在周伯文看来，科学发现是 AI 探索的绝对前沿，也是推理智能的终极 " 试炼场 "。推动科学智能发展，不仅有望赋能科学发现、实现治愈癌症等重大目标，而且科学发现也将有力反哺 AI 持续进化，为迈向 AGI 这一终极智能铺平道路。
周伯文说，科学发现的本质是探究已知与未知之间的复杂相互作用，这给 AI 提出了三重挑战：一是科研搜索空间极其巨大（如分子设计可达 10 的 60 次方个结构），现有模型根本无力覆盖；二是算法要具备足够的泛化能力，才能超越已知；三是 AI 必须能忍受科研的超长周期，因为其进化所依赖的反馈和奖励，在科研中极其稀疏和延迟。
事实上，尽管以阿尔法折叠为代表的科学 AI 已取得里程碑式成就，但近期《自然》杂志发表的研究指出，现有深度学习模型只善于处理数据充足、定义明确的任务，难以在科学发现中获取 " 未知的未知 "。周伯文说，这一观点以及 " 通专融合 " 路径，正成为学界的普遍共识。
面对挑战，上海 AI 实验室提出 " 通专融合 " 的战略路径。周伯文说，过去 70 年，AI 的 " 通 " 和 " 专 " 的进化一直是 " 分头用力 "，但 AGI 必须打破这种二元对立，要在保持 " 通 " 的同时，能通过持续学习和推理，在任意领域成为专家。
基于此，上海 AI 实验室推出了名为 " 智者（SAGE）" 的新架构，要在底层解决现有 AI 容易混淆 " 知识 " 与 " 推理 " 的问题，在奖励机制上使 AI 能始终保持好奇心，在进化方面能让 AI 在大规模任务集和物理世界中通过持续交互反馈实现自我迭代。
比如在气候科学方面，" 书生 " 平台通过自主调用 30 多种工具，分析了 20 年多模态数据，撰写了 4000 多行专业代码，成功发现了一个被长期忽视的水汽联动规律，推导出一个新方程，有效修正了降水预测的系统性偏差。而在生物医学领域，通过模仿疾病生物学家的思维模式，成功发现并验证了具有高临床潜力的隐藏靶点。
总体上，权威评测显示，" 书生 " 科学多模态大模型的通用能力已比肩行业最佳开源模型，在化学、生物、材料等 9 个领域的科学性能方面，全面超越了 GPT-5、Grok4 等顶尖闭源模型。
周伯文表示，通往科学发现 AGI 的架构已就绪，但这张 " 新世界地图 " 仍有大片空白。上海 AI 实验室已将论文和代码开源，以此邀请全球志同道合的研究者一道填补空白，共绘完整蓝图。
