0
| 本文作者： 周蕾 | 2026-05-11 16:33 |
作者丨周 蕾
編輯丨岑 峰
2050是阿里云創始人王堅博士發起的一個非營利活動，自2018年起每年4月最后一個周末在杭州云棲小鎮舉辦，定位是“年青人因科技而團聚”。它沒有傳統會議的“主辦方—嘉賓”結構，而是一個由自愿者驅動、年青人自由發起活動的開放場域。
第八屆2050大會，在今年4月的最后一個周末如期舉辦。而2050學習節“AGI 4 Science”專場，或許是大會三天里信息密度最高的專場，沒有之一：三個小時，十七位發言嘉賓，每人十分鐘。據召集人王婷介紹，這是有意為之的高密度編排：舞臺時間本就是稀缺資源，讓更多正在前沿摸索的青年學者“上得了臺”，比讓少數人講得更長更重要。
這種議程安排讓現場節奏緊湊，講者沒有客套鋪陳，聽者全神貫注，云棲小鎮會展中心二樓的五云廳雖不大，上座率卻極高，不少聽眾為此駐足。
本次專場主題定位是“生長中的AGI 4 Science：全景、邊界、未來”，這三個詞旋即被投射為本場專場的三幕結構——“落地前沿”“AI作為伙伴”“未來去向何處”。更直觀地講，這里談論的是：這條路上我們正走在哪里、誰與我們同行、以及最終希冀的目的地。
何為“生長中”？AI4S本身仍在快速演化，任何試圖以“已經成型”的方式去框定它的努力，都會很快被現實拋在身后。專場策劃者選擇把這場分享呈現為一張“正在生長的科學地圖”，而非一份既定結論的總結陳詞——三幕之間不是層層遞進的論證關系，而是從“此刻在做什么”到“能力邊界在哪里”再到“認識論上將走向何處”的逐層抬升。
雷峰網(公眾號：雷峰網)AI科技評論也注意到，AI for Science（AI4S）正經歷從“通用大模型賦能”到“垂直領域深度融合”的范式演進，一些細微的變化也在學習節上有所呈現：如今的AI4S交流，不再停留于AI+某種學科標簽的簡單劃分上，比起聚焦單一技術路徑或學科分支，討論交流以“青年學者”為核心、以“問題”而非“學科”為導向，數學、物理、化學、芯片設計、生物制造等領域的青年學者匯聚一堂，形成了極具沖擊力的跨界碰撞。
不少AI for Science的敘事，經常停在“科研流程加速器”這個節點上，但物理世界里的試錯成本卻未必被真正接管，而在這次會上，我們觀察到青年學者們已經在談論更困難的問題，試圖將敘事從“加速器”推向深水區：AI4S能否幫助科研承擔“試不起”的物理試錯成本？能否擺脫簡單的排列組合，以第一性原理重塑AI4S的技術路線？AI4S或許存在著無法回避的結構性問題？……與此同時，他們也積極尋找著產學研結合的新路徑——即如何將高校實驗室的前沿探索，與產業界的真實需求進行有效對接。
暮春四月的杭州，陰晴冷熱不定，2050大會舉行的三天卻剛好是天朗氣清、惠風和暢的好天氣。五云廳的側窗外，是艷陽中搖擺發亮的綠樹，室內的交流也正如春天萬物生發，一張正在生長的科學地圖徐徐展開。
幕前開場由上海人工智能實驗室項目經理人辦公室負責人于曉軼給出全場坐標系。他的核心判斷直截了當：科學發現的速度，接下來將由AI的能力邊界決定，但當前多數AI仍是“專才式”的黑箱擬合器，給不出“為什么”，更無法涉足交叉學科。
上海人工智能實驗室項目經理人辦公室負責人于曉軼
他指出，落地必須有三件任務同時完成：AI4S是大模型推理能力的終極考場，需在稀疏數據、長周期反饋與爆炸性搜索空間中實現超長程推理與持續進化；干濕閉環打通，讓AI直接輸出產業可用物，壓縮反饋周期；科研組織范式革新，引入PMO機制作為問題識別與翻譯引擎。
于曉軼最后以“問題庫才是我們真正在建設的護城河”這一觀點結束演講，本次專場正式拉開帷幕。
01
第一幕“落地前沿”，集中呈現了AI4S從論文階段進入硬科技階段的臨界點。七個報告橫跨了可控核聚變、流體模擬、芯片電鍍、芯片設計、化學實驗室、細胞影像和生物企業田野實驗。領域看似分散，但都有相似的問題：試錯成本高昂。一次等離子體實驗成本極高，一次芯片流片耗時數月，一次化學合成可能毫無結果。
第一位登場的青年學者，是西湖大學特聘研究員吳泰霖。愛好科幻的他提起了《流浪地球》中令人印象深刻的行星發動機，也由此展開了核聚變的硬科技敘事。可控核聚變定義為“國運級別”的工程，他指向2027年這個關鍵節點：多個聚變裝置有望實現Q＞1）（輸出能量大于輸入能量）。
西湖大學特聘研究員吳泰霖
AI 切入聚變的路徑被吳泰霖拆解為：仿真側，生成式模型處理等離子體多尺度多物理場耦合；控制側，基于共形預測的可證明安全控制方法；裝置設計側，仿星器優化與AI原生診斷。同時他也向觀眾展示了更具想象力的“多智能體AI工程師”，即輸入一句話功能描述即可在純文本反饋下自動化建造火箭。
復旦大學助理教授、上海科學智能研究院AI科學家姜若曦，提出了“生成模型與表征學習的二元一體”——AI 既要會“畫”世界，也要會“看懂”世界，用表征打開AI黑盒。針對傳統去噪模型的局部加權平均問題，她與團隊開發了 Nested Diffusion Models（CVPR 2026）；面向流體模擬的長期穩定性難題，她進一步提出 Hierarchical Implicit Neural Emulator（NeurIPS 2025），受經典數值 ODE 求解器啟發，通過層級隱式表征預測未來狀態。在 Navier-Stokes 方程的二維平面實驗中，該方法展現出顯著的長期穩定性優勢。她展望了 CFD 工業落地、基于表征隱空間的科學發現，以及醫學圖像與物質生成等方向。
復旦大學助理教授、上海科學智能研究院AI科學家姜若曦
半導體是眼下最炙手可熱的領域之一，而從芯片制造的電鍍配方篩選，到芯片設計的版圖生成，AI 正在穿透半導體產業鏈。廈門大學化學副教授楊曉暉、上海交通大學長聘副教授邵雷來，正好分別聚焦了這一產業鏈的不同環節。
楊曉暉的分享從一道反問開始：“為什么高端芯片里有些問題不能只靠實驗？”他將芯片電子電鍍描述為一種涉及分子、微孔到晶圓三個尺度的耦合問題，公開配方像菜譜，商業配方卻依賴數十年試錯積累。AI在這里的角色并非替代實驗，而是充當“過濾器”——先排除95%走不通的路，再讓實驗去驗證剩下的5%。他給出的數據極具說服力：傳統方式命中率僅2%，AI輔助后接近60%；研發周期從一年壓縮到兩個月。同時他也拋出了希望得到討論的問題：模擬和真實之間的鴻溝，實驗室到產線的最后一公里，下一代芯片結構等。
廈門大學化學副教授楊曉暉
邵雷來聚焦AI走進芯片設計核心的距離問題，他指出芯片設計是AI的理想戰場——數據豐富、反饋閉環、評估標準明確，比許多知識工作更容易形成“閉環 Agent”。AI 在其中的演進路徑已經從單點優化走向跨流程智能協同，EDA 正在從工具變成“智能同事”。但邵雷來強調，最大瓶頸不在模型本身，而在“最后一公里”：從“會優化”到“敢 tape-out”之間，隔著制造約束、工藝偏差和工程信任。他描述的未來方向是讓 EDA 成為一個可對話、可自治的操作系統，即 Harness Engineering，LLM 必須理解制造約束才能生成真正可用的版圖。未來如果想按需求實時生成ASIC，Agent要能真正接入“物理世界”。
上海交通大學長聘副教授邵雷來
從芯片設計的“敢 tape-out”到化學合成的“敢做實驗”，AI4S 的落地瓶頸在不同領域呈現出相似的結構性困境。上海科學智能研究院研究員徐麗成指出，物質科學領域AI的重大突破——從 AlphaFold 3 到 GNoME——幾乎都集中在分子的“設計”，而忽略了分子的“合成”，合成化學面臨海量條件組合的優化難題。更關鍵的障礙在于“領域與算力壁壘”，實驗科學家因缺乏編程經驗與算力資源，難以直接使用先進的AI模型。徐麗成團隊的開源工具矩陣與 Agent 系統試圖消除這些壁壘，構建干濕實驗閉環，讓實驗科學家通過自然語言調用模型，專注于科學發現。
上海科學智能研究院研究員徐麗成
從化學合成的干濕閉環到生命細胞的物理放大，AI4S 正在向更復雜的生物系統延伸。西湖大學助理研究員董振分享了一種尿不濕啟發而來的組織膨脹技術——通過吸水膨脹將生物樣本物理放大，突破光學顯微鏡的分辨率極限，從而獲取從組織到亞細胞的多尺度空間結構數據。在此基礎上，團隊開發了膨脹空間蛋白質組學方法，將物理放大后的生物數據輸入 HetuNet 等AI模型進行分析，其推理過程“像在解數獨”。這條路徑的最終目標是從膨脹空間蛋白質組學走向“人工智能虛擬細胞”。董振的分享提供了獨特的生命科學視角：當AI試圖理解細胞時，先需要物理層面的“放大”才能進入數字層面的“建模”。
西湖大學助理研究員董振
錦波生物首席AI架構師張驥，提供了第一幕中最具產業縱深感的切片，錦波用18年完成了（重組）人源化膠原蛋白的原始創新，AI轉型時提出了一個簡潔公式：AI = BI（數據治理）+ BP（躬身入局）。他強調“智能化不只是技術革命，本質上是一場管理革命”。而這場管理革命的邊界，比他最初設想的要寬得多——錦波身處太原，不像一線城市那樣擁有密集的人才供給，張驥選擇在當地高校開設AI課程，試圖從源頭培養適配企業需求的人才，但這件事的復雜度和阻力遠超預期，給他帶來了不小的沖擊。這也讓他更確信，AI轉型真正的瓶頸從來不只是技術本身，而是組織、生態與人才供給的系統性重構。錦波的實踐給出了可量化的效率提升：AI輔助研發周期明顯縮短。張驥最后以一句帶有溫度的判斷收束：“科技創新不是為了展示酷炫，而是為了守護生命的溫度。”
錦波生物首席AI架構師張驥
第一幕的分享里，沒有人把AI當成包治百病的方子，每個人都如實地標記出了自己科研道路上，那條模擬與真實之間的鴻溝有多寬，自己正在試圖用怎樣的辦法跨越。AI4S的落地前沿，輪廓已然清晰。
02
如果說第一幕是極具工業和硬核色彩的敘事，探索AI在物理世界能做什么，第二幕則是多了幾分人文與社會科學的思考：討論AI能力上限的同時，也該考慮AI的“底線”。這正是“伙伴”的深層含義——真正的伙伴不是全能助手，而是明確自己邊界在哪里的同行者。
今年以來OPC（一人公司）的概念受到廣泛追捧，浙江大學百人計劃研究員方榯楷的設問開場，也叩問了OPC的立足邏輯：“如果一個人能做一個團隊的事，世界會變好還是變糟？“他展示了R&D-Agent的實戰數據，無論是在75場Kaggle競賽中，還是在量化交易里，Agent都獲得了相當亮眼的成績。這套方法論的核心是“推理即優化”——將推理類比為梯度優化、記憶類比為動量、并行trace類比為分布式SGD。但方榯楷的論述迅速從效率樂觀轉向結構警惕：當思考按Token定價，知識創造將跟隨資本流動；先發者的GoME優勢隨模型代際升級指數放大；“個體賦能的總和≠所有人變強=資本決定勝負的新一輪競爭”。他在接受AI科技評論采訪時強調，技術發展更要需要考慮生產關系，避免人類在 AI 時代被異化為工具。
浙江大學百人計劃研究員方榯楷
北京大學人工智能研究院博士生馬煜曦將AI帶入社會科學領域。她以“何以為人”的古典追問開篇，即展示AI作為“新顯微鏡“的雙重角色：作為物鏡，詞嵌入技術使分析200萬篇人民日報的70年話語變遷成為可能，大規模文本分析替代了傳統文獻考據；作為目鏡，AI迫使研究者直面“分布式創造力”“機器責任制”等從未存在過的本體論命題。馬煜曦特別展示了AI模擬進化創造性思維的過程——當AI負責窮盡變異的可能，人便進化為審美的終審法官。這種“人際共創”的框架，為第二幕增添了人文維度的伙伴想象。
北京大學人工智能研究院博士生馬煜曦
上海人工智能實驗室青年科學家胡舒悅，帶來了一項關于“AI能否幫人做出更好決策”的大規模實證研究。1000名參與者面對10000條來自Reddit的真實生活決策困境，在匿名條件下一致偏好LLM生成的建議而非人類建議。研究覆蓋了人際關系、情感挑戰、職業發展與教育選擇等主題，SEP框架下的評估顯示LLM建議被認為合理、有幫助且令人滿意。更令人注意的是，2-4周后的追蹤顯示參與者報告的認知清晰度提升和負面情緒降低得以維持。胡舒悅以此論證：以技術普惠推動AI平權，可以讓每個人無論出身、資源還是起點，都更有機會做出一個好選擇。
上海人工智能實驗室青年科學家胡舒悅
清華大學在讀博士劉奕好即將加入騰訊混元，她的開篇提問直指多智能體“是不是另一個泡沫？”她沒有直接否定多智能體，而是給出了一個系統化的辨析框架。當前主流產品已形成三條路線：Swarm-first（水平擴展）、Context-first（干凈上下文）、Execution-first（可執行狀態）。劉奕好指出，在單智能體足夠強大的今天，多智能體真正的價值在于“知識復用”，判斷標準是context/search/feedback/memory能否轉化為凈收益。一個agent的發現，可以成為另一個agent的起點；agent不是越多越好，得到良好組織的系統才是多智能體的本質。
清華大學在讀博士劉奕好
上海人工智能實驗室研究員溫力成，以一道反常識的質問帶來第二幕的終章：“學了全互聯網的AI，為什么造不出一架飛機？”他的開篇引起“打工牛馬”們的共鳴，原來最前沿的Agent在“上班“場景中表現糟糕：分不清任務輕重緩急、不會主動追問模糊信息、做不到持續學習。溫力成將工業壁壘拆解為三道：專業知識壁壘、閉源工業軟件壁壘、物理約束壁壘。他團隊推出的Assemble-Agent工業智能引擎和27B工業基座模型，試圖逐個擊破。他的分享為“AI作為伙伴”劃出了一道清晰的禁區：沒有物理反饋閉環的AI，在重工業面前仍是紙上談兵的實習生。
上海人工智能實驗室研究員溫力成
03
時間接近正午，第二幕相對“接地氣”的分享也吸引來了更多聽眾，或站或立，五云廳門口人頭攢動。第二幕對“伙伴能力邊界”的務實討論，在第三幕被推向認識論層面——當組織形式已臻成熟，AI能否在沒有人類導師的情況下獨立完成范式轉換？
阿里達摩院算法專家杜偉韜的分享，可謂是一場精心設計的思想實驗：“Agentic AI能否在1900年‘獨立’推導出狹義相對論？”他將1900年的物理困境翻譯為現代AI術語：牛頓力學的絕對時空觀是“陳舊的緩存協議”，邁克爾遜-莫雷實驗是“無法命中舊緩存的異常Query”。杜偉韜展示了AI在跨領域聯想上的潛力——Aletheia系統能在未知邏輯空間中通過RL生成長鏈條推理。但他也揭示了AI的深層軟肋：審美與品味。例如AI缺乏對冗余實體的天生厭惡，奧卡姆剃刀“如無必要勿增實體”的原則是否能做成獎勵函數？
阿里達摩院算法專家杜偉韜
上智院AI科學家陶兆巍，以數學史的長鏡頭審視AI for Science的演化。他將數學研究劃分為三條線索——Reliable（嚴謹證明）、Experimental（實驗探索）、Agentic（自主代理）——并展示它們如何穿越紙筆時代、電腦時代，最終在AI時代收束。一個關鍵洞察來自他對“嚴謹“的反思：四色定理和有限單群分類的證明已長到“原則上的嚴謹性開始與個人可完整持有的理解脫鉤“。Lean+Agent正在把證明從文本變成“可組合的接口“。AlphaEvolve、PackingStar、EinsteinArena等系統則標志著從數值枚舉走向結構探索。陶兆巍的判斷是：AI時代不只是三條線各自更強，而是它們第一次可以被編排成閉環系統——Reliable提供終點，Experimental提供來源，Agentic提供驅動。
上智院AI科學家陶兆巍
寧德時代首席AI科學家劉凱以“AI與大腦，到底誰更接近智能的本質”為題，為第三幕注入了神經科學的底層視角。他指出一個常被忽視的事實：DeepMind Hassabis和Anthropic Botvinick的核心背景都是神經科學。現代深度學習從McCulloch-Pitts神經元模型到Hebbian學習，從CNN的局部感受野到ResNet的skip connection，都能在神經系統中找到對應。劉凱展示了果蠅全腦連接組（13萬神經元、5000萬突觸）的映射進展，以及從中催生的類腦智能方向——模型以微分方程系統模擬動態神經網絡。他提出了五個遞進式轉變，最終指向“AI Scientist”：人工智能將不再只是輔助人類，而是參與提出問題、形成理論、推動科學突破。劉凱也向AI科技評論強調，“這一階段的AGI研究又可以考慮一撥neuroscience inspired AI方案”。
寧德時代首席AI科學家劉凱
學習節的最后一個報告，來自香港中文大學助理教授劉圣超。他首先分享了一個有意思的話題文章：現在AI4S的整個領域的知識傳遞系統在邏輯上失效——“這不叫學科，這叫集體迷路”。目前科學主導派認為AI只是加速器，AI主導派認為科學范式正在被AI重構，但在他看來，二者差異來自于時間尺度的不同——短期來看，當前主流的AI/LLM可解決部分科學問題；但長期來看，它們還無法解決bottleneck問題。他用“無限猴子定理”隱喻：沒有第一性原理，AI就像隨機打字的猴子。劉圣超也在接受AI科技評論采訪時尖銳指出當前 AI for Science 領域的殘酷真相：大量研究淪為 “排列組合”，研究者試圖走捷徑套用現有的圖像或自然語言模型；但是AI4S應該有更本質、從第一性原理出發的框架，逐步構建獨立這一門學科。他在分享的最后提出如何奠定AI for Science的規則與邊界這一深刻提問，為學習節畫上了圓滿句號。
香港中文大學助理教授劉圣超
專場結束后，年輕的講者們移步至會場外繼續交流。他們在天幕下分享正在做的學術工作，討論自己的所思所憂，也許下2050年的愿望。AI科技評論后續也將深度專訪本次專場的部分嘉賓，推出“AI學術青年”系列專訪，敬請期待。
值得一提的是，這一信息密度極高的專場，其實是“2050學習節”11場論壇的其中之一。AI科技評論了解到，“2050學習節”由王婷與Datawhale的范晶晶、莊表偉和王志軍在2023年聯合召集，起源于一次有趣但不切實際的追問：
既然淘寶可以為購物造一個雙十一狂歡節，為什么學習者不能擁有屬于自己的節日？
由此，他們開始在2050立下了學習節的flag，希望讓學習這件事從功利和KPI里走出來，回歸興趣與熱愛本身。它有三條貫穿至今的核心價值觀：給年輕人搭舞臺、創造不可能、自由生長的創新生態——把判斷權和發起權交還給那些真正在場的人。
今年是學習節的第三屆，主軸是“人和組織·構建AI+X生態”，對外召集語被凝練為“讓真實的鏈接發生”。三日十一場論壇在云棲小鎮同時鋪開，除了“AGI for Science”專場以外，還有很多豐富的主題——AI+X高校教育聯盟討論大學如何被AI重塑，AI游戲論壇探索Z世代的進化路徑，AI+心理論壇關注“從周公解夢到聊天紀元”，以及意識之橋、AI+OPC、AI+醫療等十幾個截然不同的議題在三天里平行發生。
云棲小鎮的草坡上，2050的倒計時還在持續跳動。這場2050學習節，其實并沒有迎來一個閉合的終章。正如于曉軼在開場所言，“問題庫是我們真正在建設的護城河”，此時此刻問題庫還在擴大，護城河仍似溪流，真正屬于AI4S時代的第一代畢業生也還在路上。正是那些懸而未決的節點，構成了持續跟蹤的價值，如今還在生長中的版圖，已足夠讓人期待。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
