周伯文作为上海人工智能实验室的主任，在这次AAAI 2026年会上给大家讲了一个关于科学智能的故事。他说咱们现在已经站在AGI的门口了，但真正要进去，关键得看咱们能不能弥补那个大模型在深度推理上的明显短板，还要让AI，特别是AI for Science，不再只是个辅助的工具，而是真正能驱动发现的AGI4S。他还回顾了一下AI的历史，把它分成了ANI、ABI和AGI三个阶段。那个时候的ANI专门干活，大约十年前就差不多定型了。现在的大模型像ChatGPT出来以后，证明了规模法则、学会了自监督和端到端生成，这其实就标志着AI已经进入了ABI阶段。可问题是ABI就是记忆力好、范围广，但这并没自动让AI变成像专家一样深专精。周伯文说现在的AI系统就是在“通”和“专”两个维度上分家的。像AlphaFold那样的系统就是极度的专家，只在一个领域厉害；现在的大语言模型知识面宽，但面对需要严密逻辑和复杂拆解的专业任务就不行了，缺少细节把控和持续推理的能力。 这种割裂就是限制AI往更高阶发展的主要短板。为了打破这个僵局，周伯文提出要把“通”和“专”这两个对立的东西合起来。核心就是造一个能像人一样用直觉和模式识别（系统1），又能用逻辑和序列推理（系统2）的智能架构。这样AI在保持通用能力的同时，还得能针对具体复杂任务启动深度推理和学习机制，达到专家级水平。上海人工智能实验室提的SAGE技术架构就是想造这么个统一的认知生态系统。 周伯文还特意指出科学发现是下一个要攻克的前沿阵地。科学发现包括从做假设、设计实验、验证数据到建理论的整个链条，充满了未知和已知的交互。这给AI带来了三大挑战：一是面对“已知的未知”，像材料科学和药物研发中的组合爆炸问题；二是探索“未知的未知”，要让模型有创造力去泛化新知识；三是耐受“稀疏与延迟奖励”，科学实验周期长、反馈慢。 虽然AI4S在蛋白质结构预测和气候模拟这些方面有了大成就，但他也提醒大家小心过度依赖现有模型可能会限制创新。《自然》杂志最近的研究说光用现成的模型可能会固化研究路子。他强调未来服务科学的AI不能光做数据匹配工具，还得变成能主动提假设、设计实验并进行因果推理的伙伴。 最后周伯文把这条通往AGI的路叫做“通专融合”，这注定是一条探索智能本质、拓展人类认知边界的远征。只要补齐短板实现双向增强，把科学发现当试验场，不仅能加速出成果还能反哺AI的推理和创造能力，让人工智能从工具变成智慧的伙伴。