“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。”近日，上海人工智能实验室主任、首席科学家周伯文受邀参加2026浦江创新论坛主论坛并发表主旨演讲，分享了人工智能赋能科学研究的新进展与前沿思考。以下为演讲内容摘编。

科学难题越古老基础，AI提效空间越大

如果人类思考一道难题花100年，AI需要多久？

请大家看3个时间坐标。

第一个，单克隆抗体。1975年问世，从患者体内找到对症抗体，传统流程要走4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，蛋白质折叠。1969年该问题被提出，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，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。

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。但我要强调的是：我们关注的不应只是效率，而是AI与科学相互深化的关系本身。

这3个问题，毫无疑问都是人类主导、AI参与。当我们惊叹AI取得突破时，不能忽略背后人类的核心贡献——由人类定义科学问题、构建数据集、设计提示词与思维链，这些才是实现突破的根基。

从科技创新到产业创新全链条贯通

我们之所以高度重视AI对科学研究的赋能，核心在于AI能够全链路重塑科技创新范式，实现从科技创新到产业创新的全链条贯通、一体落地。

在“从0到1”的原始创新阶段，AGI4S能够将科研中大量隐性、散落的碎片化思考，转化为清晰可落地的科学假设，让大范围跨领域交叉创新成为常态。传统学科壁垒，在很大程度上遮蔽了问题本质、降低了科研判断的准确度；而在AGI4S的赋能下，学科边界持续消融，科学家可以跳出细分领域的固有视角，更纯粹、更精准地看清问题本源。

在“从1到10”的技术迭代阶段，创新更多是对已有知识、技术路径的检索、排列与重组。AGI4S让这一过程走向规模化、体系化，将过去偶然性、个体化的发明探索，升级为标准化、可迭代的创新工程。

谈到这里，想与诸位分享我的一个洞察：现代创新工程化的鼻祖是爱迪生，他真正划时代的贡献，并不是灯泡本身，而是创造了创新的组织形式——他搭建的门洛帕克实验室，汇聚物理、化学、机械等多学科专家，通过紧密协作、并行实验、系统化探索，把零散的科研尝试固化为可复制、可持续的创新机制，灯泡只是这套先进组织体系的副产品。AGI4S正是以智能范式，对这套经典创新组织模式进行全方位重构与升级。

在“从10到100”的产业规模化阶段，AGI4S能够大幅加速科技成果量产落地，缩短传统小试、中试的冗长流程，催生爆发式成果转化，真正实现科技创新与产业创新双链融合、深度共创。

借助AI让科学研究像编程一样开展

科研属于极高智力密度的工作，我们预计AI还需要经历两到三轮能力跃升，才能更好地辅助科学家开展前沿探索。

基于对上述问题的思考，我在2026年初提了一个大胆的判断：科学研究是下一个编程（Research is the Next Coding）。

关注AI的同仁都清楚，编程是当前AI落地规模最大、生产力提升最为显著的应用赛道。究其根本，代码任务具备信号密集的反馈机制：评判标准清晰明确，反馈即时，验证可自动化执行，失败经验能够沉淀复用，整个过程全程可追溯。

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。科研的验证依托真实实验室，检验来自数字仿真或是物理世界；试错过程产生的失败经验，很难转化为可复用资产。同时，科研的推理链条更长，有效反馈信号本身十分稀缺，甚至还会收到存在偏差的反馈。

科研领域普遍存在反馈缺失、反馈失真的难题。那么我们能否借助AI，让科学研究像编程一样开展？这就意味着，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。倘若能够实现这一模式，我们是否就能在科学研究中复刻AI在编程里所取得的巨大成功？

AI和科学形成双轮驱动

我们该如何构建全新的科研范式与方法论，让这两个轮子相互带动、循环迭代、协同进阶，持续助力人类形成全新认知，催生原创科学突破？在实践中，我们发现实现双轮驱动有3个关键环节。

第一，自主进化飞轮。AI必须能够在提出假设、执行验证、获得反馈中持续自我改进，就跟科学家一样——从一个博士生受训练走向博士后、独立PI，再到参与有组织科研，直至成为战略科学家。整个过程中，很多场景并不存在外部给出的明确反馈信号，如何实现自主精进、开展更深层次的科学探索，构建越用越强的正向循环，是核心难题。

第二，真实科学验证闭环。科学假设要转化成可执行的实验，并用真实结果验证推理、修正假设，以此推动下一轮探索。

第三，环境即数据。这是上海人工智能实验室新近提出的理念。当前科研不能只依靠文献、分子式、反应式这类静态信息，这些条件必要但并不充分。真正充分的条件，是完整留存科研全流程中的高价值信息，记录任务环境、操作行为、结果变化以及纠错过程，让科研里所有成功经验与失败教训，都沉淀为可积累、可复用的学习数据。

这3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。

毫无疑问，AGI会不断拓展人类的知识边界、加速科学发现，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。