在全球人工智能发展进入深水区的背景下，如何突破现有技术瓶颈成为学界关注的焦点。近日，上海科学家在国际顶级学术会议上提出的创新理念，为解决这个难题提供了中国方案。 问题层面，当前人工智能系统面临的核心矛盾日益凸显。研究表明，即便最先进的模型在通用科学推理任务中表现尚可，但在专业领域的文献检索、实验设计等实际应用中，其表现往往大幅下滑。这种"博而不精"的特征严重制约了人工智能在科研领域的深度应用。 究其原因，科学发现的特殊性质对人工智能提出了极高要求。首先，科研问题的搜索空间极其庞大，以分子设计为例，可能的结构组合高达10的60次方；其次，算法需要具备超强的泛化能力才能探索未知领域；最后，科研过程的反馈周期漫长，这与传统机器学习依赖密集反馈的训练模式形成强烈反差。这些特性使得现有深度学习模型难以应对真正的科研挑战。 针对这些困境，上海人工智能实验室创新性地提出"通专融合"的发展战略。该方案打破了传统AI发展中"通用"与"专业"各自为战的局限，通过构建新型架构"SAGE"，在底层逻辑上解决了知识存储与推理能力的分离问题。具体实践中，该团队建立了"书生"科学多模态大模型和科学发现平台两大基础设施，使AI系统能够自主调用多种工具、分析海量数据并生成专业代码。 这一创新已表现出显著成效。在气候科学研究中，"书生"平台通过分析20年跨学科数据，发现了被长期忽视的水汽联动规律，并推导出修正降水预测偏差的新方程。在生物医药领域，该系统模仿疾病生物学家的思维模式，成功识别出具有临床价值的潜在治疗靶点。权威评测显示，该模型在9个专业领域的表现已超越当前主流商业模型。 展望未来，科学智能的发展将为通用人工智能开辟新路径。周伯文表示，虽然已搭建起基本框架，但这一"新世界地图"仍存在大量待探索区域。上海团队已将研究成果开源，期待与全球科学家共同推进这一前沿领域。专家认为，这种开放协作的模式不仅有助于加速科技创新，更可能催生突破性的科研范式变革。
科学发现与人工智能的深度融合，正在打开新的空间。从推理走向科学发现，从“通”走向“专”的融合，该路径既指向人工智能能力演进的方向，也促使人们重新思考智能的边界与本质。上海的这项探索，为全球人工智能发展提供了新的思路与可验证的实践样本，也预示着人工智能与科学发现的相互促进，或将成为推动人类文明进步的重要动力。