" 如果人类思考一道难题花 100 年，AI 需要多久？" 在 9 月 12 日举行的 2026 浦江创新论坛主论坛上，上海人工智能实验室主任、首席科学家周伯文以这样一个问题开启演讲。

他列举人工智能参与科学研究的不同案例，但比起时间被压缩多少、效率提高多少，周伯文更希望大家思考：当人工智能越来越深入科学研究，AI 与科学究竟该建立怎样的关系？

基于去年浦江论坛提出的 "AGI4S 六问 "，他针对当前科研困境，提出 " 科学研究是下一个编程 " 的核心解题思路。"AI 与科学将形成双轮驱动——两者共同提升，助力新认知的发现和新突破的产生。"

问题越古老，AI 提效空间越大

周伯文以 "AI 当助手 ""AI 提效率 " 和 "AI 独立攻坚 " 分别举例。单克隆抗体研发传统流程需要 4 年，AI 协作后从筛选到给药仅用 90 天，时间压缩至 6%。1969 年提出的蛋白质折叠难题，人类求索 51 年未获突破，AlphaFold 用 2 年基本解决，耗时仅为人类的 4%。有着近 200 年历史的纳维 - 斯托克斯方程，是千禧年七大数学难题之一。不久前，一万个 AI 智能体连续工作 88 小时，给出了存在性与光滑性的证明。虽然克雷数学研究所尚未最终确认，但这意味着，AI 用人类万分之零点五的时间在逼近。

" 问题越古老、越基础，AI 提效的空间越大。" 周伯文强调，我们关注的不应只是效率，而是 AI 与科学相互深化的关系本身。他提醒大家注意，三个案例均由人类主导、AI 参与，突破的根基始终是人类定义的科学问题、构建的数据集、设计的提示词与思维链。"AI 的定位并非是取代人类，而是要成为人类真正的伙伴。"

他认为，在最初 "AI for Science" 阶段，AI 只是服务科学的工具，" 如同站在门外的访客，正叩响科学的大门 "。而当下，行业已进入 "AI in Science" 阶段，AI 成为科研殿堂的常驻参与者，端到端驱动完整科研流程。未来将走向 "AI and Science" 的共生阶段，二者共同建构科学体系，在交互中持续迭代、越用越强。

" 双轮驱动 " 重塑科研范式

针对 "AGI4S 前景广阔，为何尚未见证更多重大突破 " 的疑问，周伯文直言当前科研面临的五大困境：信息爆炸但认知稀缺，假设涌现但验证滞后，工具林立但彼此割裂，成功发表但失败流失，AI 生成但可追溯困难——这五个困境本质上属于结构性难题：科学本身需要科学的方法来做科学。

今年初，周伯文提出了一个非常大胆的判断：科学研究是下一个编程。他解释，编程是当前 AI 落地规模最大、生产力提升最显著的赛道。科学研究与编程都以问题为导向、由认知驱动；但科研难度更高、边界更开放，验证依托真实物理世界。

" 未来科研人员可立足待解决的科学问题，清晰表达自身的科研意图；AI 协同调度文献、数据集、科学知识、计算工具以及自主实验室，贯通从问题界定、假设生成、方案设计，到仿真预测、湿实验验证、结果迭代的完整流程。" 周伯文表示，倘若实现这一模式，也许就有望在科学研究中复刻 AI 在编程领域取得的巨大成功。

以此为思路，AI 与科学的 " 双轮驱动 " 关系愈发清晰：一方面，科学研究为 AI 搭建更高质量的训练场，推动 AI 的长程推理、仿真纠错、自主探索等能力持续进阶；另一方面，AI 将更深嵌入科学进程，从加速科研效率到 " 自主发现 " 全新规律，再到未来也许有望实现库恩级的科研范式转变。

展望未来，周伯文认为：" 毫无疑问，AGI 会不断拓展人类的知识边界、加速科学发现，但科学探索的罗盘，始终应该由人类的心智、好奇心和价值判断来掌握。"