问题——重大科学突破正受到“链条断点”和“要素分散”的双重制约。当前，科研日益呈现跨学科、强计算、重数据的特点，但不少团队算力获取、数据整理与标准化、模型适配、实验验证闭环以及成果转化通道等环节仍面临障碍。特别是在关键科学问题攻关中，“推演”与“验证”衔接不紧、资源配置与真实场景脱节，容易导致周期拉长、成本上升、成果难落地，影响从0到1的原创突破与从1到10的应用扩散。 原因——科学智能进入深水区，需要的是体系化能力而非单点工具。随着研究对象走向更复杂的系统，仅依靠单一算法或单一计算平台，难以支撑高质量、可重复、可迁移的科研范式升级。算力侧需要通用计算、超级计算与智能计算的协同调度；数据侧需要可信来源、规模化清洗和高频更新；模型侧需要通专融合、面向科学任务的可靠推理与可解释能力；实验侧则要把计算预测更快带回实验验证，形成更短、更稳的迭代闭环。同时，科研组织方式也在变化：跨机构协作、跨学科团队与项目工程化管理渐成常态，对可持续的支撑机制与共享规则提出更高要求。 影响——打通全链路有望重塑科研生产力与创新组织方式。上海人工智能实验室发布的“AGI4S珠穆朗玛计划”，以“基础设施—科学场景—项目孵化”贯通为主线，提出面向重大科学突破的全要素协同框架，目标是建设“科学智能创新中枢”，推动关键能力从“可用”走向“好用、管用、共用”。一上，通过统一的算力、数据与实验协同体系，为基础研究提供更高效的底座支撑；另一方面，通过场景牵引与产业参与，让科研问题从源头更贴近真实需求，减少“为模型而模型”的空转，推动成果更快走出实验室并应用环境中验证。该计划同时面向全球科研群体开放合作，有助于在更大范围汇聚创新要素，形成更具国际竞争力的协同网络。 对策——以三大支撑体系构建“从需求到转化”的闭环路径。 其一，在基础设施协同上，计划提出打造“算力—数据—自主实验”一体化体系：通过超智融合算力平台连接通算、超算与智算集群，为大规模科研计算与模型训练提供稳定支撑；以科学智能数据库建设高准确度、强时效、可直接用于建模的数据底座，提升数据供给质量与效率；以自主实验平台缩短从计算推演到实验验证的周期，强化科研闭环。同时，通过科学基座模型与科学发现平台提供通专融合能力与一站式流程支持，推动研究从工具拼装转向平台化协作，降低跨学科团队的使用门槛。 其二，科学场景产学研共建上，计划联合涉及的联盟与优势单位发起算力、数据共建行动，并与国内顶尖院所、研究机构及企业启动科学智能应用场景共建，强调以真实科研问题牵引技术路线选择与能力迭代。业内人士认为，重大突破往往来自对真实场景的深入理解；场景的复杂性与约束条件，会倒逼模型能力、数据质量与实验流程的系统优化。 其三，人才与项目孵化上，上海人工智能实验室同步推进“浦江青年学者”计划，并发布面向重大科学突破的“攀登者计划”2.0，构建贯通“实验室—上海市—国家级”的三级项目支持体系，引入项目经理人机制，提供从种子期培育到产业化落地的全周期支持，打通人才汇聚、资源匹配与成果转化通道。据悉，“攀登者计划”自2025年1月启动以来已收到全球500余份课题申报，入选项目覆盖数学、物理、化学、能源、材料、生命等多个领域，部分成果已完成从科研产出到真实场景的价值验证，显示出通过机制优化提升科研效率的潜力。 前景——开放共享与体系能力将成为科学智能竞争的关键变量。面向未来，科学智能的竞争不仅在算法，更在数据治理、算力组织、实验体系、协同网络与人才机制等综合能力。“AGI4S珠穆朗玛计划”提出以开放共享方式“筑高原、促高峰”，契合全球科研从单点突破走向平台化协作的趋势。随着更多科研机构、企业和青年人才参与共建，算力与数据供给效率、模型适配度以及实验验证闭环速度有望持续提升。可以预期，在材料发现、能源催化、药物研发、基础数学与复杂系统等领域，科学智能将加速研究范式迭代，并在关键技术供给与产业升级中释放更强带动效应。
在全球科技竞争加速演进的背景下，“珠穆朗玛计划”的推出说明了中国科研界向科学前沿发起系统性攻关的选择与行动。该平台以全链路协同为抓手，为破解基础研究难题提供了新的组织方式，也展示了开放合作与资源共享的科研路径。随着计划推进，更多关键领域有望加快实现原创突破与应用落地，为全球科学进步贡献更多中国方案与经验。