“科学探索的罗盘，始终应该由人类的心智、好奇心与价值判断来掌握。”9月12日，上海人工智能实验室主任、首席科学家周伯文受邀参加2026浦江创新论主论坛并发表主旨演讲，分享人工智能（AI）赋能科学研究的新进展与前沿思考，并以“书生·端砚”科学发现平台为例，分享了上海人工智能实验室最新的探索实践。

针对当前的科研困境，周伯文提出“科学研究是下一个编程”的核心解题思路。他认为，AI与科学将形成双轮驱动——两者共同提升，助力新认知的发现和新突破的产生。自主进化飞轮、真实科学验证闭环、环境即数据，是实现AI与科学双轮驱动的三大关键环节。

周存文发表主旨演讲。主办方供图

走向无边界融合的“and”

如果人类思考一道难题花100年，AI需要多久？

周伯文从这个问题切入，首先给出了3个时间坐标。

第一个是1975年问世的单克隆抗体。从患者体内找到对症抗体，传统流程要走四年。2020年，AI与生物学家协作，从机器筛选到给药患者只用了90天，时间压缩到6%。

第二个是蛋白质折叠。该问题在1969年被提出，人类历经51年求索仍难以破解。AlphaFold仅用2年基本解决这一问题，约为人类时间的4%。

第三个则是纳维-斯托克斯方程。该方程于1827年被提出，是千禧年七大数学难题之一。不久前，一万个AI智能体连续工作88 小时，给出了存在性与光滑性的证明。“虽然克雷数学研究所尚未最终确认，但这意味着，人类思考了近200年的问题，AI用万分之零点五的时间在逼近。”周伯文表示。

“三张图连在一起看，一个规律清晰可见——问题越古老、越基础，AI提效的空间越大。”周伯文强调，更应关注其中AI与科学相互深化的关系本身。这三个问题都是人类主导、AI参与，而由人类定义科学问题、构建数据集、设计提示词与思维链，是实现突破的根基。

在周伯文看来，科学研究与AI已进入深度交织的阶段，二者的互动关系可划分为工具互用、效率互增、结构互赖、体系互构四个层级。他进一步判断，科学越来越需要AI拓展探索空间，AI也越来越需要科学提供真实的训练场与检验标准，两者开始通过科学假设、实验验证和反馈相互加速。

“AI for Science（AI4S）这一提法暗含一层预设，即AI是服务于科学的工具，即便能力强大，本质上仍处于被动地位。”周伯文认为，行业已经进入AI in Science的阶段。AI不再是门外访客，而是科研殿堂里的常驻参与者，能够端到端参与甚至驱动完整科研流程，科学家也逐步建立起对它的信任与依赖。未来则将走向AI and Science，二者共同建构科学体系。这是一种共生关系，彼此构成协同的系统生态，在交互中持续迭代、越用越强。

从高门槛的“for”，到中等门槛的“in”，最终走向无边界融合的“and”，这一演进路径体现了二者交互门槛持续下降。

2024年，上海人工智能实验室提出AGI for Science（AGI4S），正是为了定义这种共生范式。周伯文指出，AGI4S正处在范式跃迁的临界点，它既要具备低使用门槛，也要筑牢可信赖的底座，更要拥有协同进阶的能力。

“这正是科学共同体与AI领域共同求索的目标：构建可信赖、可共同进化的AGI4S。”周伯文说。

科学研究是下一个编程

去年浦江创新论坛期间，周伯文提出了“AGI4S六问”，分别是边界之问、预测之问、语言之问、交叉之问、验证之问和新科学之问。

周伯文指出，一年过去，“六问”整体均在持续向前突破，其中进展较快的是语言、交叉、验证三问，它们的共性是“做事的方式变了”，行业也越来越认识到仅依靠语言模型远远不够。边界、预测、新科学三问进展相对缓慢，相关领域已有大量科研力量投入攻关，也产出若干局部成果，但学界尚未形成统一共识，也还没有诞生能够催生全新学科的范式级突破。

周伯文同时指出，要实现更大的科研突破，需要跨越五大核心挑战，包括信息爆炸但认知稀缺、假设涌现但验证滞后、工具林立但彼此割裂、成功发表但失败流失、AI生成但可追溯困难。

“这五个困境，本质上属于结构性难题。科学本身需要科学的方法来做，完整链路包含问题发现、行动执行、验证反馈、知识积累，形成闭环。这套科研方法论本身并不稀缺，真正稀缺的是承载这套方法的一体化系统。”基于对这些问题的思考，周伯文提出了“科学研究是下一个编程”的思考。

周伯文认为，科学研究与编程具备很强的同构性，二者都以问题为导向、由认知驱动。但二者之间同样存在显著差异，科学研究难度更高、边界更加开放，价值也更为深远。

我们能否借助AI，让科学研究像编程一样开展？或许，未来科研人员可以立足待解决的科学问题，清晰表达自身的科研意图；AI协同调度文献、数据集、科学知识、计算工具以及自主实验室，贯通从问题界定、假设生成、方案设计，到仿真预测、湿实验验证、结果迭代的完整流程。

“以科学研究是下一个编程这个想法作为桥梁，AI和科学全新的双轮驱动关系便愈发清晰。”周伯文说道。

一方面，科学研究本身能够为AI搭建更高质量的训练场，让科学深度融入AI的成长。科研完整的证据链，催生远长于代码任务的长程推理；科学仪器的使用，对工具调用提出更高要求；大量科研失败案例，则推动仿真纠错能力的发展，把试错经验转化为仿真能力；而开放无边界的科学问题，持续驱动模型自主探索。

另外一个方面，AI也将更深地嵌入科学进程。第一级“加速”已经到来，如今获取AI 工具十分便捷；更核心的第二级是“自主发现”，在人类尚未涉足的搜索空间中挖掘全新规律；第三级是“开辟新的范式”，真正意义上库恩级的科研范式转变，目前尚未真正到来。

“在实践中，我们发现实现双轮驱动有三个关键环节。”周伯文介绍，包括自主进化飞轮、真实科学验证闭环、环境即数据，这三个关键环节连在一起，共同构筑起AI与科学持续互促共进的根基。

打造平台载体

如何把三个关键环节有机串联？

上海人工智能实验室的答案是打造一个能够贯通全流程的平台载体。“书生·端砚”科学发现平台，正是朝着这一目标开展的实践探索。平台打通从科学问题定义、智能方案规划、全域资源调度、分布式验证、认知沉淀，直至小试、中试与产业应用的全链条，为科研任务搭建完整的验证闭环。

在此基础上，“书生·端砚”构建了一套高智力密度、真实反馈驱动的自进化科研环境。科研中的每一次行动、反馈、失败、修正和专家判断，都沉淀为可验证、可学习的科研轨迹。

周伯文介绍，“书生·端砚”已支撑一系列创新实践，包括“从0到1”加速源头创新，“从1到10”加速小试和中试、完成工业放大，“从10到100”推动量产使用，实现成果的工业化、规模化转化。

展望未来，周伯文认为AGI4S有望实现三大价值。

第一是创新体系大扩容。AGI4S将极大放大个体科研人员的研究能力，降低科研参与门槛，让过去受各类条件限制、难以入局的研究者，能够深度参与科研探索。

第二是创新链条全贯通。AGI4S既提升个体科研效率，也赋能有组织科研，可以助力跨大学科融通，打通从创意构思到实验验证的路径，串联产学研用各环节，实现创新全链条贯通。

第三是创新活力全面激发。周伯文认为，科研团队最有可能成为AI原生的组织。AI原生组织指，从问题设定、思维方式到研究方法，都以“如果AI来做，它会如何开展”为标尺重新审视。“科研的本质就是持续探索未知，当科研团队成长为AI原生组织，创新活力将被充分释放，AI也将真正成为科学家的可靠伙伴。”他说道。