问题越古老，AI的发展空间越大。在今天下午举行的2026浦江创新论坛上，上海人工智能实验室主任周伯文指出，站在2026 年回望，过去几年，AI与科学已深度交织。科学越来越需要人工智能拓展思考空间，人工智能也越来越需要科学作为真实的训练场和检验标准。从“0到100”，AI贯穿科研全链条，从源头思想、系统发明，一直打通到产业落地，重塑基础研究到成果转化的完整创新范式。
“如果一道人类要思考一百年的难题，引入AI之后会发生什么？” 周伯文开篇抛出的问题，在三个科研案例中得到印证：单克隆抗体技术问世之后，从康复者体内筛选有效抗体，传统完整研发流程需要四年。新冠疫情期间，AI与生物学家协同合作，从机器筛选到最终给药，整个周期缩短至90天，“AI把工作量压缩到原来的6%。”
困扰学界51年的蛋白质折叠难题，AlphaFold只用两年时间就取得关键性突破，耗时仅相当于人类探索周期的4%？而拥有两百年历史的千禧年难题NS方程，上万智能体连续运算88小时得到阶段性结果，尽管还没有获得克雷数学研究所的最终确认，但已经充分展现出AI的巨大潜力。
“我们能看到一个规律，问题越是古老、越是基础AI带来的提升空间就越大。”周伯文提醒，亮眼的效率数据背后，主次关系并不会混淆。“AI不是要替代科研人员，而是要成为真正好的科研伙伴。这些成果毫无疑问都是人类主导，AI参与。”问题定义、数据搜集、科学思辨，这些核心环节仍然依靠人类科学家。
演讲中，他梳理出AI和科学关系演进的三重境界：早期是AI for science，AI如同到访的“访客”，只是作为外部工具提供辅助；如今已经迈入AI in science阶段，AI成为科研体系里的 “常住者”，端到端参与假设生成、实验验证全流程；未来的终极形态是 AI and science，二者走向体系共生，双向互相滋养。在周伯文看来，AI推动科学进步，科学反过来也为AI提供真实的训练场和检验标准。
不仅仅是基础研究领域，AI实际上可以贯通0‑1原始创新、1‑10技术发明、10‑100产业转化完整链条。不过，现实阻碍有待进一步突破。周伯文直言当下科研领域正处在 “知识最丰富，认知最稀缺” 的阶段，摆在AI for Science面前有五大结构性难题：海量论文数据激增，但对未知的有效判断依旧稀缺；AI快速生成大量假设，却受限于高昂的验证成本难以闭环；各类科研工具林立却相互割裂；失败的实验经验得不到沉淀，无效重复大量存在；AI输出过程难以追溯，科研可信性受到挑战。
“构建起完整科研反馈关联体系，将是下一个如同编程一般重要的核心能力。” 在他看来，科研未来要效仿计算机编程这套模式，即把问题—假设—实验—验证—失败沉淀这一套相互关联的反馈关系体系搭建起来。理想状态下，科研应当像代码开发一样，拥有清晰反馈、完整可追溯、失败经验可沉淀。想要实现这一愿景，需要突破自主进化、真实验证闭环、“环境即数据”三大技术关卡。
据介绍，上海人工智能实验室打造书生・端砚专业平台，尝试打通从科学问题定义、方案规划，到小试中试直至产业落地的全流程，把科研过程中的成败、纠错全部沉淀为可复用数据。实验室与武汉大学合作的电化学合成项目，已经完成全链条创新闭环，将原本5‑10年的研发周期压缩至1‑2年。“毫无疑问，AI会不断改写人类的知识边界，也必将加速人类的科学发现。但科学探索的罗盘，始终应该由人类的心智、好奇心和价值判断来掌握。”周伯文说。
金牛配资提示：文章来自网络，不代表本站观点。
