AI赋能科学发现：科学研究正在成为下一个编程

title: "AI赋能科学发现：科学研究正在成为下一个编程"

description: "2026年浦江创新论坛，上海人工智能实验室周伯文提出'AGI4S六问'新思考，揭示AI如何以万分之几的时间压缩人类数百年科学探索——从抗体发现到蛋白质折叠，从纳维斯托克斯方程到自主科学发现平台'书生・端砚'"

keywords: "AGI4S,科学研究可编程,周伯文,浦江创新论坛,上海人工智能实验室,书生端砚,AlphaFold,纳维斯托克斯方程,科学发现平台,AI4S,自主进化飞轮,科学验证闭环"

一、一个令科学界震动的等式

如果人类思考一道难题花100年，AI需要多久？

2026年9月12日，第十九届浦江创新论坛上，上海人工智能实验室主任、首席科学家周伯文给出了三组对比数据，在科学界和投资界同时引发强烈反响。

第一组：单克隆抗体。1975年问世后，传统流程下从患者体内找到对症抗体需要四年时间。2020年，AI与生物学家协作，从机器筛选到给药患者仅用90天，时间压缩到原来的6%。

第二组：蛋白质折叠。1969年被列为重大科学问题，人类历经51年求索仍难以破解。AlphaFold仅用两年就基本解决这一问题，所用时间仅为人类探索时间的4%。

第三组：纳维-斯托克斯方程存在性与光滑性。这个1827年提出的千禧年七大数学难题之一，人类思考了近200年。而一万个AI智能体连续工作88小时，给出了证明——虽然克雷数学研究所尚未最终确认，但从时间维度看，AI仅用了人类探索时间的万分之零点五。

这三个案例勾勒出一条清晰的时间压缩曲线：AI正在加速成为科学发现的新引擎。

二、"科学研究是下一个编程"

周伯文在演讲中提出了一个核心命题：科学研究是下一个编程（Science is the next programming）。

这并非修辞，而是一种深刻的方法论转变。传统科学研究中，从假设设计到实验验证再到理论构建，每个环节都高度依赖人类专家的经验积累和灵感闪现。而AI正在将整个链条工程化、流程化、可重复化。

他提出的"AGI4S六问"去年的框架上做了重要演进——去年的框架关注AI在科学中能做到什么，今年的追问则深入探讨AI与科学的双轮驱动关系：

1. 自主进化飞轮：AI不仅能执行预设的科学实验，还能根据实验结果自主提出新的假设，形成"观察-假设-实验-修正"的闭环加速。
2. 真实科学验证闭环：算法的优化不再仅靠基准测试，而是回归真实物理实验的验证——模型预测是否正确，最终由实验室说了算。
3. 环境即数据：当传感器网络和自动化实验室普及，自然界和实验环境本身成为持续产出的数据流，研究不再受限于人工采集。

这三大环节共同构成了"AI+科学"的双轮驱动体系——AI的能力提升推动科学突破，而科学发现反过来又为AI提供新的问题空间和能力验证场景。

三、从书生・端砚看中国科学智能基础设施

周伯文在论坛上重点介绍了上海人工智能实验室研发的"书生・端砚"科学发现平台。这个平台的核心定位不是替代科学家，而是为科学家提供可编程的科学探索基础设施。

该平台的架构分为三层：底层是大模型基础能力（书生系列多模态大模型），中层是科学领域专用工具链（分子模拟、数学推理、实验规划等模块），上层是科研人员的自然语言交互界面。科学家可以用近乎日常语言的方式描述研究意图，平台自动将其拆解为可执行的科学工作流。

这一思路与业界趋势一致。DeepMind的AlphaFold系列已经证明AI在蛋白质结构预测上的绝对优势；Meta的ESMFold将预测速度再提升数个数量级；而在数学前沿，Anthropic的研究表明大模型在形式化定理证明上的突破速度超出预期。

四、当AI以万分之几的速度逼近，学科壁垒正在消融

AI赋能科学发现的影响不限于加速单一领域，更在于打破学科间的传统壁垒。

传统数学高度依赖逻辑推理和抽象符号能力，而AlphaProof等系统已经在国际数学奥林匹克竞赛题目上展现出与人类金牌选手相当的能力。更令理论数学界惊讶的是，AI的直觉式推理路径往往与人类传统证明方法完全不同——它给出的是"结果正确但方法陌生"的证明。

这意味着什么？意味着AI正在为科学提供超越人类认知惯性的新路径。

在生物学领域，可编程科学平台的出现使得"按需设计"蛋白质成为可能。原本需要数月甚至数年的蛋白质定向进化实验，现在可以在计算机模拟中快速筛选，极大扩展了合成生物学的工程边界。

在天文学领域，AI正在以前所未有的效率处理海量巡天数据，将原先需要整个团队数周的数据分析压缩到几小时，让天文学家能够将更多精力放在物理理解而非重复性数据处理上。

五、Gartner十大趋势：中国AI从追随到定义

"AI赋能科学发现"这一趋势并非孤立事件。Gartner在2026年9月发布的《2026年中国人工智能十大趋势》报告中，给出了更具全局视角的分析框架。

报告将十大趋势归为四个层次：全栈式自主可控人工智能（最内层，能力从哪来）、务实驱动的模型创新（能力怎么用）、可扩展的智能体劳动力的（能力用在哪）、人工智能超级入口（用了之后人和组织变成什么样）。

特别值得关注的是"全栈自主可控"趋势。Gartner预测到2030年，中国80%的本地AI基础设施将采用本土研发的AI芯片，而目前这一比例仅为约20%。DeepSeek、Kimi K3、GLM-5.2、Qwen3.8等模型的技术成熟度，为AI赋能科学研究提供了不可或缺的算力基础。

而"开源权重策略"则预测：到2027年，全球企业中采用中国AI模型的比例将从2025年的5%上升至50%。这一跃升意味着中国在AI领域正从技术标准的接受者向定义者转变。

六、在"AI成为科学家"之前，科学家先成为"AI原住民"

回到浦江创新论坛的主题讨论。中国科学院院士、清华大学讲席教授刘云浩在同期举行的清华人工智能青年大会上给出了一条建议：不要陷在"被AI取代"的焦虑里内耗。

这一观点与周伯文的"科学是下一个编程"形成呼应。在AI时代，科学家需要的不是与AI竞争，而是学会将AI作为新的"编程语言"——就像过去几十年间科学家必须掌握计算机和编程语言一样，未来的科学工作者必须熟练使用AI工具来扩展认知边界。

这种转变的深层含义是：科学发现的基础设施正在从"实验室+文献"转向"AI平台+数据流"。那些善于利用AI平台的科学家，将获得远超传统方法的研究效率。

七、结语：人类心智仍是科学探索的罗盘

周伯文在演讲中反复强调一句话："科学探索的罗盘，始终应该由人类的心智、好奇心与价值判断来掌握。"

AI将科学研究从手工作坊推向工业化时代，但科学的方向——什么值得研究、什么应该研究、研究成果如何被负责任地使用——这些根本性的问题仍然属于人类。

万分之一的时间压缩听起来令人炫目，但比速度更重要的是方向。当AI以一种可编程的方式融入科学发现，人类从重复性认知劳动中解放出来，才更有精力去回答那些只有人类才能回答的问题：我们想知道什么？我们为何想知道？我们想用发现做什么？

2026年的AI，正在成为最强的科学工具。而握住这个工具的，仍然是人类自己。