AI给出答案的前提，是人类构建思维链

　　【学者辨析】

　　如果人类攻克一道科学难题需要100年，那人工智能（AI）要用多久？

　　让我们来看三组数字：单克隆抗体技术的核心任务之一，是从康复者体内快速找到对症抗体，传统流程通常需要4年左右，在AI与生物技术协同推动下，从筛选到给患者用药时间被压缩到90天；困扰了生物学界半个世纪的蛋白质折叠问题，AI介入后从早期探索到取得关键突破只用了约2年；而面对提出了近200年的纳维—斯托克斯方程相关数学难题，一万个智能体连续协同推演88小时便给出了证明材料（结果尚待权威数学机构检验），所用时间仅为人类探索尺度的万分之零点五。

　　将这三个案例连在一起看，一个规律清晰可见：问题越古老、越基础，AI提效的空间往往越大。但提效只是浮在水面的结果，本质在于人类能够拓展的认知空间变大了。更要看到的是，AI给出答案的前提，是人类科学家在定义问题、设置任务、积累数据，乃至构建思维链。与其说是AI解出了难题，不如说是人类在AI的协助下拓展了边界。这带来的不仅是解题速度的提升，更是一场深刻的科研范式之变。

不是所有科学问题都可以交给模型解决

　　AI与科学究竟是什么关系？我们常说的“AI for Science（人工智能驱动的科学研究）”，隐含着AI是被动工具的预设，如同门外访客，按需被请进门做局部计算。如今，技术已步入“AI in Science（科学研究中的人工智能）”，AI成为科研流程的常驻者，端到端融入科研全流程并形成闭环，赢得了科学家的信任。但未来更应是“AI and Science（人工智能与科学研究）”，二者共同建构科学体系，形成深度交织的共生生态，在持续交互中越用越强。

　　2024年，我们提出“AGI for Science（驱动科学发现的通用人工智能）”（AGI4S），核心正是定义这种共生范式，而模型是否已达到通用人工智能（AGI）反而不是必要前提。这一路径也体现出人机协作门槛的持续降低：从高门槛的“for”，到中等门槛的“in”，最终走向无边界融合的“and”。

　　AGI4S正处在范式跃迁的临界点，既要具备低使用门槛，也要筑牢可信赖的技术底座，更要拥有协同进阶的内生能力。构建可信赖、可共同进化的AGI4S，也是科学共同体与人工智能领域共同求索的目标。

　　人工智能深入科学，并不意味着所有科学问题都可以简单交给模型解决。在一年前的浦江创新论坛上，我曾提出“AGI4S六问”：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。当时的判断是：边界、预测、语言三问容易被短期高估；交叉、验证、新科学三问，从十年以上长远视角来看，更容易被低估。

　　一年过去，“六问”涉及的探索都在向前推进，但进展并不均衡。语言、交叉和验证，主要涉及研究方式与协作形态的变化，共识凝聚相对较快，工程推进也更明显；而边界之问、预测之问与新科学之问，则直面智能的本质——科学智能的边界究竟在哪里？AI的预测能力能否全面超越现有计算方法？当前的大模型训练方法仍受限于人类已有知识语料，若不在架构和推理上突破原有框架，仅靠大模型难以真正揭示未知的深层科学规律。这些问题关乎科学发现的底层逻辑，进展依然缓慢而艰难。

　　全球科研团队已在相关方向展开攻关并取得了一些进展，但尚未形成广泛共识，也还没有催生全新学科的质变突破。这促使我们继续深思：推动AGI4S由量变走向质变，根本动力从何而来？

科研不仅需要AI，更是训练下一代AI的重要环境

　　破局的关键，是形成AI和科学的双轮驱动，我曾提出一个判断——“科学研究是下一个编程”。这并不是说科研很快就能像编程一样高度自动化，而是强调：科学研究不仅需要人工智能，更是训练下一代人工智能的重要环境。

　　代码能否运行，通常在数秒内就有明确结果；科学实验却可能数周甚至数月后才得到反馈。即使失败，也往往难以立即判断究竟是假设错误、方法不当，还是物理实验条件出现了偏差。但正是这种复杂性，清晰暴露了模型在长程推理、不确定性处理以及从失败中学习的局限。科学研究迫使模型走出已有答案的范围，面对真实物理世界的检验。

　　实现AI与科学的双轮驱动，需要三个关键环节：一是自主进化飞轮，让模型在提出假设、执行验证和获得反馈中持续自我改进；二是真实科学验证闭环，让假设接受计算、实验和复现的检验；三是“环境即数据”，最具价值的学习素材并非论文中精选出的最终正向结论，而是探索过程中的试错轨迹、多分支尝试与纠偏记录。只有把失败经验转化为可迁移的训练信号，智能系统才算获得了真正的探索能力。

　　这条路线很快得到印证，就在今年10月初，数学家团队与大模型协同完成了悬置30余年的三维吉斯（Ghys）猜想证明。法国数学家艾蒂安·吉斯1995年提出这项猜想，探索能否将看似无序的复杂运动归入结构清晰、可严格分析的数学模型。面对这一世界级难题，数学家团队负责把握研究方向、研判关键路径，大模型参与问题拆解、探索候选路径并开展长程推演，再由相关团队借助形式化工具完成严格核验。这一突破的价值，不仅在于一个具体问题取得进展，更在于实现了专家判断、机器推演与严格核验的高效协同，让“通专融合”的探索机制在最具智力挑战的数学前沿得到了验证。

AI可以大胆假设，但科学结论必须可验证

　　要将人机协同的经验沉淀为普遍科研能力，必须依靠能够贯通全流程的平台载体，打通从科学问题定义、方案规划、全域资源调度、分布式验证，直至小试、中试与产业应用的全链条。有了这样的平台，“环境即数据”可从理念走向工程现实：实验中的每一次行动、反馈、参数微调与专家校准，均沉淀为可验证、可学习的科研轨迹。平台把逻辑推演、干湿实验与工程放大连接起来，不仅加速“从0到1”的源头假设产生，更切实服务“从1到10”的技术迭代与“从10到100”的产业扩大。

　　平台的长远价值不仅在调度算力与工具，更在于构建共享的研究条件，让更多科学家站在共同的高原上攀登各自学科的高峰，让一次探索留下的方法、数据与经验，成为下一次探索的起点。

　　面对新一轮科技革命与产业变革，人工智能必将不断拓宽人类的认知边界。AI可以大胆假设，科学结论却必须可验证、可追溯、可复现，这条底线不会松动。科学探索的罗盘，始终掌握在人类的心智、好奇心与价值判断之中。决定什么问题值得追问、什么证据足以支撑结论，始终是科学家的核心职责。

　　从解题到发现，人工智能与科学的双轮驱动，绝非让机器替代人思考，而是让人的洞察获得更有力的延伸与支撑，让科学在探索中不断催生新的问题、新的方法和新的答案。

　　（作者：周伯文，系上海人工智能实验室主任、首席科学家）

　　（项目统筹：本报记者 陈海波）