能基层诊疗与儿童居家养护 [3] 代表性医疗AI成果 - 瑞金医院与华为合作的RuiPath病理大模型获国际电信联盟奖项，该模型覆盖中国90%常见癌种，具备专家级亚专科知识问答能力 [4] - 中山医院心内科发布国内首个心脏大模型"观心"(CardioMind)，配套开发葛均波院士数字分身，模型知识储备超过正教授水平 [4] - 观心大模型训练数据包含中山医院心内科82万诊疗人次积累的数十万份电子病历及专家诊疗逻辑 [5] AI医院建设进展 - 清华大学成立人工智能医院(Tsinghua AI Agent Hospital)，完全由智能体模拟医院各科室，2天可完成三甲医院2-3年诊断量，准确率超96% [7] - AI模型可处理80%常规工作，使医生更专注于疑难病例研究和深度医患沟通 [7] 技术挑战与数据安全 - 通用大模型在医疗领域存在专业知识不足和"幻觉"问题，需依赖专业医疗数据训练 [8] - 未公开发表数据是医疗大模型核心竞争力，但医院封闭系统数据获取面临挑战 [8] - 观心大模型建立严格数据防火墙，患者隐私信息加密匿名化处理，并植入心理评估模块 [8] - 医院需优先建设基础数据库，做好数据治理以获取高质量训练语料 [9]

医疗AI大模型发展现状 - 头部三甲医院加速布局医疗AI大模型，上海中山、瑞金、仁济、新华等医院已发布心血管、病理、泌尿科、儿科等领域的AI模型 [1] - 我国现有约300个医疗大模型，其中2023年上半年新增近150个，占总量约50% [3] - 医疗大模型应用场景中医疗服务环节占比最高达53%，临床专病辅助决策、预问诊、病历辅助生成、医学影像辅助诊断为主要方向 [3] 典型医疗AI模型案例 - 瑞金医院RuiPath病理大模型覆盖中国90%常见癌种，具备专家级亚专科知识问答能力，已宣布开源并获得国际电信联盟奖项 [3][4] - 中山医院"观心"心脏大模型整合82万诊疗人次数据及数十万份电子病历，开发出葛均波院士数字分身，诊疗经验超过多数正教授水平 [4][5] - 新华医院AI儿科大模型赋能基层诊疗与儿童居家养护，同时部署数字导诊员缓解人工压力 [3] 技术应用与效率提升 - 清华大学AI医院实现2天完成三甲医院2-3年诊断量，准确率超96% [6] - AI模型可处理80%常规工作，使医生专注疑难病例与患者深度沟通 [6] - 病理大模型改变传统工作模式，心血管大模型赋予医生"超强大脑"突破时空限制 [4][6] 数据与基础设施 - 医院海量疾病数据库（如中山医院心内科年诊疗82万人次）为大模型提供优质训练语料 [5] - 未公开发表数据是核心竞争力，但医院封闭系统导致数据获取面临复杂挑战 [7] - 基础数据库建设与数据治理是AI智能体落地前提，需高质量语料训练垂类模型 [8] 技术局限性 - 通用大模型在医疗领域存在专业知识不足和"幻觉"问题，与训练数据广泛性相关 [7] - 医疗数据安全需严格保障，观心大模型建立数据防火墙并实现患者信息完全匿名化 [7]

AI医疗应用 - 复旦大学附属中山医院心内科主任葛均波的"数字分身"在东方心脏病学会议首次亮相，展示AI诊疗潜力[1] - "数字人"葛医生能模拟真人互动，声音与真人高度相似，包括山东口音等细节[1] - 在演示中，AI医生通过系统性提问精准捕捉患者症状，整合CT、超声等数据后诊断出罕见遗传性出血性毛细血管扩张症Ⅱ型[3] 技术模型 - "数字分身"基于心血管AI模型"观心大模型"训练，融合指南、临床试验等医学数据[3] - 模型具备多模态数据整合能力，在复杂罕见病诊断中展现专家级水平，同时避免大模型幻觉问题[3] - "观心大模型"经过3个月训练后正式上线，每日学习更新减少误诊，将成为中山医院心内科医生助手[3] 行业前景 - AI医生标志医疗场景深度应用，顶尖专家知识体系有望服务全球更多患者[4] - 未来边远地区患者可能通过手机向数字医生问诊[4] 数据与伦理 - AI医疗面临数据偏见和隐私监管双重挑战[5] - 专家指出模型质量取决于开源程度和使用未公开发表数据的比例[5] - 高质量临床数据是模型核心竞争力，但获取医院封闭系统数据存在复杂挑战[5] - 模型准确性依赖训练数据质量，需解决患者信任度与伦理监管标准问题[5]