一方面，AI 帮助科学家扩大搜索空间、提出假设、设计实验；另一方面，科学中的真实问题、严格证明和实验反馈，也能为 AI 的推理、行动和学习提供训练场。
这一判断背后，是 AI for Science（AI4S）正从单点工具向体系化能力建设转变。但与会专家的共识与分歧同样清晰：数学和 Coding 领域因验证闭环清晰而率先突破，物理、材料、生命科学等依赖真实物理世界反馈的学科，仍受制于表征、数据、实验通量和验证周期。
周伯文提出，科学和 AI 相互赋能的门槛正在逐步降低，从 AI for Science 高门槛的 "For"，到中等门槛的 "In"，再到无门槛的 "And"。"AGI4S 站在这个临界点上，既具有可信赖的基础，也拥有共生进步的能力。" 他进一步阐释，" 我们提出 AGI4S，强调的不仅是从 AI 走向 AGI 的技术演进和能力升级，同时也是对两者关系的重新思考。"
他引用科学史细节说明体系化能力建设的紧迫性：1954 年 12 个国家共同建立 " 欧洲核子研究中心 " 时，举世闻名的希格斯粒子甚至还没有在理论上被提出，但此后数十年，" 装置、计算、协作体系 " 持续发展，支撑了 2012 年的重大发现。" 重大突破的具体时间往往难以预测，但是支撑突破的能力和体系建设一个也不能等，需要提前建设、长期积累。"
与此同时，周伯文也指出，当前虽然 " 论文、数据、工具 " 快速增加，但是有价值的判断仍然稀缺，验证依然昂贵，研究经验也容易丧失。今天要打通的，正是从发现问题、提出假设，到执行验证、经验积累的完整过程，让 AI 从参与少数环节，走向成为科学家可信赖的研究伙伴。
在体系布局上，周伯文提出 " 科学智能高原 " 概念。围绕这一目标，上海人工智能实验室将发挥人工智能核心技术优势，与中关村实验室在网络与安全方面的深厚积累、鹏城实验室在算力、通信、基础设施方面的优势紧密衔接。
论坛上，上海人工智能实验室（上海 AI 实验室）升级发布书生 · 端砚科学发现平台，并全面开放其全栈服务。升级主要面向复杂科研任务的模型与 Science Harness 协同、贯穿全程的可信科研证据链，以及连接真实科学验证闭环，推动 AI 科研从单任务执行走向可持续、可核验、可复现的完整科研过程。
在平台和模型之外，中国科学院院士、厦门大学化学化工学院教授、嘉庚创新实验室名誉主任田中群将 AI 与科学仪器、系统论并列，提出了 AI for Science 的四个断点：" 感而不知、知而不动、动而不联、联而难用 "。
" 很多问题实际上是系统才是关键。" 田中群说，如果 "AI+ 仪器 " 只是把 AI 变成帮助仪器更灵敏、分析更快的工具，实际上还实现不了 " 观测—理解—反馈—行动 " 这样一个实时协同闭环，这里的科学仪器基本上做到的是局部闭环。
他认为，我们一定要避免用现在比较习惯的、过于局部和纯粹战术性的视角来看待战略问题，来思考整个 AI 各方面的发展。否则，我们会陷入比较局部的优化，甚至会被 " 卡 " 在里面，没有办法形成更高层次的关联能力。一定要做的就是，" 让 AI、仪器、系统论三者协同赋能 "。
田中群以电化学能源为例说明系统复杂性：每一次充放电，电化学反应并不会回到物理意义上的 "0 到 1"，在充放电几千次、上万次的复杂体系中，" 你不能指望这些电化学反应、化学过程，在这样一个复杂体系、这么大的电流密度下，每一次都完全恢复 "。
他称，"AI+ 仪器 " 不是单纯模型或仪器能力问题，而是系统工程问题，需要系统论指导。这其中存在着巨大的挑战，但同时也是中国实现科学仪器制造换道超车的重大机遇，诚如中国新能源汽车超越传统燃油车的发展之路一样。
AI 如何赋能电合成新技术领域？武汉大学教授、电合成新技术研究所所长雷爱文表示，电合成体系涉及海量分子与复杂反应参数，传统依赖经验试错的研发模式探索效率偏低。近年来，团队联合上海人工智能实验室，围绕 AI for Science 方向，探索人工智能在电合成场景的落地应用，已在部分电化学合成任务中实现智能辅助研发。同时，团队借助 MinerU 等工具开展文献解析与知识数据整理，为搭建电合成领域数据集、构建智能研发体系夯实基础。
具体如何实现 AI 赋能？雷爱文介绍，团队当前正在搭建 " 干湿一体 " 智能研发系统：AI 依托干实验快速完成反应条件预测与筛选优化，再由湿实验开展真实化学验证；实验产出数据实时回传至 AI 模型，形成 " 预测—验证—反馈—优化 " 闭环，让人工智能深度嵌入电合成研发全流程。目前团队已基于 19 段变频交流电条件开展验证实验，初步结果表明，依托这套干湿一体系统，仅需数小时即可完成反应条件迭代优化，目标反应产率提升至约 97%。
传统电合成研发存在哪些瓶颈？雷爱文表示，过去电合成研发高度依靠科研人员反复试错、迭代优化。AI 干实验可在极短时间完成大批量模拟预测，而湿实验获取一组可靠真实数据往往需要数周，二者时间尺度差异巨大。一款化学品从实验室研发，到工业化落地、推向市场，普遍需要 5 – 10 年。面对数十万种化学品构成的百万亿级潜在市场，仅依靠人工逐一开展实验验证，几乎无法完成。雷爱文表示，干实验与湿实验的深度融合，有望把传统 " 预测—实验—反馈 " 的长周期研发迭代压缩至分钟甚至秒级。
"AI for Math 时刻 " 能否复制？
论坛最具张力的讨论，围绕 "AI for Math 时刻 " 能否复制到其他学科。
炉边对谈中，密歇根大学研究助理教授马骁表示，Claude 在 11 天内完成费马大定理的 Lean 形式化，OpenAI 则动用了约 1 万个并行智能体，在约 88 小时内完成了针对纳维–斯托克斯问题的相关证明工作，并进一步进行了 Lean 形式化与验证。
他认为形式化 " 在数学内部是非常重要的 "，而且形式化完全不局限于数学之内，比如在计算机科学内，大量的问题也可以被形式化，并且经过形式化验证之后，可以帮助我们验证程序的正确性、发现潜在错误，所以形式化是非常有用的。
上海财经大学计算机与人工智能学院院长陆品燕则提出不同视角：" 从某种意义上，大模型开始流利地跟人对话，这件事情在我心目中，它的突破性甚至比最近 AI 证明数学定理更加让我震惊。"
他认为 "AI 能理解自然语言后，剩下的就是一个搜索问题，而计算机本身是比较擅长搜索的 "，但 " 即使是计算机搜索，从理论计算机的视角来看，也并不是所有的定理都能够被高效证明，因为这个搜索本身就是 NP 难题，其复杂性甚至可能更高。它确实变强了，但是也不是无所不能的 "。
圆桌论坛中，上海交通大学长聘教轨副教授、临港实验室研究员郑双佳认为，AI 在数学或 Coding 领域发展快，重要原因是 " 它能够非常快速地去验证这些体系和结论是否正确 "，而其他科学领域 " 需要对物理世界中的实体进行实际操作 "。
昌平实验室领衔科学家赵亚杰称 AI for Math 的成功有可验证、有逻辑、有长时间积累三个因素，因此 "AI for Math 的成功具有一定的不可复制性 "。
斯坦福大学博士后研究员、助理教授（待入职），英灵殿科技创始科学家应可钧特别提到了 " 表征 " 问题："AI4S 某种程度上是通过我们对物理实体的测量来建立模型，因此模型最终能学到什么，很大程度上取决于‘我们能够测量什么’。测量越接近对实体本身的完备表征，模型能够学到实体本身的可能就越多。" 他认为，一些根本性的突破可能需要从更底层的测量和表征能力开始。
" 比如生物领域比较成功的例子 AlphaFold。蛋白质三维结构数据在很大程度上接近对蛋白质物理实体的一种完备表征，因此模型有机会直接学习蛋白质结构本身。相比之下，生物学其他领域能够获得的测量往往只是复杂生物系统的局部投影。即使拥有大语言模型量级的数据，如果每个样本都只是对真实系统非常浅层的表征，也仍然很难让模型真正理解这个系统。" 应可钧进一步解释道。
关于材料方向，苏州实验室助理研究员钱丞称，要重点关注材料的探索和制备两个方向。
关于材料探索，从前几年开始，是 Google、接着是 Microsoft，做出来 GNoME、MatterGen 这种模型，去探索无机材料。钱丞认为，" 如何能够快速地通过 AI，把满足目标性能的材料筛选出来，并预测它的整体结构，也许就会为材料制备提供一些新的思路。"
关于材料制备，钱丞表示，如果能够把材料制备过程真正缩短，比如缩短到 3 — 5 年，那我觉得这是一个非常重要的事情。材料体系的 "AI for Math 时刻 " 是：先找到一种材料，其次是通过 AI 指导的方式把这种材料真正做出来、应用起来。
" 高价值的产业问题非常多，但是低垂的果实不多，很多都是难啃的硬骨头 "。深势科技创始人、北京科学智能研究院理事长张林峰称。
从平台的角度，郑双佳认为有两个点需要关注：一是 Benchmark。我们需要针对大模型在一个特定领域的发展，建立好的标准；二是机制。包括 AI 科学家的体系，例如通过上海 AI lab、临港实验室等平台，以赛题的方式让更多科学家参与到新的科学研究范式中，来解决科学家们实实在在的科学问题。
" 总体来说还处于比较早期的阶段。到底怎么能够把这个数据共享、合作机制，以及包括 Funding（资金支持）的机制打通，真正帮助科学家解决问题，而不是强迫他们使用不那么好用的工具，这是我们需要解决的问题。" 郑双佳说。
