11月4日，第46期AIR学术沙龙如期举行。本期活动荣幸邀请到了上海人工智能实验室青年科学家，科学智能中心负责人白磊博士，为清华师生带来了一场题为《AGI and Science 人工智能赋能科学研究的新机遇》的深度分享。

白磊博士是上海人工智能实验室青年科学家，科学智能中心负责人。博士毕业于新南威尔士大学，其后于悉尼大学任博士后研究员，主要研究方向为科学多模态大模型、自主发现系统、及其在跨学科交叉领域的应用。已在Nature子刊、Science子刊、IEEE TPAMI、NeurIPS、CVPR、KDD等人工智能领域顶级期刊会议发表学术论文100余篇，并长期担任相关期刊会议的审稿人或程序委员会委员。基于其研究工作入选国家及上海市人才计划，获2024年IEEE TCSVT最佳论文奖、2022年世界人工智能大会云帆奖、2020年新南威尔士大学工程研究卓越奖、2019年谷歌博士奖等。负责或参与研发书生科学多模态大模型Intern-S1、书生科学发现系统Intern-Discovery、风乌气象海洋大模型等，相关成果多次被新华社、人民网、中国新闻周刊、环球时报等主流媒体报道，入选国家发改委“一带一路”推广案例。

人工智能驱动的科学研究不仅是计算能力的增强，更是研究者、研究工具与研究对象的共同提升与协同进化。它可以实现更高频率的科学创新与发现，推动跨学科交叉融合，打破学科壁垒并拓展科研人员的认知边界。跨机构的协作亦有望将科学发现工程化、系统化，从而带来范式性的变革契机。

白磊博士将 AI 赋能科学的演进归纳为五个阶段，分别是：计算加速、知识增强、深度推理、全流程闭环优化和交叉学科的创新涌现。

第一阶段旨在通过创新的深度学习技术和模型架构创新，显著提升对复杂系统数据（如大气数据、基因数据、材料数据）的处理效率，实现高效的数据压缩与加速计算，为后续分析与应用奠定基础。

以大气数据为例，大气系统具有多维复杂特征，数据存储成本高、传输难度大，为数据科学研发带来壁垒，通过人工智能方法可以将大气数据压缩400倍，显著降低数据存储成本，提升数据共享效率。风乌气象大模型将全球气象预报可用时效提高到10.75天，预测结果超越传统数值模式，计算开销降低2000倍以上。该工作首次推动AI中期气象模型迈入全球10公里级时代。

然而，第一阶段存在诸多问题，深度模型本质上是高维函数拟合，往往缺乏明确的机制性解释、可解释性不足并依赖训练数据的分布，易出现过拟合，导致理论发展有时滞后于实践积累。虽然观测数据已达到 PB 级别，但如何将海量数据高效转化为机制洞察仍是一大挑战。

第二阶段通过引入领域知识来指导预测与优化任务，并借此挖掘新知识。构建“通专融合”的知识与数据双驱动体系，将智能体与实验反馈连接成闭环，从而提升条件优化与决策效率。

例如在气象预测中，引入专家知识可以提高模型的可解释性。通过专家标注构建领域级的思维链数据，有助于更好地指导预测任务；在雷达相关任务中，采用统一架构可同时处理雷达序列理解、反演、图像理解及临近预报等任务，并在若干雷达任务上超过对应专用模型与部分闭源通用模型。

面向医药企业的应用示例中，通过 AI 优化反应工艺，降低某些催化剂用量 10 倍、扩大可探索空间 20 倍，最终产率超越人类专家4.5倍。

高质量的科学假设往往依赖跨学科知识的整合。创造力是AGI的里程碑之一，假设提出是模型能力的重要反映。第三阶段的核心目标是推动AI模型在科学发现中进行深度推理，自主提出兼具高创新性与可行性的科学假设，并将其应用于解决复杂的自然科学问题

具体来说，可以通过解耦研究背景与研究灵感，分别深入理解现有方法和寻找跨领域启发，以兼顾假设的可行性与创新性。进一步的，通过排序机制对生成的多个假设进行优先级排序，快速找到最值得优先尝试的候选方案。由此，在10¹²量级的参数组合空间，仅用10次实验就找到了兼具高催化活性和稳定性的新配方。

第四阶段的核心目标是构建名为 Intern Agent 的多智能体科研框架，通过人工智能集成，实现从假设生成到实验执行的全流程自动化、闭环优化与人机协同，极大提升科研效率并拓展科学发现的边界。

InternAgent旨在解决人类科研全流程效率低、难以规模化并行、试错周期长与成本高的问题；突破人类科学家在交叉学科创新上的能力局限；弥补通用大模型在科学领域深度知识与严谨推理能力上的不足。

InternAgent作为首个面向科学发现的全流程通用多智能体框架，具备科研任务可扩展、人类专家可交互的特色。InternAgent包含数据层和执行层。其中数据层进行科研数据、科学知识解析；执行层通过假设生成、实验规划、工具生成等智能体，完成从科研任务规划到方案具体执行的全过程。最终形成垂直领域的专业智能体（如AI疾病学家、AI地球科学家等）。

InternAgent的关键机制首先在于多轮实验反馈迭代，能够细化分步实验方案，在实验中实时捕获异常并动态调整策略，形成“算法-实验-数据-再优化”的闭环；其次，想法自进化树与可插拔人机协同反馈：Agent能够使一个科研想法从规划、假设到方法论不断自进化，形成“进化树”，并在各阶段灵活接入人类专家的反馈，持续注入领域知识。

InterAgent在产率预测、分子动力学模拟、分子动力学模拟、电力流预测、时间序列预测、增强子活性预测、扰动预测任务等六类科研任务中，获得显著超过人类设计的基线水平。并且InternAgent具有极强的代码能力：支持复杂的repo-level代码仓进化，在Auto2DSeg等任务中实现性能提升，此项能力超越了Google发布的AlphaEvolve。并且在算法实现能力超过AI-Scientist-V2。

此外，InterAgent已经成功实现多项应用落地，加速科学发现。首先在与临港实验室的合作中，InterAgent助力研发“虚拟疾病生物学家”，两周内自主发现并经人机协同验证了肝癌新靶点GPR160和肠癌新靶点ARG2。

其次，InterAgent作为“AI气候科学家”，能够打通从实验设计到决策支持的全流程，自动生成科学报告，快速识别地球系统异常，助力精准高效的气候变化治理。

第五阶段目标是构建 Intern-Discovery：一个跨学科、全流程的科学发现系统，它整合海量科学数据、专业工具与智能模型，推动从深度调研到实验执行与结果分析的闭环科研自动化，从而促进科学发现范式的变革。

首先，Intern-Discovery通过SCP协议打破资源孤岛与流程碎片化问题，实现数据、智能体、算力与实验设备的统一调度。

此外Intern-Discovery创新支持干湿实验协同，在智能体API基础上扩展对湿实验设备的兼容性，实现实验方案优化与全链条可追溯。已经成功用在荧光蛋白功能验证干湿实验上，将传统以周为单位的实验周期大幅压缩至6小时。

在分享的最后，白磊博士强调，人工智能在科学领域的深入应用，不仅是技术发展的必然，也是实现通用人工智能（AGI） 的关键路径。从计算加速到自主发现，从单点工具到协同网络，AI正在以前所未有的方式重塑科学研究的逻辑与边界。白磊博士的报告不仅梳理了技术演进的脉络，更为我们描绘了一个“人机共融、跨界创新”的科研新图景。