夜雨聆风
过去几年，大模型不断刷新编程、推理等能力边界。当回答问题逐渐成为人工智能的“基本功”，科学发现正成为下一轮智能跃迁的新方向。AI如何走进未知、探索未知，也成为科学界和产业界共同面对的新命题。
近日举行的2026世界人工智能大会科学前沿论坛上，全球顶尖学者围绕科学智能、安全治理等话题展开讨论。从科学研究如何成为智能跃迁的新场景，到AI如何成为科学家的研究伙伴，再到能力跃升带来的治理挑战，论坛试图回答一个核心问题：AI将如何引领科学发现，成为推动下一轮科研范式变革的新力量。
本次会议由中华人民共和国科学技术部指导，世界人工智能大会组委会主办，上海人工智能实验室（上海AI实验室）承办。科技部党组成员、副部长龙腾，市委常委、副市长陈杰出席会议并致辞。科学技术部一司司长梁颖达，五司司长郑玉琪，六司司长郑健，市科委主任骆大进，徐汇区区委书记曹立强，中国科学院院士贾金锋，中国工程院院士孙宝德，世界知识产权组织知识产权与前沿技术司司长乌尔丽克·蒂尔（Ulrike Till），联合国全球地理信息知识与创新中心主任李朋德，美国国家工程院院士、上海创新药物研发中心主任孙勇奎，美国麻省理工学院教授马克斯·埃里克·泰格马克（Max Tegmark），上海AI实验室主任、首席科学家周伯文等出席会议。骆大进主持开幕致辞。
科学研究成为智能跃迁的“新考场”
“科学研究正处在一个知识越来越丰富、认知却依然稀缺的时代。”上海人工智能实验室主任、首席科学家周伯文用“一冷一热”的对比，指出AI下一步突破能力边界的新方向。
过去18个月，AI Coding在SWE-bench上的成功率从约5%跃升至88%，部分主流测试已趋于饱和。与此同时，最好的大模型在端到端科学发现任务中的完成率仍停留在3%，几乎没有明显变化。差距从何而来？周伯文解释，编程目标清晰、反馈迅速，科学研究却没有标准答案，一次验证可能持续数月，失败远多于成功。模型在清晰路径上走得很快，到了没有标准答案的地方，脚步便慢了下来。
正是这片尚未走通的区域，让周伯文看到了新的增长空间。他指出，“Research is the Next Coding”——科学研究将成为继编程之后，推动智能能力跃升的新场景，将因果判断、长程探索和失败反馈带入模型学习，推动AI从处理已知问题走向探索未知。
在他看来，大模型要真正走进科学，必须补齐三方面短板。要从数据驱动走向世界交互，在实验中学习因果；要从即时反馈走向长程自主，在稀疏而漫长的反馈中持续探索；更要学会利用失败，在真实反馈中不断修正认知。“对科学探索而言，知道哪些路走不通，往往和找到答案同样重要。”周伯文说，AI真正需要获得的是在复杂环境中持续判断、自我修正的能力。
“技术跨越边界之后，将把人类带向哪里？”麻省理工学院物理学教授Max Tegmark进一步追问。在他看来，人工智能应当成为服务科学研究和现实需求、始终由人掌握方向的可信工具。为此，他提出增强AI的可控性与可验证能力，并介绍团队探索的“Vericoding”范式，让AI在自动编程的同时完成数学验证。目前，这一方法的程序验证成功率已提升至96%。
论坛中，书生科学大模型Intern-S2-Preview-397B和书生·端砚科学发现平台正式发布，把科研范式的讨论进一步落到现实场景。平台连接了科学大模型、专业智能体、实验数据与具身自动化设备，覆盖从“假设提出”到“实验验证”的完整科研流程。目前已在生命科学、关键材料、半导体、核聚变、量子、地球气象六大科研领域落地。
AI成为科学家的“研究伙伴”
当AI真正走进实验室，它究竟能为科学家做些什么？圆桌对话中，来自材料、生命科学、海洋、农业等领域的研究者，分享了各自基于一线的观察。在他们看来，AI正在走进科学发现的更多环节，但越接近前沿，越离不开真实反馈、长期验证和科学家的敏锐判断。
中国工程院院士、苏州实验室学术副主任孙宝德以材料研发为例指出，AI已经显著提升材料研发效率，但一种新材料从发现到应用往往仍需十几二十年的持续验证。昌平实验室副主任金勤献也提醒，生命科学领域虽然已借助AI解析了海量蛋白质结构，但至今还没有一种药物完全依靠AI研发并走完整个流程。真实科研数据分散、变量交织，远比模型基准复杂。
AI带来的变化，正从单个科研环节延伸到整个科研流程。崂山实验室副主任吴能友介绍，海洋大模型“问海”已能在5分钟内完成未来15天海洋环境预测，接手过去需要大量人工完成的数据处理。更重要的是，AI已经能够从复杂数据中提出可解释、可检验的数学表达式，为解决长期困扰学界的问题提供新线索。
崖州湾实验室副主任陈凡则关注那些常被忽略的“失败数据”。在他看来，一次没有得到预期结果的育种实验、一条最终被排除的技术路线，同样记录着重要的科学信息。随着数据不断积累，这些失败经验将成为模型认识规律、缩小搜索空间的重要养料。
AI还能否再向前一步，提出新的科学假设？对此，广州实验室副主任陈新文认为，大模型已经初步展现出从数据中生成假设、设计实验并接受验证的能力。崂山实验室副主任吴能友则提醒，AI目前还不具备真正的科学品味，机器可以迅速铺开多种可能性，但哪一个问题值得继续追问，仍需科学家的判断验证。
面向未来，上海人工智能实验室领军科学家林达华表示，随着多个智能体进入文献阅读、数据分析、实验设计和结果验证等科研全流程，人机协作将从“一个科学家+一个AI”走向多个智能体共同参与科研。AI不再只是助手，而将成为贯穿科学发现全过程的研究伙伴，推动科研迈向协同新范式。
为“智能伙伴”加上“安全锁”
当AI越来越像人类的“智能伙伴”，我们该如何确保它始终可信、可控？图灵奖得主、蒙特利尔大学教授Yoshua Bengio的分享，道出研究者们对人工智能安全治理的共同关切。
“人工智能治理应前置到模型部署之前，不能等风险出现后再补救。”他认为，随着AI能力不断提升，网络攻击、生物安全等风险也在同步放大。尤其是开放权重模型，一旦发布便难以召回或修补，开发者应通过部署前测试、危险能力评估和访问控制，尽可能将风险拦截在源头。
面对推理、规划和工具调用能力不断增强的智能体，西安电子科技大学校长高新波指出，传统依靠“打补丁”“加护栏”的方式已难覆盖开放环境中的复杂行为，未来应推动安全从外挂式防护走向内生安全，将安全能力融入模型架构和训练过程。
同时，内生安全并不意味着外部监管可以退场。复旦大学副校长姜育刚用一个比喻形容两者关系：“人需要道德教育，也需要警察。”模型既要在内部形成安全能力，也要接受持续评测、技术审计和外部监督。香港科技大学（广州）协理副校长熊辉进一步提出，可解释、可追溯和形式化验证等能力，也应逐步融入模型设计与决策过程。
如何兼顾创新活力与安全底线，同样考验AI治理智慧。英国剑桥大学AI科学与政策技术研究负责人Sören Mindermann认为，应根据风险实施分级治理，避免因过度限制影响创新，也不能等风险充分暴露后再行动。SecureBio人工智能研究主管Jasper Götting则提醒，生物安全风险具有不可逆特征，更应坚持审慎原则。
从推动科学发现到守护可信智能，当创新与治理相伴而行，人工智能这匹“千里马”才能跑得更稳、更远，在不断拓展科学边界的同时，为科技创新持续注入动力，为人类探索未知提供更加可靠的力量。
来源：上海科技
