上海人工智能實驗室主任、首席科學(xué)家周伯文在浦江創(chuàng)新論壇

撰文｜周伯文

人工智能（AI）正在重新定義科學(xué)研究的邊界。它在科學(xué)領(lǐng)域的應(yīng)用，正在引發(fā)一場前所未有的革命，不僅挑戰(zhàn)著我們對科學(xué)問題的理解，還可能重塑未來的知識邊界。

9月21日下午，在上海舉行的2025浦江創(chuàng)新論壇（第十八屆）人工智能賦能科學(xué)研究專題論壇上，上海人工智能實驗室主任、首席科學(xué)家周伯文教授提出《AGI for Science之六問》，提出了幾個關(guān)鍵性問題：AI真的能突破一切科學(xué)難題嗎？AI的預(yù)測能力是否全面超越現(xiàn)有計算方法？它能超越人類的認(rèn)知極限，開辟出全新的科學(xué)疆域嗎？

在他看來，“人們總是高估技術(shù)的短期變化，卻低估其長期變革”。當(dāng)前 AI 在通用問題求解和替代傳統(tǒng)預(yù)測方法等方面可能被高估，但其在促進(jìn)學(xué)科交叉融合、催生新科學(xué)領(lǐng)域以及協(xié)助人類推導(dǎo)和驗證重大理論創(chuàng)新等方面的深遠(yuǎn)潛力卻往往被低估。

“AI 正在加速拓展知識邊界，但科學(xué)探索的羅盤始終是人類的心靈、好奇心與價值觀來指引”，周伯文提出：“把握被高估的當(dāng)下，投身被低估的未來。預(yù)測未來最好的方法就是創(chuàng)造未來！”

以下為演講全文：

各位來賓下午好！AI能力的飛速躍升，使得我們今天所討論的話題，已經(jīng)從 AI for Science， 跨越到 AGI for Science 階段。對戰(zhàn)略性問題的探索與思考，是我長期關(guān)注的課題，因此也想借此報告，與大家分享關(guān)于這個領(lǐng)域的一些根本性問題。

當(dāng)一個領(lǐng)域變得炙手可熱時，我們往往會想起一句老話：人們總是高估一項技術(shù)的短期影響，導(dǎo)致出現(xiàn)泡沫；但從長遠(yuǎn)來看，卻又容易低估其革命性的潛力——這就是“阿瑪拉定律”（Amara’s Law）。在 AGI for Science 領(lǐng)域里，是否也正陷入同樣的認(rèn)知偏差：對其短期變化高估，而對其長期變革影響低估？

我提出這些問題的初衷，是希望幫助年輕的研究者們更好地辨別，哪些科學(xué)問題值得從更長遠(yuǎn)的角度深入思考。

01 第一問 邊界之問：所有科學(xué)問題是否都能被人工智能解決？

我的第一個問題是：科學(xué)智能的邊界在哪里？

AI for Science 的能力范圍究竟有多大？什么是 AI 能夠解決的科學(xué)問題，什么又是它不能解決的？如果我們對這一點(diǎn)缺乏清晰的認(rèn)知，就很容易陷入“AI 萬能”的誤區(qū)。

這并非一個新問題。盡管 AI for Science 是一個新興的技術(shù)領(lǐng)域，但類似的思辨早在百年前的數(shù)學(xué)界就已展開。當(dāng)計算尚處于萌芽階段時，數(shù)學(xué)家們就激烈爭論，所有數(shù)學(xué)命題是否都能通過機(jī)械化方式解決。其中，大衛(wèi)·希爾伯特和威廉·阿克曼提出的“數(shù)學(xué)可判定性問題（Entscheidungsproblem）”尤為著名：是否存在一種通用方法，能夠在有限步驟內(nèi)判定任意數(shù)學(xué)陳述的真假？然而，“哥德爾不完備定理”的出現(xiàn)，基本否定了這種可能性。十年后，計算機(jī)科學(xué)理論的重要奠基人阿隆佐·丘奇和艾倫·圖靈從算法層面進(jìn)一步證明，此種通用算法并不存在。讓解決這一問題陷入“幻滅”。

有意思的是，吳文俊先生在上世紀(jì)70年代，開創(chuàng)了機(jī)器證明（或稱“數(shù)學(xué)機(jī)械化”）這一領(lǐng)域，他創(chuàng)立的方法后被國際稱為“吳方法”。以他名字命名的獎項被譽(yù)為“中國智能科技最高獎”。他將幾何定理的證明轉(zhuǎn)化為代數(shù)方程的處理。通過一系列高度創(chuàng)新的數(shù)學(xué)轉(zhuǎn)化（如“三角化”），將復(fù)雜的幾何關(guān)系表示為多項式方程，然后通過符號計算來判定定理是否成立。吳文俊先生證明了，初等幾何以及一大類微分幾何定理的證明可以完全機(jī)械化。這意味著，對于這些領(lǐng)域的定理，存在一個統(tǒng)一的算法，能夠判斷其真?zhèn)危谔囟I(lǐng)域?qū)崿F(xiàn)了這個夢想。

這段歷史告訴我們，從大膽假設(shè)、到被證偽、再到新的突破，期間曲折的過程恰恰是科學(xué)發(fā)展的魅力所在。

今天我們面對 AI for Science，亦應(yīng)懷抱同樣的思考：在大家紛紛投身這一領(lǐng)域的同時，是否認(rèn)真追問過它的能力邊界？“邊界之問”可視為“AI for Science 的希爾伯特之問”。如果我們認(rèn)同這是一個根本性問題，那么“AI for Science 的哥德爾定理”在哪？誰將成為破解這一難題的“圖靈”和“丘奇”？誰又能提出屬于我們這個時代的“吳方法”？

這是一個激動人心的時代，每一個問題都值得深入研究和討論。

02 第二問 預(yù)測之問：AI的預(yù)測能力是否全面超越現(xiàn)有計算方法

第二個問題，我稱之為“預(yù)測之問”。

什么是科學(xué)？科學(xué)的關(guān)鍵特征之一是，能否準(zhǔn)確預(yù)測系統(tǒng)將要發(fā)生什么。但我們不應(yīng)高估當(dāng)前的大語言模型或數(shù)據(jù)驅(qū)動方法，認(rèn)為它們能準(zhǔn)確預(yù)測一切科學(xué)現(xiàn)象。以諾貝爾獎成果AlphaFold為例，它能夠精確預(yù)測蛋白質(zhì)三維結(jié)構(gòu)，但我們?nèi)噪y以通過模型深入理解蛋白質(zhì)的折疊機(jī)制——預(yù)測的準(zhǔn)確性并未帶來認(rèn)知上的新突破。

同樣，對于復(fù)雜系統(tǒng)如三體問題，神經(jīng)網(wǎng)絡(luò)難以精準(zhǔn)預(yù)測其長期的混沌行為。關(guān)鍵在于，當(dāng)前的大模型訓(xùn)練方法仍受限于人類已有認(rèn)知，我們“喂”給模型的數(shù)據(jù)本身已被人為約束。若不能突破原有認(rèn)知框架，則僅依賴大模型難以真正精準(zhǔn)揭示科學(xué)規(guī)律。

如何應(yīng)對這一問題？在今年的世界人工智能大會上，我們將早先提出的“通專融合” AGI技術(shù)路徑進(jìn)一步細(xì)化為SAGE（Synergistic Architecture for Generalized Expertise，中文含義為“智者”），強(qiáng)調(diào)在基礎(chǔ)模型、融合協(xié)同和探索進(jìn)化等多個層面，融入物理世界的真實規(guī)律。在物理、歷史與物質(zhì)研究中，初始條件、邊界約束與對稱性等應(yīng)作為人工智能求解空間的重要約束。

03 第三問 語言之問：對于科學(xué)表征，如何超越自然語言？

第三個問題是“語言之問”：我們?nèi)绾纬阶匀徽Z言，實現(xiàn)對科學(xué)更有效的表征？

自然語言是人類智能的極致體現(xiàn)、智慧的濃縮。當(dāng)前的大型語言模型，本質(zhì)上正是對人類自然語言的壓縮模型，并由此催生了令人矚目的智能涌現(xiàn)現(xiàn)象。然而，根本性問題在于：繼續(xù)向前推進(jìn)，自然語言是否足以表征所有的科學(xué)現(xiàn)象？

我認(rèn)為答案很可能是否定的。這一點(diǎn)可以追溯到荷蘭計算機(jī)科學(xué)家、1972 年圖靈獎得主埃德斯加·迪杰斯特拉（Edsger Dijkstra）很早前提出的觀點(diǎn)：他對使用自然語言進(jìn)行編程持懷疑態(tài)度。當(dāng)然，以今天的 AI 技術(shù)來看，自然語言編程已不再是不可逾越的障礙——AI 在理解和生成代碼方面表現(xiàn)越來越強(qiáng)。最近的突破表明，AI 編程能力已在奧林匹克競賽中匹敵人類。

但迪杰斯特拉思想的深刻之處在于，他揭示了為什么自然語言本身是不夠的。他指出，古希臘數(shù)學(xué)長期依賴口頭表達(dá)與圖形輔助，導(dǎo)致思維發(fā)展在一定階段陷入停滯，直至符號系統(tǒng)的引入才帶來轉(zhuǎn)機(jī)；阿拉伯“代數(shù)”在采用阿拉伯?dāng)?shù)字后一度蓬勃發(fā)展，但在回歸修辭導(dǎo)向的表達(dá)方式后，發(fā)展再度減緩；而現(xiàn)代科學(xué)文明能夠在歐洲迅速傳播與深化，很大程度上得益于韋達(dá)、笛卡爾、萊布尼茨等學(xué)者所推動的數(shù)學(xué)形式化革命——正是通過建立嚴(yán)謹(jǐn)符號體系并引入精確的數(shù)學(xué)符號，才實現(xiàn)了對科學(xué)知識的清晰、系統(tǒng)且可推演的表征。

這引發(fā)了更深層的思考：科學(xué)所描述的物理世界早在人類誕生之前就已存在，科學(xué)自有其內(nèi)在的規(guī)律，我們?nèi)绾文軌蚣俣ㄗ匀徽Z言，且不說涵蓋所有科學(xué)內(nèi)容，足以完全捕捉自然界的本質(zhì)行為？從表達(dá)的角度來看，自然語言的誕生遠(yuǎn)遠(yuǎn)晚于世界本質(zhì)的誕生，它是否能夠精確表征自然界的運(yùn)行方式？我認(rèn)為答案是否定的。

其次，從理解方式來看，自然語言無疑有助于人類理解和傳播科學(xué)知識，我們的教科書、師徒傳授都依賴自然語言。但這種理解是否最精確？是否足以支撐人工智能實現(xiàn)更好的泛化？精確的科學(xué)規(guī)律是否一定能以被人類直觀理解的方式呈現(xiàn)？我認(rèn)為答案也大概率也是否定的。

正因如此，我認(rèn)為，未來的“AI for Science”應(yīng)當(dāng)邁向“AGI for Science”，這不僅意味著能力需從狹義 AI 提升至AGI（通用人工智能），也意味著我們需要從純粹依賴自然語言，走向自然語言與符號語言等多種表示形式的融合。如果我們對“AI for Science”懷有期待，那么更應(yīng)寄望于“AGI for Science”。

因此，我們主張探索自然語言與形式化語言的結(jié)合。自然語言可視為人類對物理世界觀察的主觀投影，而形式化語言則可能更貼近自然世界最本質(zhì)、最底層的規(guī)律。

所以，目前上海人工智能實驗室也正基于自然語言與多模態(tài)表征，進(jìn)一步開展對多尺度、多來源、異構(gòu)數(shù)據(jù)的統(tǒng)一數(shù)字表征研究，其中的重點(diǎn)為加強(qiáng)形式化表征方法的探索與融合。

04 第四問 交叉之問：AGI for Science 不只在于AI與其他學(xué)科交叉，還能帶來新的融合？

第四個問題是“交叉之問”。

關(guān)于交叉的問題，我特別想與在座各位自然科學(xué)與社會科學(xué)研究者分享。

當(dāng)我們談?wù)?AI for Science 時，是在談?wù)撌裁?？很多研究者可能首先會想到，如何將人工智能?yīng)用于自己的學(xué)科中——這當(dāng)然極具潛力。但我想強(qiáng)調(diào)的是，AI for Science 最具魅力的地方，遠(yuǎn)不止于 AI 對單一學(xué)科的賦能，更在于它如何促進(jìn)不同學(xué)科之間的深度融合，激發(fā)出新的交叉學(xué)科與多學(xué)科激勵效應(yīng)。不同科學(xué)領(lǐng)域能契合在一起這點(diǎn)并不明顯，但考慮到自然界的底層結(jié)構(gòu)，存在共通性也并不令人驚訝。要識別不同領(lǐng)域之間的共通之處，可以期待人工智能提供幫助，一旦了解了某個領(lǐng)域的模式，就可以期待發(fā)現(xiàn)另一個領(lǐng)域的對應(yīng)關(guān)系。這才是 AGI for Science 所能帶來的核心價值：它應(yīng)不斷啟發(fā)、誘導(dǎo)乃至催生全新的學(xué)科方向——這正是充分發(fā)揮能力的關(guān)鍵所在。

歷史上這樣的例子并不少見。比如，沃倫·韋弗（Warren Weaver）在二十世紀(jì)三十年代就敏銳地意識到，生物學(xué)的未來在于與物理學(xué)、化學(xué)和數(shù)學(xué)的交叉融合。他將這一趨勢稱為“一股尚未積蓄力量的新浪潮”。從 1933 年起，他將洛克菲勒基金會年度預(yù)算的 80% 投入交叉科學(xué)研究。短短5年后，該領(lǐng)域已涌現(xiàn)大量原創(chuàng)突破。1938 年，這一新興領(lǐng)域正式命名為“分子生物學(xué)”。此后數(shù)十年間，這一認(rèn)知指引了分子生物學(xué)領(lǐng)域多項革命性進(jìn)展，為發(fā)現(xiàn)DNA 雙螺旋結(jié)構(gòu)、現(xiàn)代遺傳、生物技術(shù)等奠定了基石。

在當(dāng)時，學(xué)科交叉仍依賴于個別人物的遠(yuǎn)見與某家機(jī)構(gòu)的大力推動。但在今天的 AGI 時代，我們完全有可能借助通用人工智能，更系統(tǒng)、更高效地實現(xiàn)學(xué)科間的融合與洞察，而不再僅僅依賴“個人英雄式”的發(fā)現(xiàn)。這正是 AGI for Science 在“交叉之問”上的根本使命：其核心價值不在于 AI 與某一學(xué)科的簡單結(jié)合，而在于 AI 成為多學(xué)科交叉融合的催化劑與加速器——這將幫助我們看見人類尚未看見的聯(lián)系，構(gòu)建人類尚未構(gòu)建的科學(xué)范式。

上海人工智能實驗室于今年初啟動了“AI4S攀登者行動計劃”，其核心目標(biāo)正是打造能夠驅(qū)動科學(xué)革命的工具平臺——通過 AGI 實現(xiàn)跨學(xué)科的深度融合與顛覆性創(chuàng)新的系統(tǒng)性涌現(xiàn)。

05 第五問 驗證之問：如何判斷AI有能力做出重大科學(xué)發(fā)現(xiàn)

第五個問題：驗證之問。

我們應(yīng)如何判斷 AI 有能力做出重大科學(xué)發(fā)現(xiàn)？

當(dāng)前，我們對AI for Science抱有極高期望——不僅希望它輔助解題或進(jìn)行數(shù)學(xué)模擬，更期待它實現(xiàn)真正意義上的重大科學(xué)突破。

自 2022 年以來，我持續(xù)思考一個思想實驗，并將其確立為團(tuán)隊和學(xué)生的核心研究課題。實驗的設(shè)定如下：假設(shè)我們開發(fā)出了一套卓越的 AI for Science 系統(tǒng)或大模型，那么應(yīng)如何驗證其科學(xué)發(fā)現(xiàn)能力？我的提議是：將該系統(tǒng)“送回”1905 年（那一年愛因斯坦剛剛提出狹義相對論），限定該AI系統(tǒng)僅基于1905年之前的所有科學(xué)論文與已知觀測結(jié)果，那么它能否自主推導(dǎo)出廣義相對論？我認(rèn)為，這是衡量“AGI for Science”能否實現(xiàn)終極突破的關(guān)鍵設(shè)問。

這一思想實驗的本質(zhì)，是追問科學(xué)突破的根本來源。廣義相對論究竟是如何誕生的？科學(xué)研究的躍進(jìn)究竟依賴什么？我曾在今年的中關(guān)村論壇也分享過這一觀點(diǎn)：科學(xué)研究的核心并非僅靠工具提升局部效率，而在于對“研究者—研究工具—研究對象”三者關(guān)系的系統(tǒng)性重構(gòu)與本質(zhì)思考。

以相對論為例：研究者愛因斯坦擁有非凡的物理直覺與思維洞察，尤其對等效原理具有深刻把握。據(jù)他回憶，某些具體對象（如坐在電車上看見鐘樓時構(gòu)想“若電車以光速行駛會如何”）激發(fā)了他通過思想實驗推演出狹義相對論。然而，受限于當(dāng)時未能掌握黎曼幾何，愛因斯坦未能立即將狹義相對論推演至廣義形式——直至引入“黎曼幾何”。

因此，這一思想實驗的關(guān)鍵并不在于 AI 系統(tǒng)讀了多少論文，畢竟如今的大模型閱讀海量文獻(xiàn)已不足為奇，真正的差異化能力在于：能否將“黎曼幾何”與狹義相對論相結(jié)合，從而推導(dǎo)出廣義相對論？這對 AI 系統(tǒng)提出了更高要求：它必須對物理具備直覺般的推演能力、從實驗現(xiàn)象（如水星軌道近日點(diǎn)的驗證）中獲得啟發(fā)，并能跨學(xué)科融合數(shù)學(xué)與物理知識，從而實現(xiàn)真正的科學(xué)范式躍遷。

上述正是“驗證之問”的意義。我們不能僅滿足于宣稱某個模型“達(dá)到了博士水平”，而應(yīng)朝著遠(yuǎn)大的目標(biāo)持續(xù)探索。盡管當(dāng)前這一目標(biāo)仍很遙遠(yuǎn)，但正如任何偉大事業(yè)都需要宏偉的愿景，這也應(yīng)當(dāng)成為 AGI for Science 堅定不移的方向。

06 第六問 新科學(xué)之問：AGI將輔助更多學(xué)科發(fā)展“精確”視

第六個問題：新科學(xué)之問。

當(dāng)前，不少研究者正致力于推動“AI for Social Science”與“AI for Engineering”。我認(rèn)為，這些方向與“AI for Science”并無本質(zhì)區(qū)別，因為它們共同的核心，都是重構(gòu)研究者、研究對象與研究工具三者之間的關(guān)系。上述五個問題——邊界之問、預(yù)測之問、語言之問、交叉之問與驗證之問——同樣適用于社會科學(xué)與工程領(lǐng)域。

但我更想強(qiáng)調(diào)，AI 的出現(xiàn)與能力提升，為社會科學(xué)與工程研究帶來了顛覆性的新機(jī)遇。在藝術(shù)、歷史、哲學(xué)等人文社科領(lǐng)域中，許多學(xué)科已發(fā)展得相當(dāng)成熟，那么AI能否為社會科學(xué)研究者提供新的分析視角與更精確的度量工具？

科學(xué)的發(fā)展往往始于對精確的度量與推理的追求。例如在藝術(shù)領(lǐng)域，為什么眾人皆認(rèn)為，徐悲鴻的馬寥寥數(shù)筆卻神韻非凡？為什么留白成為中國藝術(shù)中的高級表達(dá)？這些審美判斷背后是否存在可量化的美學(xué)原則？

我們曾使用西方主流閉源大模型對梵高和徐悲鴻的作品進(jìn)行評分，結(jié)果發(fā)現(xiàn)前者得分很高，后者卻非常低。這顯示出模型受限于訓(xùn)練數(shù)據(jù)與價值觀偏見，因而未能真正理解東方美學(xué)中的精妙表達(dá)。

為此，上海人工智能實驗室與中國美術(shù)學(xué)院聯(lián)合推出“書生·妙析”美學(xué)大模型，基于 Intern-S1"書生"大模型和 Intern·Bootcamp大模型“加速訓(xùn)練營”，以可量化的方式，“教會”模型如何理解徐悲鴻筆下的馬、如何鑒賞留白的意境。這一探索帶來了新的啟示：對于所有的社會科學(xué)，能否從非結(jié)構(gòu)化的原始數(shù)據(jù)中，識別出具有研究價值的模式與特征？

另一方面，“可重復(fù)驗證”是科學(xué)的關(guān)鍵標(biāo)準(zhǔn)，AI能否推動社會科學(xué)乃至工程實驗，實現(xiàn)如自然科學(xué)般的可重復(fù)性？我們能否借助大規(guī)模、可重復(fù)的AI實驗（類比自由落體、粒子對撞實驗等），提供系統(tǒng)研究框架、激發(fā)創(chuàng)新視角？

當(dāng)然，必須明確指出：我們提出“AGI for Science”，并非要以 AGI 取代人類，而是強(qiáng)調(diào)人與 AI 的協(xié)同?？蒲惺且豁椄邔哟蔚闹橇顒?，其中蘊(yùn)含了人類的生物多樣性、個體體驗以及深層的哲學(xué)與文化思考。“AGI for Science” 必須以精細(xì)而審慎的方式推進(jìn)，不能僅將 AGI 視為工具交付給科學(xué)家，而應(yīng)構(gòu)建以科學(xué)家為中心，人類與 AGI 高度協(xié)作的新范式。

人類科學(xué)家的珍貴品質(zhì)更不能忽視：例如，阿基米德在外敵入侵的生死關(guān)頭，保護(hù)的是未完成的證明，對科學(xué)的執(zhí)著超越個體存亡；基于數(shù)學(xué)形式的優(yōu)雅與內(nèi)在和諧的科學(xué)直覺，更讓麥克斯韋堅信并預(yù)言了電磁波的存在；費(fèi)曼說“科學(xué)是偉大的娛樂”，許多人讀過《別逗了費(fèi)曼先生》，書中記錄了許多旺盛好奇心的故事；特別值得一提的是，中國科學(xué)家屠呦呦，在200余種不同樣品失敗后，單對于青蒿一種，第191次實驗中才“真正發(fā)現(xiàn)了有效成分”，這些堅韌美好的品質(zhì)，是人類科學(xué)事業(yè)中不可替代的核心。

因此，我們認(rèn)為真正的 AGI for Science，應(yīng)是以人類科學(xué)精神和智力為羅盤、以 AGI 為引擎的協(xié)同探索，絕不能本末倒置。

如果我們認(rèn)同“預(yù)測未來最好的方式就是創(chuàng)造未來”，在這條邁向 AGI for Science 的路途上，浦江論壇“六問”為我們提供了一個思考的框架：既需清醒認(rèn)識到當(dāng)下可能被高估的能力邊界、預(yù)測可靠性與語言表征的局限，也要關(guān)注那些被低估的遠(yuǎn)方——尤其是交叉學(xué)科的涌現(xiàn)、驗證機(jī)制的建立和新科學(xué)范式的形成。

我們需要應(yīng)統(tǒng)籌資源、做好整體規(guī)劃，致力于 AGI for Science 的長遠(yuǎn)布局。我們不能簡單地提“AI for 某學(xué)科”，而應(yīng)前瞻那些尚未形成的新交叉領(lǐng)域。未來的突破，將來自于人類與 AGI 的共同探索，讓科學(xué)變得更有趣、更富成果，也更具獲得感。

浦江創(chuàng)新論壇由中華人民共和國科學(xué)技術(shù)部和上海市人民政府共同主辦，創(chuàng)設(shè)于2008年，論壇始終圍繞創(chuàng)新主題,旨在匯聚全球創(chuàng)新力量研討科技創(chuàng)新趨勢、構(gòu)建開放創(chuàng)新生態(tài)、凝聚創(chuàng)新治理共識，積極應(yīng)對時代挑戰(zhàn)和重要全球性問題。十八年來,論壇著力匯聚全球科技創(chuàng)新資源,推動創(chuàng)新鏈、產(chǎn)業(yè)鏈和服務(wù)鏈深度融合。數(shù)萬余名創(chuàng)新開拓者匯聚一堂。三千余位政界高層、學(xué)界泰斗和商界精英交鋒觀點(diǎn)“論壇+展覽"交相輝映,百多場主題活動描繪創(chuàng)新發(fā)展藍(lán)圖,上千家權(quán)威智庫和機(jī)構(gòu)共結(jié)創(chuàng)新碩果,一大批研究和合作成果傳遞創(chuàng)新理念。