7月17日在WAIC 2026科学前沿论坛上，上海人工智能实验室主任周伯文发表题为《AGI的下一程：迎接科学元认知时刻》的主旨演讲，重磅发布"书生·端砚"科学发现平台。同期中科院发布磐石科学基础大模型2.0覆盖数学、物理、材料、天文等8大学科，两大成果共同标志着中国AI4S进入从辅助计算到自主发现的新阶段。周伯文用一冷一热来形容当前AI发展现状。热的一面是AI编程能力的爆发式增长，过去一年半成功率从不足5%飙升至超过88%。冷的一面是AI在科学发现领域的进展停滞，顶尖大模型在N2N端到端科学研究发现基准测试上的完成率始终停留在3%左右。
周伯文认为这种差异揭示了AI突破智能上限的终极考题。上海AI实验室联合百位科学家建立的评测体系也显示前沿模型得分普遍不及格，让AI从重述已知跨越到产出未知成为亟待突破的核心命题。为破解科学研究的反馈困境，上海AI实验室推出了"书生·端砚"科学发现平台。该平台的核心设计理念是打造科研的反馈飞轮，通过AI驱动实验设计、数据分析和假设生成之间的闭环迭代。周伯文提出AI for Science不应被视为通用AI的应用场景，而是突破AI智能上限的必经之路。要实现这一跨越AI需要完成三个维度的转变：从数据驱动到与世 界交互，从及时反馈到长程推理，从模仿正确到善用失败。科学研究的常态是90%的失败，模型需要学会从失败中自我反思和自我校准。
中科院发布的磐石科学基础大模型2.0采用科学数据统一编码、自然世界知识对齐和领域任务定向解码三层架构，依托全球1.7亿篇科技文献集成8000余个专业科研工具和技能库。
一个模型即可完成跨学科的数据理解、科学推理与内容生成，突破了专用模型只精于一事和通用模型流于宽泛的双重瓶颈。中科院自动化研究所研究员徐楠表示ScienceOneOmni不是一次简单的模型升级，而是对科学基础模型本质的重新思考。目前磐石2.0已将文献调研从数周压缩至20分钟，报告制作效率提升5至10倍。书生·端砚和磐石2.0的发布揭示了一个重要趋势：科学智能正在从单点工具向系统性平台演进。过去几年AI在科学发现中的应用主要集中在AlphaFold蛋白 质结构预测等特定领域的具体任务。但前沿科研问题往往涉及多个学科的交叉融合，上海AI实验室的书生·端砚正是瞄准这一痛点。在实际应用层面AI辅助的分子筛选将候选化合物的筛选周期从12至18个月缩短到2至3个月，筛选成本降低超过80%。
在材料科学领域AI预测材料性能的准确率已超过90%。无论是书生·端砚还是磐石2.0，其深层价值在于推动科研范式的根本性变革。传统的科研模式从提出问题到完成验证往往需要数月甚至数年时间，而AI驱动的科研新范式将这一周期大幅缩短。在药物发现领域AI可以在数天内完成传统方法需要数月的分子筛选。在材料科学领域AI可以预测数万种材料组合的性能直接锁定最有潜力的候选材料。周伯文在演讲中提到当AI能够自主设计实验、分析结果和提出新假设时，人类的科研效率将迎来质的飞跃。书生·端砚科学发现平台的设计之初就考虑到了多学科交 叉的实际需求。在药物研发领域平台能够自动完成文献检索、分子设计、虚拟筛选和实验方案推荐的全流程。
以一款针对肺癌的新型靶向药研发为例，传统模式下从靶点确认到先导化合物筛选需要18个月以上，使用书生·端砚平台后这一过程缩短到4个月。
同样的效率提升也体现在材料科学领域，中科院团队使用磐石2.0分析超导材料文献后，在两周内锁定了3种此前被忽视的有潜力的材料组合，而传统方法需要至少半年时间。这些平台的开放策略也值得关注。上海AI实验室表示书生·端砚将向全球科研机构开放使用，特别是面向高校和中小型研究团队提供免费或低成本的访问权限。中科院的磐石2.0也计划与更多高校和企业合作，将AI4S工具推广到更广泛的科研场景中。这种开放共享的理念有助于加速科研成果的转化速度，让更多科研人员能够享受到AI带来的效率提升。据业内专家估算如果书生·端砚和磐石2 .0在全国范围内推广应用，整体科研效率可提升30%至50%。
书生·端砚平台在数据安全方面也做出了特殊设计。科研数据往往涉及国家战略安全和商业机密，不能简单地通过公有云API进行处理。书生·端砚支持私有化部署和本地化运行，科研机构可以将平台部署在自己的算力环境中，确保敏感数据不出实验室。同时平台支持联邦学习模式，多个研究机构可以在不共享原始数据的前提下协同训练模型，共同解决单一机构数据量不足的问题。这种兼顾效率和安全的设计理念对于AI4S平台的推广应用具有重要参考价值，特别是在涉及国家安全的敏感科研领域。书生·端砚平台在发布当天就收到了超过200家科研机构的合作申请，覆盖生物医药、新材料和气候科学等多个前沿领域，显示出市场对AI4S平台的强烈需求。上海AI实验室表示将在未来三个月内优先处理已提交的合作申请，争取让更多科研团队早日用上这一平台。