2026世界人工智能大会期间，一场聚焦人工智能科学应用的前沿论坛——2026 WAIC科学前沿论坛在上海人工智能实验室新园区举行。这次论坛的核心议题相当明确：通用人工智能与科学智能如何协同发展，以及下一代AGI到底该怎么走。来自全球的顶尖科研人员齐聚一堂，围绕这些关键问题展开了深度讨论。

论坛上，上海人工智能实验室主任、首席科学家周伯文发表主旨演讲，抛出了一个颇具分量的观点——“科学研究是下一个Coding”。他提出，人工智能即将迎来所谓的“科学元认知时刻”，这实际上是在为未来几年通用人工智能的发展方向画出了一条清晰的路线图，同时也为行业突破现有智能瓶颈指明了技术路径。

从代码智能走向科学智能

周伯文在演讲中指出，当前AI行业呈现出一种非常鲜明的“一冷一热”分化格局。他援引了几组行业基准测试数据：过去一年里，AI在代码生成能力上实现了跨越式提升，任务完成成功率从不足5%一路攀升到了88%。代码生成、自我测试、优化改进的闭环体系已经相当成熟，主流大模型基本都能在各种编程评测数据集上拿到满分，编程赛道实际上已经形成了一套完整的自迭代飞轮。

但与之形成鲜明反差的是，AI在端到端自主科学发现领域进展缓慢。权威评测显示，过去18个月，顶尖大模型能够完整走完科学研究全流程的完成率，仅仅维持在3%的水平。上海AI实验室联合十大领域百位科学家搭建的科学评测体系中，现有前沿模型综合得分普遍不及格。最新的NatureBench测试中，模型能够超越现有科研成果的比例也只有17.8%。换句话说，尽管大模型在信息存储和文本生成能力上持续增强，但始终难以完成从提出假设、自主推演到实验验证的完整原创科研流程——它们更多是在复刻已有的公开研究成果，难以产出真正碘伏性的、突破性的新知识。

这种冷热分化背后，其实暴露了当前大模型与生俱来的三大底层局限，这也是制约AGI能力向上突破的核心壁垒。其一，现有模型只能被动观测数据，捕捉到的只是事物之间的相关性，并不根植于现实世界；其二，越难的问题反馈越少，模型越学不动，越是复杂、有价值的任务，反馈信号反而被稀释得越厉害，训练也就越困难；其三，公开科研成果只留存了成功的实验数据，模型被锁死在旧有分布里，只会模仿成功案例，无法长出新的能力。

周伯文认为，基于行业现存的这些瓶颈，AGI4S（通用人工智能驱动的科学研究）并非通用人工智能的一个细分应用场景，而是衡量通用智能上限的终极考题。

三大底层瓶颈，卡住当前AI智能上限

与此同时，行业也正在迎来一个“科学元认知”拐点：从“重述已知”跨越到“产出未知”。

周伯文指出，人工智能用于科学研究，从科学研究中寻找密集的反馈信号——包括失败信号——将进一步加速人工智能上限的突破。

第一，从“数据驱动”走向“世界交互”。模型必须通过与物理世界的真实交互来理解真实世界，构建起能够理解物理世界、物理规律的世界模型，在实验和证伪中沉淀那些无法被直接言说的暗知识。

第二，必须突破从“及时反馈中学习”走向“长程推理”。在不确定性中学习的能力，Coding可以做到秒级证伪，但科学研究显然不是这样。

第三，从“模仿正确”走向“善用失败”。科学研究中，90%以上的实验以失败告终，模型要能够从失败中自我反思、自我校准、自我更新。

“三个转变叠加，才能让模型从重述已知跨越到产出未知，这就是我们认为的科学元认知时刻。”周伯文这样总结。

他特意用1900年物理学发展的状态来类比当下AI产业所处的阶段：彼时经典物理体系看似完整，但两朵“乌云”最终催生了相对论与量子力学。如今大模型虽然看似掌握了海量人类知识，但“无法自主探索未知、不会从失败中学习、难以完成长周期科研推理”这些短板，正是制约AGI进阶的核心“乌云”，同时也蕴藏着下一代人工智能技术变革的巨大机遇。

这意味着，行业竞争逻辑正在被彻底重构：从比拼参数、复刻内容，转向比拼自主探索、因果推理、突破认知边界的能力——也就是科学元认知能力。

AI价值逻辑跃迁：从工具辅助走向双向赋能科研创新

放眼全球产业脉络，人工智能正在完成两层关键跃迁。第一层是工具属性的跃迁：AI不再是简单的信息检索或办公辅助工具，而是升级为具备独立思考、自主规划、实验验证能力的科研协作者。第二层是产业底层的跃迁：科学智能将反向驱动大模型迭代升级，真实科研场景提供的试错、长程推理、复杂交互样本，持续补齐当前大模型的能力短板，最终形成“AI赋能科学、科学反哺AI”的双向进化飞轮。

针对当前科研领域普遍存在的信息过载、验证成本高、工具割裂、失败经验难以复用、科研过程不可追溯这五大痛点，上海人工智能实验室发布了书生·端砚科学发现平台，落地了“科学元认知”技术路线，打造出全新的自主科研范式。这个平台并非简单的工具堆砌，而是依托自研的Mobius架构，实现了知识记忆与逻辑推理解耦，让模型能力从“一次性微调”变成了“可持续生长”。

在具体的落地场景中，该平台展现出了极强的原创突破能力。在蛋白质定向进化研究中，平台仅用两轮迭代，就发现了一轮新的突变组合，其功能较此前Nature报道的最佳结果提升了77%，将原本漫长的生物学验证周期缩短到了原来的1/20。目前，该平台已经打通了科学假设、计算推演、湿实验执行和结果反馈，形成了阶段性的能力节点，让干实验与湿实验形成了真正意义上的闭环，持续提升世界模型并不断迭代。

“希望书生系列能够推动AI从理解科学、规划研究，走向真实世界的实验验证和认知迭代。”周伯文说。作为AI的下一个前沿阵地，科学发现既是推理智能的终极试炼场，也是“通专融合”的验证舞台。大规模推理将赋能科学发现，科学发现亦将反哺推理能力的进化，开启面向科学发现的智能体基座时代。

科学智能是下一代AI的终极考场，而中国人工智能产业正在向全球输出自己的“中国范式”。