2050学习节「AGI 4 Science」专场:17位青年学者「挤」在3小时里,都讲了些什么?
Quick Take
The 'AGI 4 Science' session at the 2050 Learning Festival featured 17 young scholars discussing AI's evolving role in scientific research, emphasizing AI's potential to reduce experimental costs and enhance interdisciplinary collaboration. Key topics included AI's application in fields like controlled nuclear fusion, semiconductor design, and biological sciences, with a focus on bridging the gap between simulation and real-world applications.
Key Points
- AI for Science is evolving from general models to deep integration in specific fields.
- Young scholars discussed AI's role in reducing high experimental costs in various disciplines.
- AI-assisted semiconductor design improved success rates from 2% to nearly 60%.
- The session emphasized the need for AI to bridge the gap between simulation and real-world applications.
- Interdisciplinary collaboration was highlighted as crucial for advancing AI in scientific research.
Article Content
From source RSS / original summary我们选择的道路,谁与我们同行,我们最终抵达何方。 作者丨周 蕾 编辑丨岑 峰 2050是阿里云创始人王坚博士发起的一个非营利活动,自2018年起每年4月最后一个周末在杭州云栖小镇举办,定位是“年青人因科技而团聚”。 它没有传统会议的“主办方—嘉宾”结构,而是一个由自愿者驱动、年青人自由发起活动的开放场域。 第八届2050大会,在今年4月的最后一个周末如期举办。 而2050学习节“AGI 4 Science”专场,或许是大会三天里信息密度最高的专场,没有之一:三个小时,十七位发言嘉宾,每人十分钟。 据召集人王婷介绍,这是有意为之的高密度编排:舞台时间本就是稀缺资源,让更多正在前沿摸索的青年学者“上得了台”,比让少数人讲得更长更重要。 这种议程安排让现场节奏紧凑,讲者没有客套铺陈,听者全神贯注,云栖小镇会展中心二楼的五云厅虽不大,上座率却极高,不少听众为此驻足。 本次专场主题定位是“生长中的AGI 4 Science:全景、边界、未来”,这三个词旋即被投射为本场专场的三幕结构——“落地前沿”“AI作为伙伴”“未来去向何处”。 更直观地讲,这里谈论的是:这条路上我们正走在哪里、谁与我们同行、以及最终希冀的目的地。 何为“生长中”?
AI4S本身仍在快速演化,任何试图以“已经成型”的方式去框定它的努力,都会很快被现实抛在身后。 专场策划者选择把这场分享呈现为一张“正在生长的科学地图”,而非一份既定结论的总结陈词——三幕之间不是层层递进的论证关系,而是从“此刻在做什么”到“能力边界在哪里”再到“认识论上将走向何处”的逐层抬升。 雷峰网AI科技评论也注意到,AI for Science(AI4S)正经历从“通用大模型赋能”到“垂直领域深度融合”的范式演进,一些细微的变化也在学习节上有所呈现:如今的AI4S交流,不再停留于AI+某种学科标签的简单划分上,比起聚焦单一技术路径或学科分支,讨论交流以“青年学者”为核心、以“问题”而非“学科”为导向,数学、物理、化学、芯片设计、生物制造等领域的青年学者汇聚一堂,形成了极具冲击力的跨界碰撞。 不少AI for Science的叙事,经常停在“科研流程加速器”这个节点上,但物理世界里的试错成本却未必被真正接管,而在这次会上,我们观察到青年学者们已经在谈论更困难的问题,试图将叙事从“加速器”推向深水区:AI4S能否帮助科研承担“试不起”的物理试错成本? 能否摆脱简单的排列组合,以第一性原理重塑AI4S的技术路线?
AI4S或许存在着无法回避的结构性问题? ……与此同时,他们也积极寻找着产学研结合的新路径——即如何将高校实验室的前沿探索,与产业界的真实需求进行有效对接。 暮春四月的杭州,阴晴冷热不定,2050大会举行的三天却刚好是天朗气清、惠风和畅的好天气。 五云厅的侧窗外,是艳阳中摇摆发亮的绿树,室内的交流也正如春天万物生发,一张正在生长的科学地图徐徐展开。 幕前开场由上海人工智能实验室项目经理人办公室负责人于晓轶给出全场坐标系。 他的核心判断直截了当:科学发现的速度,接下来将由AI的能力边界决定,但当前多数AI仍是“专才式”的黑箱拟合器,给不出“为什么”,更无法涉足交叉学科。 上海人工智能实验室项目经理人办公室负责人于晓轶他指出,落地必须有三件任务同时完成:AI4S是大模型推理能力的终极考场,需在稀疏数据、长周期反馈与爆炸性搜索空间中实现超长程推理与持续进化;干湿闭环打通,让AI直接输出产业可用物,压缩反馈周期;科研组织范式革新,引入PMO机制作为问题识别与翻译引擎。 于晓轶最后以“问题库才是我们真正在建设的护城河”这一观点结束演讲,本次专场正式拉开帷幕。
01落地前沿:模拟和真实之间的鸿沟第一幕“落地前沿”,集中呈现了AI4S从论文阶段进入硬科技阶段的临界点。 七个报告横跨了可控核聚变、流体模拟、芯片电镀、芯片设计、化学实验室、细胞影像和生物企业田野实验。 领域看似分散,但都有相似的问题:试错成本高昂。 一次等离子体实验成本极高,一次芯片流片耗时数月,一次化学合成可能毫无结果。 第一位登场的青年学者,是西湖大学特聘研究员吴泰霖。 爱好科幻的他提起了《流浪地球》中令人印象深刻的行星发动机,也由此展开了核聚变的硬科技叙事。 可控核聚变定义为“国运级别”的工程,他指向2027年这个关键节点:多个聚变装置有望实现Q>1)(输出能量大于输入能量)。 西湖大学特聘研究员吴泰霖AI 切入聚变的路径被吴泰霖拆解为:仿真侧,生成式模型处理等离子体多尺度多物理场耦合;控制侧,基于共形预测的可证明安全控制方法;装置设计侧,仿星器优化与AI原生诊断。 同时他也向观众展示了更具想象力的“多智能体AI工程师”,即输入一句话功能描述即可在纯文本反馈下自动化建造火箭。
复旦大学助理教授、上海科学智能研究院AI科学家姜若曦,提出了“生成模型与表征学习的二元一体”——AI 既要会“画”世界,也要会“看懂”世界,用表征打开AI黑盒。 针对传统去噪模型的局部加权平均问题,她与团队开发了 Nested Diffusion Models(CVPR 2026);面向流体模拟的长期稳定性难题,她进一步提出 Hierarchical Implicit Neural Emulator(NeurIPS 2025),受经典数值 ODE 求解器启发,通过层级隐式表征预测未来状态。 在 Navier-Stokes 方程的二维平面实验中,该方法展现出显著的长期稳定性优势。 她展望了 CFD 工业落地、基于表征隐空间的科学发现,以及医学图像与物质生成等方向。 复旦大学助理教授、上海科学智能研究院AI科学家姜若曦半导体是眼下最炙手可热的领域之一,而从芯片制造的电镀配方筛选,到芯片设计的版图生成,AI 正在穿透半导体产业链。 厦门大学化学副教授杨晓晖、上海交通大学长聘副教授邵雷来,正好分别聚焦了这一产业链的不同环节。 杨晓晖的分享从一道反问开始:“为什么高端芯片里有些问题不能只靠实验?
”他将芯片电子电镀描述为一种涉及分子、微孔到晶圆三个尺度的耦合问题,公开配方像菜谱,商业配方却依赖数十年试错积累。 AI在这里的角色并非替代实验,而是充当“过滤器”——先排除95%走不通的路,再让实验去验证剩下的5%。 他给出的数据极具说服力:传统方式命中率仅2%,AI辅助后接近60%;研发周期从一年压缩到两个月。 同时他也抛出了希望得到讨论的问题:模拟和真实之间的鸿沟,实验室到产线的最后一公里,下一代芯片结构等。 厦门大学化学副教授杨晓晖邵雷来聚焦AI走进芯片设计核心的距离问题,他指出芯片设计是AI的理想战场——数据丰富、反馈闭环、评估标准明确,比许多知识工作更容易形成“闭环 Agent”。 AI 在其中的演进路径已经从单点优化走向跨流程智能协同,EDA 正在从工具变成“智能同事”。 但邵雷来强调,最大瓶颈不在模型本身,而在“最后一公里”:从“会优化”到“敢 tape-out”之间,隔着制造约束、工艺偏差和工程信任。 他描述的未来方向是让 EDA 成为一个可对话、可自治的操作系统,即 Harness Engineering,LLM 必须理解制造约束才能生成真正可用的版图。
未来如果想按需求实时生成ASIC,Agent要能真正接入“物理世界”。 上海交通大学长聘副教授邵雷来从芯片设计的“敢 tape-out”到化学合成的“敢做实验”,AI4S 的落地瓶颈在不同领域呈现出相似的结构性困境。 上海科学智能研究院研究员徐丽成指出,物质科学领域AI的重大突破——从 AlphaFold 3 到 GNoME——几乎都集中在分子的“设计”,而忽略了分子的“合成”,合成化学面临海量条件组合的优化难题。 更关键的障碍在于“领域与算力壁垒”,实验科学家因缺乏编程经验与算力资源,难以直接使用先进的AI模型。 徐丽成团队的开源工具矩阵与 Agent 系统试图消除这些壁垒,构建干湿实验闭环,让实验科学家通过自然语言调用模型,专注于科学发现。 上海科学智能研究院研究员徐丽成从化学合成的干湿闭环到生命细胞的物理放大,AI4S 正在向更复杂的生物系统延伸。 西湖大学助理研究员董振分享了一种尿不湿启发而来的组织膨胀技术——通过吸水膨胀将生物样本物理放大,突破光学显微镜的分辨率极限,从而获取从组织到亚细胞的多尺度空间结构数据。
在此基础上,团队开发了膨胀空间蛋白质组学方法,将物理放大后的生物数据输入 HetuNet 等AI模型进行分析,其推理过程“像在解数独”。 这条路径的最终目标是从膨胀空间蛋白质组学走向“人工智能虚拟细胞”。 董振的分享提供了独特的生命科学视角:当AI试图理解细胞时,先需要物理层面的“放大”才能进入数字层面的“建模”。 西湖大学助理研究员董振锦波生物首席AI架构师张骥,提供了第一幕中最具产业纵深感的切片,锦波用18年完成了(重组)人源化胶原蛋白的原始创新,AI转型时提出了一个简洁公式:AI = BI(数据治理)+ BP(躬身入局)。 他强调“智能化不只是技术革命,本质上是一场管理革命”。 而这场管理革命的边界,比他最初设想的要宽得多——锦波身处太原,不像一线城市那样拥有密集的人才供给,张骥选择在当地高校开设AI课程,试图从源头培养适配企业需求的人才,但这件事的复杂度和阻力远超预期,给他带来了不小的冲击。 这也让他更确信,AI转型真正的瓶颈从来不只是技术本身,而是组织、生态与人才供给的系统性重构。 锦波的实践给出了可量化的效率提升:AI辅助研发周期明显缩短。
张骥最后以一句带有温度的判断收束:“科技创新不是为了展示酷炫,而是为了守护生命的温度。 ”锦波生物首席AI架构师张骥第一幕的分享里,没有人把AI当成包治百病的方子,每个人都如实地标记出了自己科研道路上,那条模拟与真实之间的鸿沟有多宽,自己正在试图用怎样的办法跨越。 AI4S的落地前沿,轮廓已然清晰。 02AI作为伙伴:能力与边界之所在如果说第一幕是极具工业和硬核色彩的叙事,探索AI在物理世界能做什么,第二幕则是多了几分人文与社会科学的思考:讨论AI能力上限的同时,也该考虑AI的“底线”。 这正是“伙伴”的深层含义——真正的伙伴不是全能助手,而是明确自己边界在哪里的同行者。 今年以来OPC(一人公司)的概念受到广泛追捧,浙江大学百人计划研究员方榯楷的设问开场,也叩问了OPC的立足逻辑:“如果一个人能做一个团队的事,世界会变好还是变糟? “他展示了R&D-Agent的实战数据,无论是在75场Kaggle竞赛中,还是在量化交易里,Agent都获得了相当亮眼的成绩。 这套方法论的核心是“推理即优化”——将推理类比为梯度优化、记忆类比为动量、并行trace类比为分布式SGD。
但方榯楷的论述迅速从效率乐观转向结构警惕:当思考按Token定价,知识创造将跟随资本流动;先发者的GoME优势随模型代际升级指数放大;“个体赋能的总和≠所有人变强=资本决定胜负的新一轮竞争”。 他在接受AI科技评论采访时强调,技术发展更要需要考虑生产关系,避免人类在 AI 时代被异化为工具。 浙江大学百人计划研究员方榯楷北京大学人工智能研究院博士生马煜曦将AI带入社会科学领域。 她以“何以为人”的古典追问开篇,即展示AI作为“新显微镜“的双重角色:作为物镜,词嵌入技术使分析200万篇人民日报的70年话语变迁成为可能,大规模文本分析替代了传统文献考据;作为目镜,AI迫使研究者直面“分布式创造力”“机器责任制”等从未存在过的本体论命题。 马煜曦特别展示了AI模拟进化创造性思维的过程——当AI负责穷尽变异的可能,人便进化为审美的终审法官。 这种“人际共创”的框架,为第二幕增添了人文维度的伙伴想象。 北京大学人工智能研究院博士生马煜曦上海人工智能实验室青年科学家胡舒悦,带来了一项关于“AI能否帮人做出更好决策”的大规模实证研究。
1000名参与者面对10000条来自Reddit的真实生活决策困境,在匿名条件下一致偏好LLM生成的建议而非人类建议。 研究覆盖了人际关系、情感挑战、职业发展与教育选择等主题,SEP框架下的评估显示LLM建议被认为合理、有帮助且令人满意。 更令人注意的是,2-4周后的追踪显示参与者报告的认知清晰度提升和负面情绪降低得以维持。 胡舒悦以此论证:以技术普惠推动AI平权,可以让每个人无论出身、资源还是起点,都更有机会做出一个好选择。 上海人工智能实验室青年科学家胡舒悦清华大学在读博士刘奕好即将加入腾讯混元,她的开篇提问直指多智能体“是不是另一个泡沫? ”她没有直接否定多智能体,而是给出了一个系统化的辨析框架。 当前主流产品已形成三条路线:Swarm-first(水平扩展)、Context-first(干净上下文)、Execution-first(可执行状态)。 刘奕好指出,在单智能体足够强大的今天,多智能体真正的价值在于“知识复用”,判断标准是context/search/feedback/memory能否转化为净收益。
一个agent的发现,可以成为另一个agent的起点;agent不是越多越好,得到良好组织的系统才是多智能体的本质。 清华大学在读博士刘奕好上海人工智能实验室研究员温力成,以一道反常识的质问带来第二幕的终章:“学了全互联网的AI,为什么造不出一架飞机? ”他的开篇引起“打工牛马”们的共鸣,原来最前沿的Agent在“上班“场景中表现糟糕:分不清任务轻重缓急、不会主动追问模糊信息、做不到持续学习。 温力成将工业壁垒拆解为三道:专业知识壁垒、闭源工业软件壁垒、物理约束壁垒。 他团队推出的Assemble-Agent工业智能引擎和27B工业基座模型,试图逐个击破。 他的分享为“AI作为伙伴”划出了一道清晰的禁区:没有物理反馈闭环的AI,在重工业面前仍是纸上谈兵的实习生。 上海人工智能实验室研究员温力成03未来去往何方:如何重新认识AI4S时间接近正午,第二幕相对“接地气”的分享也吸引来了更多听众,或站或立,五云厅门口人头攒动。 第二幕对“伙伴能力边界”的务实讨论,在第三幕被推向认识论层面——当组织形式已臻成熟,AI能否在没有人类导师的情况下独立完成范式转换?
Reader Mode unavailable (could not extract clean content).
Want this in your inbox every morning?
Daily brief at your local 8am — bilingual EN/中文, free.
More from 雷峰网 AI 学术
See more →万字梳理:揭秘 DeepSeek 中的 RL 与 AGI 下一步丨AIR 2025
DeepSeek's innovative use of large-scale reinforcement learning (RL) over traditional supervised fine-tuning (SFT) significantly enhances model reasoning capabilities, as discussed at AIR 2025 by researchers from institutions like UCL and CMU. Key findings include the effectiveness of preference fine-tuning and the introduction of the Goedel-Prover model for formal mathematical proofs, achieving state-of-the-art performance.



