在人工智能技术快速发展的今天，通用人工智能（AGI）的实现已成为全球科研领域的核心议题。然而，上海人工智能实验室主任、首席科学家周伯文近日指出，尽管当前大语言模型展现了广泛的泛化能力，但专业推理能力的缺失仍是制约AGI发展的关键短板。 问题：通专二元对立阻碍AGI发展 周伯文回顾了人工智能的发展历程，将其划分为狭义人工智能（ANI）、广义人工智能（ABI）和通用人工智能（AGI）三个阶段。他认为，2016年ANI已趋于成熟，而ABI阶段的到来则依赖于技术范式的根本性变革，包括从有监督学习转向自监督学习、从任务级联系统转向端到端架构等。然而，当前AI系统在“专业性”与“通用性”之间仍存在明显割裂。例如，AlphaFold等系统在特定领域表现卓越但缺乏迁移能力，而大语言模型虽具广度却难以胜任深度专业任务。 原因：技术范式尚未完全突破 周伯文分析，实现AGI的核心在于动态融合人类认知的“系统1”（直觉式快思考）与“系统2”（逻辑式慢思考）。现有模型虽通过规模法则（Scaling Law）实现了对世界信息的压缩，但在处理复杂科学问题时仍显不足。科学发现涉及假设生成、实验验证和理论总结的全过程，对AI提出了三重挑战：已知的未知（如组合爆炸问题）、未知的未知（分布外知识）以及稀疏与延迟奖励（实验周期长）。这些挑战要求AI具备更高级的推理与创造能力。 影响：过度依赖现有模型或限制创新 尽管AI在蛋白质折叠、气象预测等领域取得突破，但近期《自然》杂志研究指出，过度依赖现有深度学习模型可能固化研究思路，甚至阻碍新知识的探索。周伯文强调，若AI仅作为工具存在，而未能融入科学发现的动态过程，其潜力将难以充分释放。 对策：推动科学智能2.0迭代 为突破瓶颈，周伯文提出“通专融合”路径，即构建兼具广泛泛化能力与深度专精的智能架构。上海人工智能实验室提出的“智者SAGE”技术架构正是该理念的实践，旨在通过动态融合认知思维提升AI在科学发现中的表现。此外，他呼吁学界关注自监督学习、生成式架构等前沿方向，以推动科学智能从AI4S向AGI4S升级。 前景：科学发现成AI终极考验 周伯文将科学发现视为AI发展的下一个前沿阵地。他认为，科学智能2.0不仅能为医疗、材料等领域带来突破性进展，更是对AI推理与创造能力的终极检验。未来，随着技术范式的深入革新，AI或将在未知领域实现更多原创性发现。
人工智能发展已进入深水区，单纯依赖规模扩张和单一能力优化难以满足需求。通专融合不仅是技术创新，更是对AI发展理念的反思。只有打破通用与专业的对立，构建兼具广度与深度的智能体系，才能推动AI向通用阶段迈进。以科学发现为试验场，在推理能力的突破中实现AI进步，该路径既充满挑战，也蕴含巨大机遇。这将是未来人工智能发展的重要方向。