从通用人工智能到科学智能，“AI爱因斯坦”还远吗？

“通用人工智能的最高体现之一就是理解复杂世界、发现未知规律。简单的说，就是打造‘AI爱因斯坦’。这也是AI for Science（科学智能）的关键目标。”在2024世界人工智能大会暨人工智能全球治理高级别会议“人工智能：科研范式变革与产业发展”主题论坛上，上海科学智能研究院院长（下称上智院）、复旦大学浩清特聘教授漆远，讲述了他对于通用人工智能（AGI）和科学智能的发展判断。

参与此次论坛的两院院士、国内外知名科学家也认为，AI必须具备超越简单数据处理的能力，结合创造力、探索精神和新的学习机制，推动各学科领域的不断突破和自我学习与创造。

【需结合“黑盒”和“白盒”，打造“灰盒”可信大模型】

漆远教授认为，大模型领域的“金科玉律”——尺度定律改变了AI，然而仅依靠海量数据的压缩和归纳总结不足以达成通用人工智能。就像AlphaGo通过学习海量的人类棋谱战胜李世石那样，我们看到了机器超越人类认知的可能性。但更重要的是我们需要像AlphaGo Zero那样，从围棋本身出发，具备自我学习、推理和创新能力，这样才可以达到通用人工智能。

要实现这一目标，一是需要结合快思考的“黑盒”预测和慢思考的“白盒”逻辑推理，打造“灰盒”可信大模型；二是融合系统一（直觉性思考）和系统二（推理性思考），摆脱数据依赖。科学智能的最高体现就是“AI爱因斯坦”，通过融合科学规律、观测数据和合成数据，发现复杂世界的未知规律。

上智院正在这条道路上不断探索。在气象领域发布了面向新能源、航空运输、城市管理等产业应用的伏羲系列气象大模型，基于人工智能技术极大提高了天气预报的准确性，并能提前预测极端天气现象。同时，伏羲次季节气象大模型将天气预报周期延长至60天，并入选成为中国气象局的三个官方气象大模型之一；在医药领域，在DNA长文本分析和蛋白质动态建模上取得突破，并将与企业合作研发RNA大模型，预测RNA结构和功能，加速RNA疫苗研发，促进核酸药物设计。

【AI需要探索未知，而不仅仅是应用已知的方法】

长短期记忆网络（LSTM）之父、阿卜杜拉国王科技大学人工智能计划负责人、瑞士人工智能实验室研发主任尤尔根·施米德胡贝教授，与漆远教授的观点不谋而合。他认为AI需要探索未知，而不仅仅是应用已知的方法。目前传统强化学习存在局限，使用世界模型不仅能够基于世界认知预测行为，同时可以让AI像人类婴儿一样在设定目标下进行学习和成长，这种学习模式在通往通用人工智能的道路上是非常必要的。在他看来，未来世界模型需要新的算法机制，应该更加关注奖励组合的设计，不仅包括外部环境给予的奖励，也包含模拟对于人类追寻好奇心的内部奖励。通过奖励机制组合优化模型不仅能让模型追寻外部目标，也能让AI理解科学家内在对于实验的设计和处理，最终通过AI自己设计目标实现世界模型的升级。

诺贝尔经济学奖得主、北京大学汇丰商学院荣誉教授托马斯·J·萨金特在演讲中深入探讨了AI创造力和学习机制的融合。他提出了两种创造力类型：应用创造力和问题寻找创造力，强调真正的通用人工智能应像人类婴儿一样，通过自主实验理解世界。此外，他还比较了物理学和经济学中的模型构建方法，强调了从描述性模型到结构性模型的演进过程。他以开普勒模型和牛顿模型为例，阐述了如何在经济学中实现类似的理论突破。他强调，虽然AI工具强大，但经济学家的理论洞察仍然不可或缺。这种平衡方法为解决复杂的经济问题提供了新的视角，也为未来的经济研究指明了方向。

中国工程院院士、之江实验室主任、阿里云创始人王坚博士探讨了AI在科学研究中的新范式，主要包括规模、AI生成假设和自动验证三个方面。他强调数据、模型和算力规模的指数级增长，及数据驱动的研究假设对科学研究的深远影响。他认为推动科学发展的应是基于理科数据的模型，并呼吁更多关注理科基础模型的研究。

此次论坛由世界人工智能大会组委会办公室、上智院、复旦大学共同主办。