周伯文谈 AGI for Science：重新定义 AGI 时代的创新范式 | GAIR Paper 127|周伯文|方法论|牛顿|科学

一张需要被重画的“创新地图”。

1945年，万尼瓦尔·布什向美国总统递交了一份报告——《科学：无尽的前沿》，深刻重塑了此后半个世纪的科研格局。其核心逻辑是：基础研究产生新知识，新知识催生应用，应用驱动产业，产业改善社会。这条单向流动的线性创新管道，由此成为战后美国乃至全球科研政策的底层架构，塑造了国家实验室体系、大学科研机制与政府资助模式的整体制度设计。布什的模型有其历史合理性，并在此后数十年间有力支撑了芯片和晶体管、互联网、生物和基因工程等一系列突破性成果。

今天，我们站在AGI与科学前沿的交叉口上。AGI的能力边界在过去数年里以始料未及的速度扩展，与此同时，在生命科学、材料科学、气候科学等领域积累了数十年的知识，亟待突破。这个交叉口对创新协作机制提出了远超布什时代的新要求。若仍以线性管道逻辑来组织AGI时代的科学创新，我们或将系统性地错失这一历史窗口真正开启的可能性空间。因此，重新深入理解科学创新，需要从一个基本事实出发：一切科学发现，本质上都是已知与未知之间持续张力的产物。这两个认知变量的不同组合，界定了科研的范式，也决定了每个阶段所需的协作逻辑。按此逻辑，科学创新可以区分为三个性质迥异的象限，形成一张新的“创新地图”。

图1 AGI for Science创新地图

一是未知的未知（0→1）：问题本身尚未被清晰界定，解法路径更无从规划。这是原始知识创新的疆域，是人类智识中最难预期、却往往影响最为深远的突破地带。这类创新最难被计划，也最难被加速。

二是已知的未知（1→10）：底层科学原理已然存在，但解决具体问题所需的知识组合方式尚待发现。可动用的已知变量或有千个，而有效的排列组合空间呈指数级爆炸，远超人类认知与体力所能覆盖的边界。

三是已知的未知（10→100）：关键卡点清晰可辨，但如何实现系统性突破依然悬而未决。这是创新走向产业化的关键跃迁地带：从科学原理走向规模量产，压缩小试与中试环节，推动行业层面真正实现爆发式增长。

这张地图与布什模型最根本的差异，不只是创新链条从线性变为二维。更重要的是，它揭示了布什模型从未触及的问题：没有任何单一的创新协作机制可以同时适配三个象限。0→1需要开放探索与偶发连接；1→10需要系统搜索与并行实验；10→100需要全局视野与接口共识。

让“发现”照亮发现：

知识躺在抽屉里的那二十年

我们先来看一个从0→1的故事。1684年夏，英国皇家学会会员爱德蒙·哈雷专程赴剑桥拜访数学家艾萨克·牛顿，就行星轨道与引力关系问题寻求解答。牛顿当即给出结论——椭圆轨道——并告知相关推导早已完成，但手稿一时无从查找。事实上，开普勒定律的完整数学基础与万有引力理论的核心证明，已沉寂于其案头将近二十年。哈雷随即说服牛顿重新整理推导，自行承担出版费用，并处理印刷过程中的法律纠纷。1687年，《自然哲学的数学原理》正式出版，近代力学体系由此奠定。这一案例揭示了原创性科学发现在知识转化过程中的一个结构性问题：发现本身已经完成，但由于缺乏有效的传播与激活机制，其价值长期无法进入公共知识体系。知识生产与知识流通之间的断裂，是制约原创创新产出效率的重要瓶颈。

这一问题在当前呈现出显著的规模扩张趋势。全球每年发表学术论文超过三百万篇[1]，其中不少论文在发表后数年内从未被引用[2]。大量具有潜在突破价值的研究成果，因缺乏有效的跨学科识别与连接机制而长期处于休眠状态。与此同时，科学研究的学科分化日益加剧，研究人员难以系统追踪相邻领域的最新进展，进一步加大了知识整合的难度。

在此背景下，具备跨学科语义理解与检索能力的人工智能系统，为上述结构性问题提供了新的解决路径。可以设想这样一个场景：若AI系统在1905年读到爱因斯坦刚发表的狭义相对论，能否结合同时期已趋成熟的黎曼几何，独立推导出广义相对论的核心框架？这一思想实验所指向的，正是AGI在原创性科学发现中的潜在功能定位——不是替代科研人员的专业判断，而是凭借长程任务推理能力，在人类认知难以系统覆盖的跨学科空间中，识别尚未被连接的研究节点，辅助构建隐性知识网络，乃至参与界定新的科研问题框架。从科技创新角度看，从0到1，核心在于系统性提升知识存量的流通效率，弥合知识生产与知识传播之间长期存在的结构性断裂，充分释放现有科研积累中尚未被充分激活的创新潜能。

让“发明”催生发明：

爱迪生与门洛帕克实验室

从1→10，有个大众熟悉的叙事。爱迪生试验了逾千种材料，终于找到了能够持久发光的碳化竹丝灯丝。这个故事充满励志色彩，却在无意中固化了一种对创新机制的根本性误解。真实的历史要复杂得多，也在创新管理层面更具思想价值。1876年，爱迪生在新泽西州门洛帕克创建了一个在彼时看来颇为异类的机构。他系统招募物理学家、化学家、机械工程师与精密仪器工匠，让背景迥异的专业人才在共享的物理空间内密集协作。实验的推进并非随机的试错堆砌，而是遵循一套经过设计的系统化并行搜索策略——多个研究小组同步探索不同技术路径，每一轮实验的结论即时共享，成为下一轮假设设定的信息输入。

爱迪生在建立门洛帕克时便明确宣称，这里将是一座“发明工厂”——平均每十天就有一项小发明，每六个月左右就有一项大发明（A minor invention every ten days and a big thing every six months or so）。门洛帕克真正的核心产出不只是灯泡，而是一套可重复的发明方法论。一千多次试验，绝非个体的盲目试错，而是一套有组织的并行搜索机制。爱迪生真正的创新，不只是灯泡，而是重新定义了“发明”本身的组织方式——把发明从依赖个人灵感的偶然事件，变成可预测、可管理、可规模化的工业流程。

2018年，AlphaFold所引发的科学界震动，也遵循着同一逻辑。蛋白质折叠问题在原理层面早已是“已知的已知”，氨基酸序列决定三维结构。但真正的挑战在于，潜在的折叠构型空间呈天文级别的指数爆炸，远超传统计算资源与科学直觉所能系统搜索的范围。AlphaFold的核心贡献，不是发现了新的生物学原理，而是将一个需要在巨量构型空间中进行穷举搜索的问题，转化为可以通过深度学习架构系统求解的计算任务。将“未知的已知”从指数级的组合困境中系统性地解救出来，正是门洛帕克模式在当代科研中的具体实现。

门洛帕克留给我们的，不止于此。它不只是一个搜索引擎，更是一个知识持续流通的创新生态系统——在这个系统中，发现的所有权不再归属于个人，而归属于协作网络本身。AI辅助科研的真正战略潜力，在于重建这一生态架构：让分散于不同机构与学科的研究者得以在共享的技术基础设施上并行探索，让每一次局部发现真正成为下一次发现的起点，实现创新的内生性自我加速。从1到10，核心在于用机制设计替代个人押注，让创新搜索变得可管理。

让“协同”解锁协同：

阿波罗的接缝

从10→100，最典型的案例则是阿波罗计划。1967年1月，阿波罗1号的三名宇航员在例行地面测试中罹难于舱内大火。事故调查将起火点追溯至舱内某处电气短路，但真正的失败根因远比这表层叙述更为深刻：一个由数十万人、数千家供应商构成的超大规模系统工程，在某个没有任何个体明确负责的系统接口处悄然断裂。没有任何人存在主观疏失，但整个系统在复杂度积累的临界点上彻底失效。这是大规模协作工程中最令人不安的结构性悖论：每个人都在尽职履责地完成自己的模块，但没有任何人在守护模块与模块之间的空隙。局部最优的叠加，未必收敛于全局最优，甚至可能催生系统层面的灾难性涌现。

这场悲剧迫使NASA从根本上重新审视整个工程管理哲学。故障模式与影响分析（FMEA）这一源自20世纪40年代军事工程的方法由此被全面强制推行——这套方法论要求每一位工程师必须超越自身职责边界，回答系统层面的结构性问题：我负责的模块，会对整艘飞船的系统行为产生什么影响？这一问题的变革力量，远超任何单项技术规程的改进。它重构的是每一位工程师理解自身工作的认知框架：从“我完成了分配给我的任务”，转变为“我理解我的任务在整体目标达成中的位置与权重”。协作的底层逻辑，由此从劳动分工升华为目标共识。1969年，阿波罗11号成功登月。

面向未来，AGI深度介入科学研究全链路之后，系统集成的复杂性挑战并未随之消减，反而以新的形态更加凸显。一个AI辅助药物发现项目，可能同时涉及计算生物学家、临床医学专家、监管政策研究者与产业化工程师——他们使用不同的学科语言，遵循不同的评价指标体系，在迥异的时间尺度与风险容忍度框架下工作。因此，从实验室概念验证到中试、从中试到规模化量产，需要关注每一个转化环节的接口缝隙。解决方案不在于叠加更多的管理层级，而在于构建一种让每个参与者都能实时感知系统成功条件、共享整体目标的协作基础设施。从10到100，核心约束不是技术能力，而是让每个局部能够看见、理解并响应整体。

三个象限，一个共同逻辑

牛顿与哈雷、爱迪生与门洛帕克、NASA与阿波罗——这三个横跨数百年的历史案例，共同收敛于同一个结论：科学创新最稀缺的资源，从来不只是天才个体本身，而是让创新得以持续涌现的系统性机制。回溯开篇那张二维“创新地图”，三个历史案例分别落在三个象限，面对的结构性挑战截然不同，采取的应对机制也截然不同。但它们共享一个贯穿全局的深层逻辑：每一次范式级突破，都依赖于对当时所处创新象限的清醒认知，以及与之精准匹配的协作机制设计。反之，历史上绝大多数失败的重大科研计划，根本症结在于将错误象限的组织逻辑，错配到了正确的科学问题之上。

然而，历史案例的启示尚未穷尽。当前最前沿的科技探索，正同时跨越语言、知识、组织与确定性的边界，呈现出三种叠加的结构性特征：跨学科知识融合、跨机构价值共创，以及非线性突破路径——前一个发现往往以无法预测的方式成为下一个发现的结构性前提。这意味着，未来的范式级科学突破不会静止于某一象限，而是在三个象限之间动态流转与跃迁：一项发现在0→1阶段表现为“未知的未知”；一旦被激活，便立即触发1→10阶段的系统化优化搜索，突破“未知的已知”；其规模化落地又对应10→100阶段的系统集成挑战，横贯“已知的未知”。正因如此，AGI for Science的全链路创新，呼唤全链路开放共享的协作基础设施。

如何迈向科学的“珠穆朗玛峰”

攀登珠穆朗玛峰，从来不是一项个人事业。它需要坚实的大本营作为前进支撑，需要精准的路线规划与气象研判，需要可靠的后勤保障与资源配给，更需要每一位队员都对自身在整体攀登系统中的位置、职能与接口承担清醒认知。个人的体能与意志是必要条件，但并非充分条件。哈雷与牛顿的故事说明，0→1阶段需要的是让沉睡知识存量得以流通的发现机制；门洛帕克的实践说明，1→10阶段需要的是将无序试错转化为有组织并行探索的创新方法论；阿波罗计划的教训说明，10→100阶段需要的是让各子系统能够感知整体目标、对齐行动优先级的协调机制。今天的科学家与科研机构同样需要上述全部条件，而且所需的规模与系统复杂度，远超人类历史上任何一个创新时代。如何系统性地回应这一挑战，是AGI时代向全球科学创新体系提出的新的战略命题。

正是基于这一洞察，前沿科研机构正在探索全新的组织形态。上海人工智能实验室近日提出的“AGI4S珠穆朗玛计划”，正是这一探索的集中体现——其本质是构建一套面向AGI时代的全要素协作基础设施，系统性打通从0→1、1→10到10→100的全链路。这一探索并非孤例：DeepMind长期聚焦“数据存量充分、但人类认知带宽构成瓶颈”的科学问题，以AI作为认知放大器而非替代者介入研究过程，并以与顶级科研机构共同署名、开放共享数据作为合作的基本准则。两者路径共同指向同一个结论：科学突破的上限，越来越需要协作机制的系统性设计与持续深化——而非仅仅取决于某个个体或机构的知识禀赋。科学的最高峰，不会因为仰望而降低其海拔。但通往顶峰的路，可以因为更深刻的协作设计而变得真正可及。

IJCAI 2026 要来了，你还在单打独斗？

为了方便大家抱团交流、互通会议消息，我们专门建了IJCAI 2026 参会群！进群你会解锁这些「福利」

会议情报站：投稿 DDL、格式规范、评审进度……关键节点第一时间送达，再也不怕错过 deadline，投稿准备稳稳的。
同行茶话会：天南海北的同行都在群里，聊心得、碰思路、攒人脉，科研路上我们同行。
前沿补给站：最新研究成果、热点方向实时同步，结合会议主题帮你捋清投稿脉络，给论文灵感加满油。
现场后援团：（会议期间专属开启）：到了会场也不用慌——
路线导航：场馆分布、报告厅怎么走，群里随时问；
议题共读：热门 session、Keynote 现场探讨，错过也能追；
Poster 汇编：现场海报精华整理，一键收藏不遗漏；
约局广场：约饭局、采访局、交流局……想唠嗑、想合作、想面基，群里发起就成。