当前，全球科学研究正面临数据快速增长、学科交叉加深、创新周期缩短等挑战。如何借助先进技术提升科研效率、加快科学发现，已成为各国科技创新的重要议题。基于此，人工智能驱动科学创新（AI for Science）的探索不断推进。1月29日，上海交通大学人工智能学院与上海算法创新研究院沪举办“Agentic Science at Scale——AI4S科学基座模型和通用科研智能体研讨会”，集中发布该领域最新成果。其中，科学基座模型Innovator与通用科研智能体SciMaster成为发布重点，展现了AI for Science研究的新进展。 据介绍，Innovator基座模型在三个方向实现突破。首先，面向化学、材料、物理等多学科构建多模态科学数据理解能力，可对复杂科学现象进行更深入的感知与分析。其次，模型强化了科学推理与多模态推理能力，使系统能够完成逻辑推导与假设验证等关键环节。第三，Innovator具备面向真实科学任务的科学编程能力，可将科学问题转化为可执行的计算程序。 此外，通用科研智能体SciMaster实现了科研流程的闭环自动化，覆盖文献检索、论文阅读、数据计算、实验模拟到论文撰写等环节，可完整支持“搜、读、算、做、写”五个步骤。通过优化工具调用与长上下文管理能力，该智能体提升科研效率。据测算，SciMaster在6小时内完成的工作量相当于一位资深理论物理学博士1至3个月的饱和工作量，反映了AI在科研加速上的潜力。 中国科学院院士、上海交通大学人工智能学院首席顾问鄂维南在会上表示，AI for Science的关键基础设施正在逐步完善，规模化、智能体驱动的科学研究从概念走向落地的条件已更为成熟。他认为，科学研究可能迎来类似“GPT时刻”的转折点：借助大规模预训练模型与智能体技术，推动科研范式发生深层变化。 本次发布的另一层意义在于推动科研智能化、规模化应用的落地。通过产学研战略签约，与会高校、科研机构与企业代表形成合作共识，计划加快将涉及的成果转化为应用，服务化学、材料、药物发现等产业方向。产学研协同有助于缩短从科学发现到技术创新的路径，促进创新链、产业链与资金链的协同衔接。 从方法论层面看，AI for Science代表着科研手段的重要延展。传统科研更多依赖研究者的直觉、经验与创造力；AI驱动的科研则通过大规模数据处理、模式识别与逻辑推理，为科学家提供更强的工具支持。其目标不是替代科学家，而是提升科研生产力，让研究者将更多精力投入到关键问题判断、创意构思与前沿探索中。
人工智能赋能科学创新，关键于提升科研效率与质量，并加快成果转化。上海此次集中发布涉及的成果并推进产学研协同签约，传递出以基础设施建设推动科研新范式加速形成的信号。面向未来，一上要持续突破关键技术、完善工具与标准；另一方面也要坚守科研规律与学术规范，在可验证、可复现、可审计的前提下，让技术更好服务科学探索与高质量发展。