导语

【当前，人工智能驱动的科研范式变革，已然从发展选择题变为行业必答题。8 月 21 日，2026 科学智能大会于北京中关村国际科技创新中心启幕解题。本次大会由“学术科协”科学智能专家委员会提供学术指导，汇聚 50 余位院士、80 余位青年学者，4000余名次政产学研各界代表参会。大会围绕人工智能重塑科研范式这一核心主题，覆盖科学智能基础理论、数据集建设、产业落地应用、科学基础大模型、行业智能体、AI4S 与可持续发展、开源生态及国际合作等多个前沿方向，深度研判 AI for Science 发展趋势，擘画产业长远蓝图，集中展现出我国科学智能领域蓬勃向上的发展态势。】

会议期间，数智化网对出席会议的上海人工智能实验室青年科学家白磊进行专访，围绕我国科学智能发展路径、基础科研与 AI 的双向赋能、青年人才培养、自主科学发现、科研普惠等热点话题展开深度对话。

白磊研究员简介

白磊，上海人工智能实验室青年科学家，主要研究方向为科学多模态大模型、科研智能体、及其在跨学科交叉领域的应用。已在Nature子刊、Science子刊、IEEE TPAMI、NeurIPS等人工智能领域顶级期刊会议发表学术论文100余篇，谷歌学术引用一万余次。基于其研究工作入选国家及上海市人才计划，获2025 DAI最佳论文奖、2024年IEEE TCSVT最佳论文奖、2022年世界人工智能大会云帆奖、2020年新南威尔士大学工程研究卓越奖、2019年谷歌博士奖等。负责或参与研发书生科学多模态大模型Intern-S、书生科学发现系统Intern-Discovery、风乌气象海洋大模型等，相关成果多次被新华社、人民网、中国新闻周刊、环球时报等主流媒体报道，入选国家发改委一带一路推广案例。

专访实录

数智化网：当下业界对于 AI for Science 与基础科学的辩证关系讨论热烈。一部分观点认为科学智能的突破有赖于数学等基础理论突破作为底层支撑，也有观点提出二者关联性有限，更多观点将其视作共生伴生、双向赋能的共同体。在您看来，科学智能的重大突破是否需要基础科学理论突破支撑？二者如何实现相互成就？

白磊：这是一个兼具理论深度与现实价值的议题，科学智能包含两组概念：“Science for AI” 即基础科学突破推动人工智能技术迭代，以及 “AI for Science” 即人工智能赋能科学研究突破。二者的发展逻辑并不相同。

从基础科学赋能人工智能的角度来看，神经科学的前沿成果，能够帮助我们揭开智能运行的底层机理，为神经网络架构、记忆与高效学习机制的创新提供理论源泉，进而催生类似Transformer 的底层模型架构的迭代升级。与此同时，数学领域在高维优化理论与统一理论框架等方向的进展，有望为人工智能算法的理论创新与性能提升提供坚实基础。 

另一方面，科学智能的落地成果也能够起到价值背书的作用。例如 AI 辅助抗癌药物、疫苗研发等成果不断涌现，直观展现出科学智能的应用潜力，持续提振政府、产业资本和学术共同体的投入信心，加速行业资源集聚。

在此我也呼吁行业各界给予科学智能更长的发展周期与更多耐心。作为强交叉前沿基础领域，科学智能的研发周期天然长于普通应用型项目。如果行业一味追求短平快的落地成果，容易催生短视功利的发展心态，反而不利于底层原创性、根本性技术突破的诞生。期待社会各界放宽评价周期，支持科研人员深耕基础方向，产出更多源头创新成果。

数智化网：全球科学智能产业加速演进，行业迫切需要大批优质青年人才。结合您的科研实践，科学智能领域需要什么样的优秀青年人才？高校应当如何完善青年人才培养体系？

白磊：新一代科学智能人才，应当是 “科学智能原生的交叉型人才”，既非常懂AI，他能够把问题进行形式化、并将对应模型给设计出来训练出来，又非常懂Science，他要理解完全的科学发现流程。早年的科学智能工作，大多以单点任务导向为主，例如气象预测、蛋白结构预测等，科研人员只需完成单点任务指标即可，对跨学科深度融合的要求有限。而当下行业已经迈入全新阶段，AI 需要深度参与科学探索的全流程，不仅要完成预测与设计，更要解析背后的科学机理。这就要求从业者既能够独立完成 AI 模型的设计、训练与调优，又深谙对应自然科学领域的知识体系，完整理解科学发现的全链条逻辑。

在此基础之上，优秀人才需要有一个非常强的AI算法工程能力或者非常好的科学的sense这类长处。过硬的 AI 算法工程落地能力，面对复杂科研问题可以快速完成方案落地；敏锐的科学的sense，能够从海量科研问题当中精准筛选出适配人工智能解决路径的方向。

综合来看，科学智能人才培养要坚持交叉学科育人主线，深化产教融合，依托一线科研实训补齐青年科研人员跨领域实践短板。

数智化网：您长期深耕自主科学发现方向，产出了多项代表性成果。能否介绍您最具代表性的研究成果，以及相关成果如何赋能广大科研人员开展自主科学发现？

白磊：我的研究历程大致分为两个发展阶段。2024 年之前，团队主攻单点式专业科学模型，代表成果便是 风乌FengWu 气象海洋大模型体系。该模型聚焦气象预报单一赛道，虽不具备机理解释和跨学科迁移能力，但预测性能超越 DeepMind GraphCast，现已在国内多家气象、电力能源等战略性机构落地部署，取得了良好的应用成效。

随着推理大模型、智能体技术快速兴起，我们意识到单点专业模型仅能完成局部任务，无法完整赋能科研全链条，难以支撑自主科学发现的长远目标。自 2024 年下半年起，团队将研究重心转向科学多模态智能体模型，重点打造两大核心能力：一是科学多模态推理能力，模型输出预测结果的同时，能够给出完整推理链路、文献证据与思维链；二是交互行动能力，智能体可自主检索文献、调用工具，基于实验、仿真等多元反馈动态调整科研规划，实现迭代进化。

围绕这一方向，团队已产出 Agents-A1 与 SciReasoner 两大成果。参数规模 35B 的 Agents-A1模型，在科学推理、文献检索、工程代码设计等多项任务中，性能超过万亿参数大模型；SciReasoner 科学推理模型覆盖生命、化学、材料等多学科，构建包含问答、翻译、分类、预测、设计五大类共 103 项科学任务数据集，经过后训练微调与强化学习，模型在 101 项任务中达到全球第一梯队水平。

数智化网：通用人工智能一直是行业热议话题，从科学智能视角来看，通用大模型能否在各科研领域实现全域通用能力？

白磊：通用人工智能的定义始终处在动态演变当中。如果仅以达到普通人类平均知识水平作为标尺，当前大模型已经达标；在数学这类推理任务当中，通用模型能力已经超过绝大多数人类。

但一旦研究延伸至真实物理世界，无论是微观层面的 DNA、蛋白质研究，还是宏观范畴的地球大气、海洋观测，通用模型短板便会凸显。与物理世界交互，仅依靠文本层面的知识储备远远不够，而这正是现阶段通用模型的薄弱环节。

因此，我们不必急于追求面向真实世界的全能通用模型，应当秉持务实发展思路，锚定科学家真实科研需求，优先攻克价值清晰、落地可行的科研任务，循序渐进推进技术迭代。

数智化网：科学基础模型与当下主流通用大模型之间，核心差异体现在哪些方面？

白磊：当前市面上的通用大模型以文本能力为核心，擅长读文献、写报告等文本类工作。而科学基础模型与之相比，有三大本质区别： 第一，可解析多模态科学世界。科学数据包含卫星影像、蛋白序列、分子结构等大量非文本模态，科学基础模型需要具备多模态数据的学习、理解能力； 第二，具备开放探索能力。科学研究属于开放性问题，没有唯一最优解，往往存在多条可行路径，成果可持续迭代优化；而普通通用模型任务大多目标明确、答案闭环； 第三，结果需完备的科学证据链支撑。科学研究成果必须符合客观科学规律，即便输出预测结果正确，如若缺少完整证据支撑，结论也不会被科研群体认可。

数智化网：气象预报与大众生产生活息息相关，预报偏差一直广受社会关注。科学智能能否持续缩小天气预报误差？未来气象预报有望达到怎样的精准水平？

白磊：气象预报精度提升，观测体系建设与算法迭代二者缺一不可。完备的卫星、雷达、地面气象站观测网络是基础，优质的数据供给是 AI 算法发挥效能的前提。

人工智能赋能气象预报，主要有三条可行路径：一是迭代优化现有预测模型，持续升级 风乌（FengWu） 这类气象专用模型，稳步提升预报精度；二是探索端到端全新预报范式，不依赖传统数值模式，面向极端天气预警实现技术突破；三是依托大模型、科学智能体深度解析海量高分辨率气象数据，助力科研人员挖掘全新大气机理方程，从底层理论层面推动预报能力跃升。三条路径各有侧重，适合不同背景的科研团队深耕。

数智化网：业内提出科学智能将推动科研平权化，让更多人有机会参与科研工作。AI for Science 逐步走向普及，何时能够做到好用、易用？

白磊：“人人都可以做科研” 的目标并不现实，科研探索本身周期漫长、失败率高，真正愿意投身科研的始终是少数爱好者。但对于有科研兴趣的群体而言，当下大模型已经可以为其提供科研助力。以数学研究为例，现有模型知识储备已经足以辅助爱好者开展问题攻关，核心门槛转向使用者写Prompt的能力（提示词工程能力）。使用者需要提供详尽、完整的问题背景与约束条件，才能够充分释放大模型的科研辅助价值。

我印象中，前段时间有一位协和医院医生，解决了一个数学的大挑战难题。你去看他的过程，你会发现他并不是问了AI一句话，说我怎么去解决数学问题，这个是不行的。因为大模型没有足够的约束，没有足够的这种背景信息，get不到你需求点。该医生在从事医学工作期间，一直对数学抱有浓厚兴趣，也积累了相关知识。为此，他撰写了长达上千字的提示词，清晰向大模型交代问题背景、注意事项、失败后的应对方案，同时要求模型严谨求解、不可投机取巧。从报道来看，他自 2024‑2025 年便开启尝试，经过无数轮与大模型的反复沟通迭代，最终在今年成功攻克难题。这也说明，大模型现已具备辅助科研的能力，但这项能力更适合有研究兴趣的人群，并非人人适用；只要保有兴趣，当下就可以借助大模型开展科研探索。

媒体团队追加提问：我追一个小问题，以后有没有可能个人研究者或者小团队研究逐渐会涌现出来，产出高水平原创科研成果？

白磊：非常同意这个观点，科研攻关有两种不同类型。

一种类型需要有组织科研，需要很多资源来做一些方向明确的工程放大的事情，例如探月工程、人类基因组计划，目标清晰、工程量浩大，必须依靠大型团队统筹资源协同攻关。

另一类则是原始科学规律发现，这类方向未来或将涌现大量 “单人科研项目”。当前科研文献资源逐步开放，未来随着自主实验室建设提速、远程自动化实验平台对外开放，个人研究者、小团队完全可以依托大模型完成方案设计，远程调用自动化设备开展实验验证。该模式会优先在数据敏感度低、自动化配套成熟的领域落地，释放个体科研创新活力。

媒体团队追加提问：伴随通用模型与科研专用模型边界逐步模糊，科研模型未来的发展方向是什么？

白磊：从长远视角来看，科研专用模型与通用大模型底层能力具备共通之处，未来二者终将走向能力统一。但现阶段，科学探索是牵引人工智能技术向上突破最好的练兵场。科研任务对证据链、结果可信度、超长周期探索能力提出极高标准，这些严苛要求会反向驱动通用大模型向着可信、长时序深度推理的方向迭代升级，以科研需求为牵引，带动整个人工智能产业实现更高质量的发展。

数智化网：再次感谢白老师的深度分享，后续我们将持续关注团队最新科研进展，期待您和团队产出更多引领行业发展的创新成果，助力我国 AI for Science 领域迈向世界前列。

（本文完）