AI4S 2.0：通专融合驱动AGI，以科学发现引领前沿

AI快讯 2026-01-31

AI4S 2.0：以通专融合驱动AGI，开启科学发现新纪元

科学智能（AI for Science，简称AI4S）被誉为人工智能领域的“皇冠”。以AlphaFold为代表的AI4S技术，在蛋白质折叠、气象预测等特定领域取得了里程碑式的成就。然而，近期《自然》杂志发表的研究指出，过度依赖现有的深度学习模型，可能会限制新知识的探索边界，甚至在某种程度上阻碍科学创新。

上海人工智能实验室（上海AI Lab）的一项系统性评估，进一步揭示了当前前沿模型的短板。来自10个不同科学领域的100位科学家共同构建了评测题目。结果显示，前沿模型在通用科学推理任务中平均得分可达50分（满分100分），但在专项文献检索、具体实验方案设计等专业推理任务中，得分骤降至15-30分，呈现出明显的“木桶效应”。

“我们已身处通用人工智能（AGI）的前夜，但仍面临一个关键环节的缺失——通专融合的智能。”上海人工智能实验室主任、首席科学家周伯文在第四十届人工智能协会年会（AAAI 2026）的特邀报告中指出，“我们亟需推动科学智能从1.0向2.0迭代，即从AI4S迈向AGI4S。”他强调，科学发现是AI的下一个前沿阵地，它既是推理智能的终极试炼场，也是“通专融合AGI”的验证舞台。他认为，若将AGI定义为“通专融合”（Specialized Generalist），那么构建“可深度专业化的通用模型”（Specializable Generalist）是实现AGI的可行路径。

报告中，周伯文详细介绍了驱动“通专融合”发展的核心技术架构——“智者”SAGE（Synergistic Architecture for Generalizable Experts）。该架构包含基础、融合与进化三个逻辑层次，通过双向循环实现全栈进化。同时，他也分享了支撑AGI4S探索的两大基础设施：“书生”科学多模态大模型Intern-S1与“书生”科学发现平台Intern-Discovery，以及一系列相关阶段性进展。

演讲最后，周伯文向全球研究者发出行动召唤：“架构的蓝图已经绘就，但画卷上仍有大片留白。我们期待与更多志同道合的同行者携手，共同开拓这片新世界的疆域。”

演进之路：从ANI到AGI的战略跨越

人工智能的发展并非线性堆叠，而是呈现阶段性的跃迁。周伯文回顾了其早年提出的AI发展三阶段路线图：ANI（狭义人工智能）、ABI（广义人工智能）与AGI（通用人工智能）。他指出，ChatGPT的问世标志着ABI阶段的到来，验证了规模法则（Scaling Law）的有效性，也印证了其团队早期在“多头自注意力”机制等基础研究上的贡献。

核心路径：通专融合与科学发现的终极试炼

随着大语言模型获得广泛泛化能力（ABI），下一个关键问题是：通往AGI的下一步是什么？周伯文于2023年提出了“通专融合”的战略路径。其核心思想是打破过去70年AI在“专业性”与“通用性”上的二元对立，构建一种能够动态融合人类“系统1”（直觉快思考）与“系统2”（逻辑慢思考）的智能架构。2024年末OpenAI o1与2025年初DeepSeek-R1的出现，有力地验证了这一路径的正确性。

周伯文指出，下一个前沿领域是科学发现。这不仅是AI的最佳应用场景，更是驱动“通专融合”迈向AGI的根本动力。科学发现对AI提出了三重极限挑战：应对“已知的未知”（如组合爆炸）、探索“未知的未知”（分布外泛化），以及处理“稀疏与延迟的奖励”（长周期实验反馈）。

技术基石：“智者”SAGE三层架构

为将战略落地，上海AI Lab提出了“智者”SAGE架构，这是一个旨在弥合广泛泛化与深度专精鸿沟的统一认知生态系统。

基础模型层：致力于知识与推理能力的解耦与动态耦合。以“记忆解码器”（Memory Decoder）为例，它作为一种预训练、即插即用的独立组件，以极低的推理开销实现了高效的知识注入，解决了传统检索增强生成（RAG）的延迟与微调带来的遗忘问题。
融合协同层：以强化学习（RL）为核心，协调“快思考”与“慢思考”。该层引入了三项关键算法创新：
1. PRIME算法：通过隐式机制获取“免费”的过程奖励，突破高密度监督的成本悖论，数据效率提升10倍。
2. 熵机制调控：防止模型在训练中因“过度自信”导致熵坍缩，保持持续的探索好奇心。
3. FlowRL算法：将优化目标从“奖励最大化”转变为“奖励分布匹配”，激发推理路径的多样性，解决模式崩溃问题。
探索进化层：赋予AI主动能动性，实现从被动拟合到主动探索的范式转变。该层围绕三个维度构建：
1. 信号（Signal）：提出测试时强化学习（TTRL），让模型在无真实标签的测试环境下实现“自我进化”。
2. 规模（Scale）：研发InternBootcamp平台，覆盖超1000种任务环境，探索任务数量的扩展定律。
3. 落地（Ground）：提出SimpleVLA-RL框架，在极端数据稀缺下实现机器人高效在线强化学习，打通“大脑”与“躯体”。

范式革命：从AI4S 1.0到AGI4S 2.0

当前AI4S 1.0模式虽在特定点状任务上成功，但受限于专业推理短板，难以应对全周期的科学发现。AGI4S 2.0旨在通过通专融合的AGI，推动研究者、研究工具与研究对象的协同演进，创造真正的“革命性工具”。

实践成果：Intern-S1与Intern-Discovery

“书生”科学多模态大模型 Intern-S1：作为SAGE架构在科学领域的体现，Intern-S1在基础层针对科学数据多模态特性进行专用架构设计；在融合层构建混合奖励框架；在进化层通过InternBootcamp实现大规模任务专精。其在9大科学领域的性能全面超越包括GPT-5在内的顶尖模型。
“书生”科学发现平台 Intern-Discovery：这是一个全流程科学智能体系统，将Intern-S1与数据、工具及湿实验室环境深度融合。平台通过科学智能上下文协议（SCP）和分层记忆模块，建立了“智能体生成”与“智能体验证”的双向循环。在气候科学和生物医学领域的案例中，已展现出自主发现新方程、验证潜在药物靶标等“革命性工具”的潜力。