咱们现在得说清楚个事儿，搞人工智能要想真变成通用智能，非得把深度推理这块短板给补上才行，而且科学发现还得成它升级的主要路子。最近在第四十届人工智能协会年会上（AAAI 2026），上海人工智能实验室的主任兼首席科学家周伯文讲了话，把咱们现在技术走到了哪儿和未来还得面临啥难题给捋顺了。 他说，虽说人类眼看就要走到通用人工智能（AGI）的大门口了，但现在的模型在专业领域做深度推理的本事确实不行，这就是挡住路的最大坎。周伯文还回顾了一下AI是咋一步步走到今天的。他把发展分成了三个大阶段：狭义的人工智能（ANI）、广义的人工智能（ABI）和通用的人工智能（AGI）。ANI那会儿主要是干些专门的、封闭的活儿，大概十年前就已经挺成熟了。像ChatGPT这种生成式模型出来后，就把技术带到了ABI阶段，靠吃海量数据和规模法则，它们能到处泛化、把知识压得很紧凑，变成了那种见多识广的“通才”。不过这事儿没完。 过去七十年，AI在“通用”和“专业”这两个方面基本上是各走各的路，谁也没跟谁好好融合。以前像AlphaFold这种系统在搞蛋白质折叠的时候厉害得不得了，精度都超过人了，可就是没多少迁移知识的本事；现在的大语言模型虽然啥都懂还能聊天，但碰到搞科学发现、做工程设计这种需要严格逻辑、专业知识和深度推理的活儿，输出的结果往往达不到专家那个水准。这种“只会泛泛而谈”和“只会死抠一门”的状态，就是通向AGI必须迈过去的一道沟。 为了这事儿，周伯文提出了个办法叫“通专融合”，核心就是让机器能像人一样协调两个认知系统——那个快的、凭直觉和联想的“系统1”，还有那个慢的、靠逻辑和慢慢想的“系统2”。未来的AGI系统得在保持大知识面的基础上，还得能随时去学任意专业的东西、做深度分析和复杂推理，最终把“通才”的广度和“专家”的深度捏合在一起。 听说上海人工智能实验室早就开始琢磨这事了，他们搞出了个叫“智者”（SAGE）的技术架构，就是想把统一的认知生态系统给建起来。在报告里，“科学发现”被当成了AI能力进化的下一个前沿阵地也是最难的考场。 周伯文特意强调了一下科学发现过程的完整链条：先提假设、再设计实验、接着验证推演、最后形成理论。这本质上是在探路“已知的未知”甚至“未知的未知”。这给AI提了三个硬茬子难题：得面对新材料探索那种“组合爆炸”的大搜索空间；得能创造完全超出训练数据范围的新知识；还得对付科学实验里普遍存在的反馈很少、奖励很晚的情况，这对算法的长久劲儿和抗干扰能力要求特别高。 虽说“人工智能赋能科学”（AI for Science）在有些领域已经有突破了，但周伯文也提醒大家，要是只把深度学习模型当成黑箱工具瞎用，反而会把科学研究的想象力给框死了。最近《自然》杂志上的研究也证明了这点，说老想着用现在的模型模式搞事儿，没准会把科研思路固化住，把那些颠覆性的创新给堵死了。 所以推动从“AI for Science”（AI4S）升级到“AGI for Science”（AGI4S）的范式迭代肯定是要搞的。这就要求AI不光是个辅助工具，还得变成能自己琢磨科学推理、能和人类科学家一块儿玩的智能体。它得靠深度推理帮着科学家发现新东西，同时科学家研究过程中那些复杂需求也得反过来锻炼AI自己的推理本事。 现在这个时候正是从“到处瞎感知”变成“真懂脑子”的当口。把专业推理那块短板补上、让“通”和“专”彻底通了起来，不光是技术自己要往那个方向发展的内在要求，更是为了让科学研究更上一层楼、帮人类解决那些大麻烦的必然选择。周伯文的报告给AI下一阶段的路指得很清楚：只有把深度推理能力放到最中间的位置上、把AI跟科学发现深度绑在一起互相滋养着往前走，才能真正推开通向通用人工智能的大门。