当前，人工智能技术发展正处在关键节点。虽然大语言模型在通用任务中表现突出，但进入科学探索的“深水区”后往往效果不佳。权威评估显示——在专业科学推理任务上——顶尖AI模型得分下滑到15至30分，约为其通用任务表现的一半。这表明，人工智能在迈向科学发现时仍存在明显瓶颈。造成该局面的原因较为复杂。首先，科学探索的搜索空间极其庞大。以分子设计为例，潜在结构组合可达10的60次方，远超现有模型可有效覆盖的范围。其次，科学发现对泛化能力要求更高，需要算法能够突破既有知识边界。再次，科研反馈通常存在延迟，而当前AI训练高度依赖即时反馈，两者在机制上存在冲突。《自然》杂志最新研究也指出，现有深度学习模型难以应对数据稀缺、问题定义不清晰的科学探索任务。 面对这些挑战，上海人工智能实验室提出“通专融合”的发展策略。该策略不再将“通才”与“专才”对立起来，而是尝试构建一种既能保持广泛认知能力、又能在特定领域持续深化的新型智能系统。 为实现这一目标，研究团队构建了“智者”新型架构，从底层厘清知识存储与推理能力容易混在一起的问题。同时开发的“书生”科学平台已在多个方向显示出应用潜力：在气候科学领域，通过分析20年跨学科数据，发现了长期被忽视的水汽联动规律；在生物医学领域，识别出具有临床价值的新靶点。测试数据显示，该平台在9个专业领域的表现已超过当前主流商业模型。 这一进展为科学智能的发展提供了新的思路。上海团队已将涉及的成果开源共享，并邀请国际科研力量共同推进。业内专家认为，开放协作将有助于加快科学发现进程，并为攻克癌症等重大疾病、应对气候变化等全球性议题带来新的解决方案。
科学发现从来不是直线推进，而是在疑问、证据与验证之间不断迭代。将智能系统引入该过程，既带来机遇，也提出更高要求：不仅要“会回答”，更要“会求证”。当开放协作与严谨方法相结合，面向科学边界的探索更有可能从“能力展示”走向“可信成果”，为人类认识世界与改善生活提供更可靠的支撑。