导读：本文内容基于2026年3月29日浦江AI学术年会「AI for Science主题论坛」，系统梳理三位院士的核心观点与上海人工智能实验室重磅发布的「珠穆朗玛计划」「攀登者计划2.0」，从宏观科研范式变革、材料领域落地实践、大模型技术挑战到整体战略布局，全方位解读AI for Science的发展方向，为关注该领域的科研工作者提供完整的权威内容参考。

一、科研范式的历史迭代与AI带来的结构性重组

本次论坛从长周期科学发展视角切入，开篇就点明核心判断：科学发展的本质，就是一部人类认知工具不断演进的历史。每一次认知工具的突破，都会推动人类认知边界的拓展，带来科研范式的跃迁。

从历史脉络来看，17世纪牛顿等先驱通过实验方法和数学工具，将自然现象转化为可度量可计算的对象，建立了经典科学体系，带动了第一次科学大繁荣；19世纪麦克斯韦统一电磁理论，将电磁现象抽象为统一的理论框架，爱因斯坦提出相对论重构了时空认知，实现了第二次深刻的范式跃迁；20世纪冯·诺依曼奠定计算机体系，让人类可以通过数值模拟研究复杂系统，曼哈顿计划就是最早的大规模计算模拟实践，推动科学进入计算模拟时代；21世纪初人类基因组计划带动大科学工程发展，推动科学进入数据驱动的新阶段，一大批重大科学基础设施建成，不断将科学探索推向更前沿的无人区。

每一次重大科学突破，都伴随认知世界方式的根本转变，而当下AGI的发展，正站在全新科研范式变革的历史转折点。事实上，在AI for Science概念提出之前，计算模拟和高通量实验已经为其奠定了方法论基础：计算模拟让机器可以参与对世界的感知和推演，高通量实验催生了数据洪流，比如欧洲核子中心早已经开始用计算模型筛选粒子物理数据，不再依赖人工逐一梳理，科学研究本身已经发生了潜移默化的改变。

当下，科学研究体系正面临三个层面的结构性重组：

1. 科学发现机制发生根本性转变

传统科研的基本路径是「提出假设→实验验证」，整个过程高度依赖研究者的理论训练、经验积累，甚至需要依靠研究者长期沉淀的个人直觉，最终完成验证后发表成果。而人工智能深度介入科研后，科学发现的起点发生了前移：在材料科学、药物研发、天体物理等诸多领域，研究者首先面对的是海量数据，通过模型在高维空间学习潜在结构，再从模型中生成假设，最后开展验证，科研路径已经转变为「数据→模型→假设→验证」。

这一变化的核心本质是：最核心的「提出假设」任务，不再完全由人类完成，部分假设由AI模型生成。这一判断已经得到前沿科学的验证：最典型的就是AlphaFold蛋白质结构预测，2025年升级版的AlphaFold 3不仅可以精准预测蛋白质结构，还能模拟蛋白质与DNA、RNA、小分子配体复合物的相互作用，已经成功预测2亿多种蛋白质的结构，准确率达到98%，从根本上改变了结构生物学的研究路径——科学家不需要再盲目试错，可以直接基于AI的精准预测靶向设计药物分子，这不是简单的效率提升，而是整个研究逻辑的重构。

我们可以将两种路径对比如下：
表1 传统科研模式与AI驱动科研模式路径对比

2. 科研组织方式发生深刻变化

科学发现机制的变革，必然带来科研组织模式的重塑。传统科研组织是以课题组作为基本单元，由学术带头人统筹，依托人工团队开展知识生产。而在人工智能与自动化实验系统的驱动下，一种全新的科研单元正在崛起——由人工团队、AI与自动化实验平台协同构建的复合科研系统。

在成熟的自动化科研系统中，机器不仅承担数据分析任务，还能够自主规划实验条件、执行实验流程，这一趋势已经在学术界和工业界落地：比如Google研发的自动化系统，可以在无人干预的情况下完成数千次化学反应实验，还能自动优化反应路径；英国科学家打造的机器人化学家系统，可以在封闭实验环境中自主提出假设、完成验证；上海人工智能实验室开源的虚拟科学家系统(VirSci)，可以模拟人类科学家的合作过程，研究科技创新规律；国家实验室开发的书生科学多模态大模型Intern-S1，已经具备跨模态解析能力，可以解析化学分子式、蛋白质结构、地震波信号等复杂科学数据。

当前全球领先的科学多模态大模型Intern-S1，通过架构设计实现了多学科、多尺度、多模态表征融合，支持多学科超1000种任务，通过混合强化训练实现跨学科能力涌现，通过系统和算法协同优化将训练成本降低10倍，拥有大规模标准化可扩展的可交互验证环境，对比全球主流大模型，Intern-S1的通用能力和科学能力都处于全球领先位置。

这些实践充分证明：科研活动的基本单元正从「人类团队」向「人机系统」转变，未来科研竞争的核心，不再是人类团队之间的较量，而是人机系统综合能力的比拼。科研组织变革的问题必须得到高度重视，从历史经验来看，组织变革的滞后往往是竞争力丧失的主要原因。

长期以来，科学知识以论文作为核心载体：研究者提出新理论，通过文本描述，数据仅作为辅助附件附在论文后，这是延续数百年的知识生产模式。而在人工智能时代，模型、数据、代码本身已经逐渐成为重要的知识承载方式，在部分领域，模型本身就是核心科研成果，其价值甚至超越传统论文。

比如DeepSeek VL系统，支持文本、图像、代码多模态检索，知识获取效率比传统方式提升40倍，其能力就集中体现在语言知识与推理的综合呈现上，模型本身就是核心成果。这种转变不仅革新了知识的表达形式，还深度重塑了科研评价和传播机制：现在美国硅谷很多最新的科研成果，不再优先发表在传统期刊上，而是率先发布在开放社区或社交平台，成果形式也不仅是论文，还包括代码、模型、文本，全新的传播和评价体系正在形成。

二、AI驱动下科研体系的三大新特征

上述科研体系的结构性变化，可以总结为三个核心新特征，标志着全新科研范式正在形成：

1. 科学目标：从理解世界走向逼近现实

传统科学强调对自然规律的解释能力，追求因果清晰、理论完备，所有研究都围绕「解释世界」展开。而在人工智能驱动的研究中，越来越多的成果表现为「有效但难以完全解释」：深度学习模型在图像识别、气候预测等领域已经达到极高的精度，但模型内部的作用机制仍然难以完全用传统科学理论解释。

比如气候预测领域，AI模型的短期天气预报精度已经超越部分传统物理模型，中国科学院大气物理研究所开发的「演天」气象预报大模型，实现了空间分辨率9km、时间分辨率15分钟的高精度预报，局部预报准确率提升显著；复旦大学和上海人工智能研究院联合开发的伏羲气象预测模型，预测精度显著优于传统模型，成功入选2025年度中国十大气象科技进展，但这些模型并没有完全解释气候系统的所有物理机制。这一变化表明：科学的目标正在从「解释世界」逐步走向「逼近现实」，核心逻辑已经发生了转变。

传统科学研究强调通过理论解释因果关系，所有研究都围绕因果逻辑展开。而人工智能擅长从海量数据中发现模式和相关性，很多场景下可以在不完全理解机制的情况下实现高效预测。比如药物筛选领域，AI模型可以基于分子结构学习预测药效和毒性，不需要完全明晰药物的生物化学机制，2024年全球首款AI设计的抗纤维化候选药物已经完成从算法开发到二期临床的全流程研发，正式进入人体试验阶段。

这意味着相关性重新回归科学体系的核心位置，科学体系正在从以因果逻辑为核心，逐步转向因果与相关性结合的混合体系，当然这一变化也带来潜在风险：我们可能在不明缘由的情况下应用结果，需要建立新的风险防控机制。

这是最根本的变化：传统科学以人类作为唯一的认知主体，所有知识生产都由人类完成。而在人工智能时代，科学逐渐演变为人类与机器共同构建的认知系统，知识生产是人机协同的结果。

比如材料科学研究中，科学家利用AGI可以在数周内筛选出数十万种潜在材料候选，大幅缩短材料发现周期；在可控核聚变领域，AI可以实时控制等离子体的稳定性，为人造太阳的商业化应用迈出关键一步；中国科学院开发的磐石科学大模型，构建的数字细胞模型实现了靶点发现全流程自动化。在这些研究中，知识生成并非完全由人类完成，而是人机协同的结果，认知主体已经发生了根本转变。

需要强调的是，这些特征仍然处于动态演进的过程中，一个成熟、边界清晰的全新范式还没有完全成型，需要在实践中持续探索、不断完善。

三、AI科研范式转型的挑战与应对方向

在科研范式转型的背景之下，我们面临全新的机遇和挑战，需要用新的视角和方法应对，核心有四个方向的思考：

1. AI for Science的竞争本质是认知体系的竞争

当前行业讨论大多集中在算法、算力、数据规模等实现层面，但这些只是表层能力，从更深层来看，真正的竞争是不同科研体系对科学的认知方式的竞争：核心差异是选择「以模型为核心通过高维空间模式逼近现实」，还是「以理论为核心强调机制解释和因果逻辑严密性」，是选择「数据驱动为主导」，还是坚持「从理论出发构建认知框架」。这些看似是方法层面的差异，实际上对应不同的科学观和认知路径，会深刻影响未来科学的发展方向和知识结构。

因此，AI for Science的竞争归根到底不是单一技术的竞争，而是谁能在新一轮范式转型中率先形成稳定且具有解释力的全新认知体系，这才是竞争的核心。

现有的科研体系很大程度上仍然是以学科划分、PI制、论文评价为基础构建的，这套模式在传统科学阶段发挥了重要作用，但在AI for Science时代，其适应性已经受到严峻挑战。随着科学问题日益复杂，人工智能深度参与科研过程，未来的科研组织将更加面向重大问题，强调跨学科协同，并以人机系统作为基本运行单元。

这不仅意味着组织形式的变化，也将带来科研评价方式、资源配置逻辑以及人才培养路径的系统性调整。这种变革面临巨大复杂的挑战，会打破原有利益结构，需要科研领导者拿出战略性决心推动落地。

3. 中国具备科技创新与产业创新融合的独特优势

我国在若干领域已经具备较强的原始创新能力，同时拥有大规模科学数据资源，这为AI for Science发展提供了重要基础。除此之外，中国还具备完整的产业体系和丰富的应用场景，能够让新技术在更大范围内快速验证和迭代。

未来AI for Science的竞争，核心不在于某个单一环节的领先，而在于能否在科学、工程与产业之间构建高效的联动机制，实现持续迭代与系统优化，中国的融合优势将成为我们参与全球竞争的核心底气。白春礼院士在分享中举了一个非常生活化的例子：他本人长麦粒肿后查询不同AI模型，一个说要热敷一个说要冷敷，他不敢随便尝试最后去了医院，这个小例子恰恰说明，AI介入科研后责任界定的问题已经非常现实，需要提前建立规则。

4. 需要强化哲学与科学的深度对话

过去一段时间，随着技术快速发展，人文学科一定程度上被边缘化，但从科学发展的长周期来看，真正重大的科学突破往往都伴随着对基本概念和认知框架的反思。AI深度介入科研后，责任界定、价值判断等问题比以往任何时候都更加突出，哲学不应该仅做事后反思，需要同步介入科学研究。

具体来说，哲学需要参与科学命题的形成，通过对基础概念、隐含前提和研究范式的反思，帮助研究者判断哪些问题值得提出，哪些路径更有可能实现根本性突破；哲学需要帮助研究者反思假设边界，区分概念混淆和真实困难，在多条研究路径之间保持开放性，避免过早收敛，为原创突破保留空间；哲学需要参与塑造技术发展方向，通过对价值目标、责任边界和人类处境的讨论，确保科技进步始终服务于人类整体福祉，而不是偏离正确方向。

四、AI对材料科学研究范式的革新（张锦院士演讲核心）

张锦院士作为材料科学领域的顶尖专家，从领域落地的角度分享了AI对材料科学研究范式的革新方向，首先就点明了材料科学的核心地位：材料是所有颠覆性技术的基石，任何技术突破都需要新材料作为支撑，但传统材料研究长期面临难以突破的困境。

1. 传统材料科学研究的核心挑战

传统材料研究最典型的特征就是长周期、高成本、高风险，一个新材料从发现到产业化应用平均需要20-30年，部分典型材料的研发周期如下：
表2 典型传统新材料研发周期统计

具体来说，传统材料研究面临三大核心困境：
第一是数据标准化难题：高质量数据稀缺，部分领域数据获取成本高、周期长，标注不全；数据格式多样化，包含图像、光谱、结构等多种类型；采集、标注、存储各环节都缺乏统一标准；同时敏感数据还涉及知识产权和隐私保护问题，难以共享。
第二是还原论研究思维的局限性：当前主流研究思路是化整体为部分、化复杂为简单，但这种方法会损失材料体系中关键的耦合信息，材料科学通常不存在简单的线性因果关系，盲目归因必然带来信息失真，导致研究者丢失对全局的理解，甚至产生错误认知。
第三是杀手锏应用的不可预测性：材料的最终大规模应用方向往往与最初研发目标不符，存在极强的不可预测性，典型案例如下：

表3 典型材料初始研发目标与最终应用对比

除了上述三个问题，还有一个最突出的矛盾就是实验室研究与产业应用的巨大鸿沟：实验室研究追求新理论、新方法、极限指标，更关注学术产出；而产业应用追求良品率、一致性、稳定性、成本、环保性，目标差异直接导致了行业内常说的“实验室说啥有啥，产业应用要啥没啥”的尴尬境地。

张锦院士指出，材料科学是典型的复杂系统，存在非线性相互作用、多尺度耦合、结果不可预测等特征，传统研究方法存在天生的局限性，而AI恰恰擅长处理高维度、多尺度数据，能够挖掘参数之间的复杂关联，发现传统方法难以发现的规律，因此AI for Materials已经成为材料研究的全新范式。

同时张锦院士也强调，当前AI发展已经从“上半场”的存量知识阶段进入“下半场”的增量知识阶段：上半场的AI主要学习互联网存量数据，虽然取得了很多成果，但如果不与物理世界交互产生新数据，对科学发现的贡献非常有限，AI应该帮助人类加速科学发现、定义未来产业，而不是只停留在服务消费端，这才是AI for Science真正的价值方向。

2. AI赋能材料科学的基础路径：知识+数据双驱动

AI应用于材料科学的核心基础是数据、算力、模型深度融合，同时注入已有科学知识，实现知识+数据双驱动。张锦院士强调，很多人存在一个误区，认为AI for Science就是纯数据驱动，但实际上科学研究和互联网应用不一样，必须把已有的学科知识、物理规律注入模型，才能提升模型准确性，降低算力需求，这是由科学研究的本质决定的。

最典型的例子就是AlphaFold的成功，它不仅仅是数据驱动，还注入了氢键、范德华力等生物化学领域已有的知识，才实现了精准预测，我们在材料领域也必须遵循这个逻辑。张锦院士分享了团队在碳纳米管生长催化剂研发中的实践，完美验证了这个路径的有效性：

团队的研究目标是制备高密度全半导体性碳纳米管阵列，用于未来碳基芯片制造，这个体系是典型的跨尺度、多参数耦合体系，传统研究方法很难突破。团队采用Google开源模型，输入所有已有的催化剂数据让模型预测合格的生长催化剂，然后搭建了机器人控制系统，能够同时控制四台CVD设备，每天可以产出超过100组实验数据用来迭代模型，最终成功得到了符合实验结果的催化剂。

最初团队只得到了结果，却无法解释为什么这个催化剂有效，也就是“知其然不知其所以然”，随后团队将碳管生长相关的物理知识全部注入模型，做知识+数据双驱动训练，最终模型发现碳管与催化剂之间的热传导是影响生长效果的关键因素，这个结论随后得到了实验验证，而这个问题是整个碳纳米管研究领域过去几十年从来没有人关注过的全新科学问题，完全是AI帮助人类发现的。

这个案例充分说明，AI不仅可以提升研发效率，还能帮助人类发现新的科学规律，突破人类认知的盲区。

3. 研发模式升级：端到端逆向设计，乐高式模块化开发

传统材料研发都是正向设计：从分子设计开始，到合成、测试、中试、产业化，整个流程非常长，这也是材料研发周期长达几十年的核心原因。张锦院士团队提出了需求导向的端到端逆向研发模式，用多智能体分模块控制全流程，每个模块对应一个研发阶段，类似乐高积木一样可以自由组合，满足不同的需求。

张锦院士分享了碳纳米管/芳纶复合纤维研发的案例：这套研发流程包含117步实验，650个可调参数，这么多参数人类根本无法独立完成优化，结合AI巡游算法和高通量智能化实验平台后，原本需要2000天才能完成的一万参数空间搜索，缩短到了仅仅4天，研发周期缩短了99.8%，效率提升是革命性的。具体的周期对比如下：
表4 AI赋能与传统材料研发周期对比（一万参数空间搜索）

经过多轮迭代优化，团队研发的碳纳米管/芳纶复合纤维拉伸强度突破了7GPa，达到了日本东丽T1000碳纤维的强度水平，而且韧性比T1000更优，成本还更低。在此基础上开发的碳管涂覆芳纶隐身防护材料，已经完成了百公斤级中试，正在和万华化学合作推进产业化，很快就能应用到国防装备领域。

这种端到端模块化研发模式，本质就是把材料研发拆分成多个独立模块，每个模块由专门的智能体负责，根据不同应用场景的需求，快速拼接组合出解决方案，就像搭乐高一样灵活高效，既可以满足基础研究的探索需求，也可以满足产业端的定制化需求，从根本上解决了传统材料研发周期长、灵活性差的问题。

4. 未来方向：建设自动驾驶式自驱动材料实验室

张锦院士团队目前正在北京大学建设吸碳材料加速创制的人工智能自驱动实验室，也就是业界所说的“自动驾驶实验室”，预计2026年7月全部建设完成，目前已经建成了数据中心、表征平台、三类纤维生长平台以及全周期电池研发平台，其中电池研发平台已经投入使用。

自驱动实验室的目标就是实现从材料概念设计、实验制备、测试表征到知识发现的全流程自主运行，AI自动完成迭代优化，不需要人类干预太多，最终形成“智能设计-自动化实验-自主发现新知识”的闭环，大幅提升材料研发效率，缩短从实验室到产业化的时间。

张锦院士最后总结：AI能够解决材料研究遇到的众多困难，有望突破材料研究的现有瓶颈，人工智能不是工具的革命，而是科学革命的工具，呼吁整个学界拥抱AI、用好AI，共同推动材料科学研究范式的变革。

五、大模型研发进展及对AI for Science的启发（胡事民院士演讲核心）

胡事民院士从计算机科学家的视角，分享了团队在大模型部署、评测、训练方面的最新成果，以及这些成果对AI for Science的启发，核心观点是AI for Science不能照搬传统大模型的发展路线，需要从科学体系层面实现突破。

1. 基于国产硬件的大模型高效推理优化成果

针对AI for Science对自主可控的需求，胡事民院士团队围绕国产硬件做了大量适配优化工作，2025年8月已经完成了多款主流大模型在华为昇腾硬件平台的适配优化，包括DeepSeek V2、千问系列等主流模型，其中在2700亿参数的DeepSeek V2模型上，通过大模型算子融合发射、基于权重融合的计算图优化、服务端优化三项核心技术，把运行效率提升了470%，单卡推理性能超过了官方版本，实现了国产大模型在国产硬件上的高效运行，除此之外团队还完成了华为深腾320P端侧芯片的推理加速优化，满足端侧科研设备的推理需求。

2. 大模型推理能力评测的核心发现

胡事民院士提出，推理能力是大模型能力的核心标志，是大模型在复杂场景下解决问题能力的直接体现，当前大模型评测大多停留在知识记忆层面，很难真正衡量模型的推理能力，因此团队联合斯坦福大学、CMU等机构共同打造了覆盖多学科的复杂推理评测基准mathcal{R}-Bench，核心目标是推动大模型评估从“知识记忆”走向“认知推理”。

这个评测基准覆盖了清华大学几乎所有学科，细化到100余个细分领域，包含1094道评测题目，其中665道是多模态推理题目，对当前主流大模型的评测结果显示：闭源大模型中OpenAI GPT-5排名第一，国产头部大模型和GPT-5的差距不大；开源大模型中中国模型整体领先美国，但多模态推理能力仍然落后于美国。

除此之外，团队专门构建了几何推理评测基准，测试大模型的视觉推理、动态绘图能力，得到了三个非常有启发的结论：
第一，当前大模型的几何推理能力远低于人类水平：研究生做这类题目平均得分80分以上，最好的闭源大模型仅能得到25分，最好的开源大模型仅能得到十几分，完全满足不了AI for Science对几何推理、空间认知的需求；
第二，单纯扩大模型参数规模无法提升推理能力：团队对比了32B和72B参数的千问模型，两者在几何推理任务上的得分几乎没有差别，说明“大力出奇迹”的路线在推理能力提升上已经失效；
第三，大模型的推理逻辑和人类有本质差别：大模型倾向于用纯文本代数方法替代几何思考，遇到几何问题首先建坐标系用代数求解，而人类通常会先做空间认知、画辅助线，这种逻辑差异导致大模型很难解决科学研究中的很多空间推理问题，需要从模型架构层面做出调整。

3. 多模态大模型数据集建设成果

针对当前大模型训练存在的“数据噪声多、获取成本高、复杂推理数据匮乏”三大问题，胡事民院士团队联合腾讯共同打造了包含1500万个QA对的FSFT多模态训练数据集，搭建了一套自动化、透明可复现的数据管线，支持后续随时扩充数据集规模，基于这套数据集训练了8B参数的多模态大模型，验证了数据管线的有效性。

这个数据集2025年10月开源后，在全球开源社区获得了非常大的影响，截至目前数据集已经被下载超过30万次，模型被下载超过24万次，已经成为全球多模态大模型训练的核心公开数据集之一，推动了整个领域的发展。

4. AI for Science的核心挑战：不能照搬“大力出奇迹”路线

胡事民院士最后强调，AI for Science不能照搬传统通用大模型“大力出奇迹”的发展路线，核心有四个难以突破的挑战：
第一，数据来源窄、成本极高：科学数据来自实验室精密仪器、超算模拟、临床试验，单一样本的成本就可以达到几万到几百万美元，获取时间长达数十年，根本不可能像通用大模型那样获取海量数据；
第二，模态复杂，难以统一输入：科学数据不只有文本，还有图像、序列、光谱、三维结构等大量非结构化多模态数据，很难无损统一输入到大模型中；
第三，精度要求极高，绝对不允许幻觉：通用大模型允许一定比例的幻觉，但AI for Science不行，比如药物研发中一个分子坐标的错误，就可能把一个有效药物变成毒药，后果不堪设想；
第四，必须遵循物理客观规律，不能只靠模式匹配：AI for Science要求把质量守恒、能量守恒等物理规律作为硬性约束写入推理过程，不能靠提示工程和模式匹配，传统大模型的误差会在推理过程中累积放大，最终导致结果崩溃。

除此之外，当前学术界还没有建立AI发现新科学原理的验证体系，整个领域还是一片空白。胡事民院士呼吁，计算机科学家不能只做科学家的“小助手”，必须从科学体系层面实现突破，推动大模型从“会说话、会推理”走向“懂科学、守规律、算得准、可验证”，这才是AI for Science真正的发展方向。

六、上海人工智能实验室重磅发布：珠穆朗玛计划与攀登者计划2.0

在三位院士分享结束后，上海人工智能实验室正式发布了面向AI时代重大科学发现的战略举措——AGI for Science珠穆朗玛计划，同时升级发布了攀登者计划2.0。

1. 珠穆朗玛计划定位：AI for Science 2.0，实现全链路范式跃迁

如果说AI for Science 1.0的核心是单点科学突破，那么AI for Science 2.0就是要通过AGI对科学发现全流程进行系统赋能，实现整个科研范式的跃迁，本次发布已经打通了从科学基础设施到科学基座模型，再到人机关协同发现平台的全链路，为AI for Science发展构建了完整的技术底座。

2. 全链路基础设施建设

• 算力层：超智融合架构：单一算力结构已经无法满足AI for Science复杂长流程任务的需求，超智融合架构结合了超算和智算的优势，通过底层技术互联，支撑高复杂度、长周期的科学任务，为科学发现提供充足的算力支撑。

• 数据层：100PB+ AI ready全生命周期科学数据体系：数据是AI for Science的生命线，上海人工智能实验室打造了超过100PB的AI ready科学数据体系，也就是已经预处理好、可以直接给AI模型使用的数据，覆盖了2500万篇科学文献，支持实时更新，同时研发了科学数据智能解析引擎，解决了复杂图表、多模态数据深层逻辑看不懂、用不上的行业难题，让AI可以像科学家一样做基于第一性原理的推导。

• 实验层：巨深自主实验室：干湿闭环是检验科学发现的最终标准，巨深自主实验室相比传统自动化实验室，具备更强的泛化能力和更精细的操作能力，可以支撑复杂科学实验，能够把原本需要数月甚至数年的科学实验压缩到天甚至小时级，同时推动传统科研设施的智能化升级，实现联邦协同，提升整个科研体系的效率。

3. 科学基座模型与发现平台

在基础设施之上，上海人工智能实验室发布了全球参数规模最大的科学多模态大模型——Inter S1 Pro，参数规模达到万亿，在多项综合科学评测中居于全球领先水平，尤其是复杂数理推理能力达到了顶尖水平，为AI驱动科学发现奠定了模型基础。

和Inter S1 Pro配套的是通用科学发现系统Inter Discovery，这是一个开放生态枢纽，真正实现了模型共享、数据互通、设施互联，目前已经具备接入百种物理实验设备的能力，搭建了覆盖科研全流程的评价体系和科学上下文协议，已经在光学影像、基因育种、化学材料等多个领域取得了突破性进展，大模型和科学发现平台的深度协同，将推动科学研究从传统的单点突破，向系统性发现新阶段演进。

4. 攀登者计划2.0：全流程支撑全球前沿课题

攀登者计划1.0在2025年1月发布，向全球征集前沿交叉课题，一共收到了500个课题申请，覆盖数学、物理、能源、材料、化工、生命等多个领域，已经取得了多个产业化成果：AI电解液研发将研发时间缩短了超过50%，已经实现产业化；AI芯片设计合作项目将研发周期缩短了80%，已经对接7纳米工艺开展产业落地。

本次发布的攀登者计划2.0，把1.0从一个计划品牌升级为完备的科学问题、人才、孵化全流程系统：资源侧打通了实验室、上海市、国家级三级项目支持体系，给课题提供充足的资源；运营侧引入了专业项目经理人，提供全流程支撑服务，承诺为所有课题提供充分的资源托举，上海人工智能实验室诚邀全球科技同仁带着科学问题加入攀登者计划2.0，共同推进AI for Science发展。

在发布活动最后，上海人工智能实验室联合18家国家级科学数据中心共同启动了AI for Science数据共建计划，进一步夯实AI for Science的数据基础，打造开放共享的科研生态。

结语

本次浦江AI学术年会AI for Science主题论坛，是AGI时代科研范式变革进程中的一次标志性会议，从宏观认知体系重构，到具体领域的落地实践，再到核心技术挑战的拆解，最后到完整的生态战略布局，已经清晰勾勒出AI for Science未来十年的发展脉络。AI for Science不再是一个停留在论文中的概念，已经进入了落地实践的关键阶段，正在从底层重构整个科学研究的逻辑和体系，相信未来十年，AI will bring new breakthroughs to human scientific discovery，推动人类文明进入全新的发展阶段。

✨ 嘉宾金句

1. “科学不仅关乎能力啊，更关乎方向；不仅关乎发现，更关乎抉择。” ——白春礼 战略洞见

2. “我们在推动技术进步的同时，更需于理性与善意拥抱科学审慎思考，它将引领人类驶向何方。” ——白春礼 战略洞见

3. “人工智能不是工具的革命，而是科学革命的工具。” ——张锦 战略洞见

4. “AI呢应该帮助我们加速科学发现、定义未来的产业，我觉得这才大家应该努力的这样的一个方向。” ——张锦 执行策略

5. “从0到1固然重要，我觉得从1回到0它的迭代呢也很重要。” ——张锦 方法技巧

6. “登顶各自领域的高峰，是每个科学家朴素而崇高的理想。” ——乔宇 情绪共鸣

7. “在与科学家攀登科学高峰从来不是一个实验室一支团队的孤军作战，我们愿以珠穆朗玛峰计划为坚实的基础，与全球顶尖的科学家并肩同行，向人类科学知识的边界发动新的挑战。” ——乔宇 情绪共鸣

📝 免责声明

本文基于2026浦江AI学术年会公开分享内容整理，所有观点仅属于演讲嘉宾本人，不代表本公众号立场。本文内容仅供学术交流参考。