近日，第四十届美国人工智能协会年会新加坡举行；作为国际人工智能领域历史悠久、影响广泛的学术会议之一——本届年会首次在亚洲举办——吸引来自全球学界与产业界人士围绕大模型推理、科学计算与应用治理等议题深入交流。 会上，上海人工智能实验室主任周伯文作题为《从推理到科学发现：探索通专融合的智能之路》的特邀报告。他提出，当前产业界对“更接近通用人工智能”的预期不断升温，但要真正跨越关键门槛，仍需补齐“通专融合”此核心环节：既具备广泛通用能力，又能在复杂专业任务中保持专家级深度与可靠性。 【问题】能力割裂成为迈向更高水平智能的掣肘。周伯文指出，过去一段时间的技术演进表现为两条相对独立的路径：一类系统擅长语言理解与通用问答，覆盖面广却容易在专业任务中遗漏关键细节；另一类系统在蛋白质结构预测等特定方向达到甚至超过人类水平，但跨任务迁移与综合推理能力不足。两类能力若长期“各走各路”，将难以支撑更复杂、更开放的真实世界问题求解。 【原因】造成割裂的根源，在于长期以数据拟合为主的技术范式与任务供给方式。科学与产业中的高价值问题往往包含不完备信息、隐性约束与多步骤验证，需要既有直觉式的快速判断，也要有可追溯、可检验的慢速推理。同时，专业知识更新迅速、实验条件受限，单纯依靠规模化数据训练并不能覆盖“未知的未知”。近期业界出现的新一代推理模型通过引入强化学习等机制提升逻辑推演能力，从侧面说明“把推理补上、把专业做深”正在成为共识。 【影响】若通用能力与专业能力无法有效协同，科学创新与产业落地都将面临瓶颈。一上，科学发现需要从假设生成、证据整合到实验设计与理论归纳的闭环，任何环节的薄弱都可能导致结论不可复现、路线不可执行。另一方面，权威期刊近期研究亦提示，过度依赖既有深度学习模型可能一定条件下固化探索路径、压缩新知识空间。上海人工智能实验室组织多学科科学家对前沿模型进行系统评估也显示：模型在通用科学推理任务上表现尚可，但在文献检索、实验方案设计等强专业场景中得分明显下滑，反映出现阶段模型仍存在“懂概念不懂方法、会总结不会验证”的短板。 【对策】报告认为，破题之道在于构建可动态融合的智能架构，推动科学智能从“面向科学的人工智能”向“面向科学的通用人工智能”演进。周伯文介绍，团队提出的“SAGE”架构尝试从底层机制上区分“知识”与“推理”，通过过程性奖励等方法强化可解释推演能力，并让系统在大规模任务集及与物理世界交互中持续获得反馈，实现自我迭代。围绕科学发现需求，上海人工智能实验室还建设了科学多模态大模型与科学发现平台等基础设施，目标是形成既具通用能力、又可深度专业化的“通才型专家”，并以平台化方式降低科学家使用门槛，提升从计算到实验的协同效率。 【前景】与传统通用场景相比，科学发现更强调因果推断、证据链完整性和可复现验证，被视为检验智能系统“是否真正会推理、能否产生新知识”的重要试炼场。业内人士认为，未来一个时期，通专融合能力将成为衡量新一代人工智能的重要指标之一：一上，基础模型将更多引入可控推理与可验证机制；另一方面，跨学科数据治理、实验自动化与计算平台建设将加速推进，促使模型从“回答问题”走向“提出假设并验证假设”。在这一过程中，开放合作与安全治理同样关键，需要在数据合规、可解释性与科研伦理等同步完善规则与工具。
人工智能技术正迈向多维度协同发展的新阶段。通专融合理念及涉及的技术的突破不仅解决了当前发展瓶颈，也为探索智能本质开辟了新路径。在科学发现领域的持续深耕将推动AI从辅助工具向创新伙伴转型，为人类认知世界提供更强有力的支持。