先说结论

澎湃新闻《大方之谈》第十九期（2026 年 7 月发布，主持人卢雁，采访在世界人工智能大会 WAIC 2026 之前录制）对话上海人工智能实验室主任、首席科学家周伯文。这期节目值得读的原因不在于技术综述，而在于周伯文第一次把技术主张、产业判断和个人哲学放进同一个框架里讲了一遍。核心是四条：AGI 的能力定义是通用与专业的结合，落点是 2023 年提出的"通专融合"与 2024 年 WAIC 上提出的"智者"SAGE 架构；产业层面他自称从未在公开场合讲过一个商业伦理主张——行业使用通用 AI 的每一次反馈都在把本行业 know-how 沉进基础模型，按他的说法，美国已出现"推出一个行业插件、打掉整个行业最多 40% 市值"的价值转移，产业生态需要一层"转换层"；AI for Science 的终极考验是他 2022 年提出的思想实验：把 AI 放回 1905 年，它能不能独立推导出广义相对论——能，科学发现就从偶然变成必然；人与 AI 最根本的差别是使命感驱动，对个人，他的建议是保持批判性、保持品味（taste）、成为 π 型人才。

快与慢、通与专：AGI 的定义之争与「智者SAGE」

对话从一个课堂场景切入：主持人 2024 年听过周伯文的课（转写为"交大高精"，疑为上海交大高级金融学院），记得他在一下午的时间里反复安利卡尼曼的《思考，快与慢》——周伯文称这是"我见过少数能把诺贝尔奖成果讲得如此通俗而又深刻"的书。人脑是快系统与慢系统的结合：快思考是高手在大量训练之下瞬间涌现的经验、直觉、品味与价值观；慢思考（deliberation）则要深度计算、比较各种可能性。

主持人尝试套用这套语言，说日常用的 DeepSeek、GPT 更偏系统一，AlphaFold 这类专业模型更像系统二——周伯文当场纠正了这个理解：按卡尼曼的定义，GPT 和 AlphaGo 都属于系统二的深度思考模式；目前系统一做得又强又好的 AI 系统还没有大规模应用，直觉仍是人类远超 AI 的领域。大模型与 AlphaFold 的真正差别不在快慢，而在"通与专"：大模型出现之前的七十年，AI 的每次头条新闻都是在某个专用领域击败地表最强人类，专而不通；今天的大模型则在泛化上取得革命性突破，但通而不专。

这就是他 2023 年提出"通专融合"的出发点：要实现类人的通用人工智能，必须在一个模型上同时具备强泛化能力与对任意领域的深度专业化——他在节目中给出自己的 AGI 定义：“具备通用跟专业能力的结合才叫 AGI。“这套主张在 2024 年 WAIC 上被落成一个 Transformer 之后的新一代架构提案，中文名"智者”、英文 SAGE（2025 年 WAIC 正式命名，官方三层为基础模型层、融合协同层、探索进化层）。按他在节目里的表述，三层分别对应：知识与推理可分离、可组合并持续学习的开放学习架构（科学领域每天都有新知识涌现）；快慢思考的融合；以及与物理世界互动的自主反馈层——他用学游泳作比：阅读再多的文本、看再多的视频也学不会游泳，必须真的下水，感受水流、呛水、体力不支这些反馈再调整动作，“这种压缩智能没法让你在物理世界里自洽”。主持人做功课时发现，SAGE 正是书生科学多模态大模型的底座，也是许多专业大模型的底座——这条产品线把架构主张变成了可检验的工程事实。

「转换层」：一个自称从未公开讲过的商业伦理主张

整期节目信息密度最高的一段，是周伯文明确说"这个我从来没有在公开场合讲过"的商业伦理观察。起点是那句流行语：不是人工智能打败人类，是会用人工智能的人打败不会用的人——这是短期，所以你要去用。但紧接着他给出了长期风险：如果每个人都直接使用通用 AI 并不断反馈、教它，那么每一次反馈都在让通用模型对这个领域知道得越来越多——包括某个企业怎么定义问题、解决问题、提升行业效率，这些独门技术积累和 know-how 都会被模型吞噬，模型在这个行业的纵深越来越强。

他的举证来自美国（以下为周伯文在节目中的说法）：Anthropic 的 Claude 模型每隔一段时间推出一个行业插件，比如面向律师行业、面向 SaaS 行业的插件，“它每推出一个行业的插件，整个这个行业的股票总市值会被打掉多达 40%"，因为市场认为这个行业的价值全部转移、沉淀到了基础模型那一层——“对整个行业来讲是巨大的不公平”。由此他提出主张：既然人工智能是革命性技术，它就应该像电一样，通用能力渗透到所有需要能源的地方，对行业赋能而不吞噬。具体路径是产业生态需要一层"通专融合的转换层”：人类的每次反馈、迭代和指导沉淀在行业内部，而不是沉到通用模型那一层。他称这是理想化但技术上能够实现的路径，是 AI 与各行业长期共同发展的健康生态。

这条链条的启发在于它回答了当下很多企业纠结的问题——AI 能力到底该沉淀在哪一层。观察指标也现成：基础模型厂商行业插件化的节奏、每次发布对应板块的估值反应、垂直模型与私有化部署的采用率。按周伯文的框架，行业的 know-how 若持续外流，最终换来的就是估值锚的坍塌；而"转换层"的价值主张，本质上是把数据主权和领域纵深留在行业内部。

从工具的革命到革命的工具：1905 年的思想实验

谈到 AlphaFold，周伯文给出了一个清晰的分类：它属于"工具的革命”——研究问题固定、研究对象固定，只是需要更好的工具。从蛋白质序列预测三维结构，搜索空间极大，但存在已知约束（能量最小的展开要满足物理条件），深度学习作为工具找到了最优解。他还在节目里自称"AI for Science 这个词是我提出来的"（嘉宾自述，节目未给出文献出处）。而 AGI for Science 是另一个阶段：与你工作的不再是只接受指令的助手，它拥有比人类科学家更广的知识面和更强的融合能力。一位蛋白质科学家不一定知道别的学科有可借鉴的方法、理论体系甚至计算工具；通用智能最大的价值是"从更宽的视野、更重大的学科交叉前沿，去打开我认知的壁垒"。

他用一个四象限框架给科学发现分层：横轴是人类知不知道自己知道。未知的未知最难，对应颠覆性的零到一，例子是广义相对论；AlphaFold 属于"未知的已知"——编码、三维结构、能量约束都是已知的，未知的是哪个是最优展开，对应一到十；发现新材料之后要把量产成本打下来——知道问题在哪个环节但不知道怎么解——对应十到一百。落到研究三要素上，他认为 AGI 会同时重塑研究者（打破认知壁垒）、研究工具（通用智能可以比人类更好地设计实验和科学工具）和研究对象表征。他特别举了实验室的一个佐证：人类相信地心说时，并非缺乏支持日心说的观察，而是认知把不利数据全过滤掉了；而 AI 对数据的压缩表征能力强，可以把原始科学数据全部保留、不做任何丢弃，从而从同样的数据里得出人类没想到的结论。

这套思考的源头是 2022 年他在清华招博士生时提出的思想实验（转写为"四小实验"，应为"思想实验"）：把今天的人工智能放到 1905 年，喂给它当时已知的数据、论文和观测结果，它能不能独立发明广义相对论？他借爱因斯坦的传记展开论证：1905 年狭义相对论源自电车经过苏黎世钟楼的思想实验，但广义相对论推迟多年，是因为缺少描述等效性原理的数学工具——黎曼几何早在狭义相对论前四十年（按他原话"如果我没记错的话"）就已发表，爱因斯坦却没学过或没留在脑子里。“这就是人类科学家跟 AI 最大的差别”：大模型读过了互联网上的全部语料，自然知道黎曼几何，关键在于推理能力能否认识到狭义相对论与黎曼几何之间的强关联。他给出两条实现路径：AI 自己完成——快思考直觉发现关联、系统二完成推导；或者一个物理数学都有功底、但既无爱因斯坦的直觉也无黎曼的数学的普通科学家，借 AI 助手推导出来。由此得出这期节目最锋利的一组判断：

我们人类有广义相对论好像完全是个偶然……如果说 AI 能实现我说的那种形态，那我们人类发现广义相对论就是必然。AlphaFold 这样的工作是工具的革命；如果 AI for Science 能独立推导出广义相对论，或者帮助一个普通科学家推导出广义相对论，那就是革命的工具。

主持人追问：当 AI 真的能做零到一的科学发现，它就具有了主体性，人的角色是什么？周伯文先做了预期管理——这不是短期会发生的，“大家不用焦虑”，然后给出他的根本答案：人工智能目前没有一个必须要完成什么的使命感；人是由使命感和好奇心驱动去探索、创造、试错、迭代的，“不管是企业家精神还是科学家精神，其实都是使命感和好奇心在后面驱动”——这是他认为人与 AI 最根本的不同。

世界模型、不确定性与内生安全：科学家的认知底色

对于"世界模型"这个热词，周伯文的第一个判断是学术界对定义还没有收敛。它的起源是对物理世界的描述，恰好与大语言模型形成互补：大语言模型通过预测下一个词把人类语言中的全部知识压缩进模型，是一种"压缩智能"；他引用维特根斯坦的大意——语言的边界就是世界的边界——来解释为什么压缩语言就某种意义具备了理解、观察和预测世界的能力，但它缺乏对三维空间的构造理解和互动能力，于是一批科学家提出世界模型。他和同事刚发表了一篇观点论文，把世界模型定义为对世界运行本质的了解：纸杯一捏就变形、金属杯不变形，这种物理互动的反应能否刻画；训练语料之外的知识能否自己观察推理出来，包括隐性知识。主持人反问：人类自己都没搞明白世界怎么运行，怎么训练 AI？他的回答很坦率：所以世界模型赛道现在非常早期，而人工智能是典型的"实验结果领先于理论"的领域——先推进，涌现出概念，再由技术进展反哺甚至重新修正概念。

关于熵的一段对话同样值得记下。主持人用热力学第二定律类比大模型的行为（高熵探索欲强、低熵自我满足），周伯文肯定后引回香农信息论——熵是从不确定到确定的关键表征工具。主持人抓住要害：世界就是不确定的，但你要教 AI 的又是相对确定的东西，否则怎么赋能？周伯文的回答是全场最"世界观"的一刻：

人工智能的目的肯定不是消除不确定性。不确定性是世界与生俱来的规律，我们实际上是要理解这种不确定性——理解不确定性是科学探究的本质，而不是消除不确定性。

他接着把科学哲学落到人生哲学：人焦虑是因为对人生的不确定性怀有彻底了解的执念；如果有智者告诉你，站在更高维度看，世界本来就是这样不确定的，你心态放平、幸福感反而增强。这也解释了他为什么欢迎人文学科进入 AI：主持人提到 Anthropic 招聘哲学学者（转写误作"Socratic"，周伯文确认为真）、阳明心学被用于 AI 对齐训练（主持人的说法），周伯文的框架是——AI 在认知层面帮人变强，而人自己的认知又影响他怎么用 AI，所以 AI 天然需要从哲学人文的角度理解与人如何共处。他讲了两个家庭细节佐证：一位牛津教授自豪地说自己学哲学的孩子在 OpenAI 做产品经理；而他自己的孩子决定不学 AI 本科，先去读牛津的 PPE（政治、哲学与经济学）——理由是人的差别在品味（taste）和对人本质的思考，先形成坚实的世界观，再学 AI、做 AI 会更坚定。

安全问题上，他重述了"AI-45° 平衡律"的提出背景：针对当时"任何约束都会妨碍 AI 进步"的流行观点，他主张 AI 是与以往都不同的认知工具与认知伴侣，其发展与安全不对立——越是掌握信息全面、思考成熟的智能体往往越安全；不安全常来自信息不掌握、缺乏预见。当下最当务之急有两类：Make AI Safe（先把 AI 做出来用好，同时确保安全，短期路线）与 Make Safe AI（安全内生的"人工智能内生安全"）——模型在思考推理时把安全作为自身的约束条件，“就像我们做很多事情不是因为被谁 check，而是自己内心知道这件事不能做”。他用越狱攻击说明差距：护栏能挡住"怎么制造化学武器"的直接提问，却挡不住通过误导性场景解除警惕后的同类问题，这正是内生安全不足。至于"让 AI 学会爱"，他的态度是明确的排序：安全是更基本、更重要的前提——安全与否是相对简单的判断，爱与善是更高阶、更多维的价值函数，“如果你连二维的安全跟不安全都不能判断，善还是不善是更高级的东西”。

人的位置：使命感、品味、π 型人才与「没有目的的时间」

对被 AI 焦虑裹挟的普通人，周伯文给出三条具体建议：想清楚什么东西让你 excited、什么是你觉得有价值的生活；在使用 AI 的过程中保持批判性——当前技术不完美，输出可能有瑕疵、有幻觉、甚至根本错误，而批判性思考（critical thinking）是人最重要的能力；保持你的品味和你自己的价值主张（taste）。在他的定位里，人工智能"更多是一个跟你共同进化的认知助手，它既不是工具，但也不用太担心它会取代你"。

人才框架上他提出"π 型人才"（转写为"派型人才"）的谱系：父母辈"学会数理化，走遍天下都不怕"描述的是 I 型人才，强调专业纵深；后来要有 T 型人才，在专业之外补上通识——人文、美学、与人相处；现在还需要再加一竖——与人工智能共处、共同创造的能力，形状变成 π。他特意点出 π 是无限不循环小数，“你的人生就是无限不循环的”；AI 不是敌人，但用 AI 的人会打败不用 AI 的人，那一竖要成为你的装备。

关于创新环境，他判断中国正到了临界点：国内年轻人非常优秀，创新的意愿和环境都比原来好很多，原始创新和应用创新都会越做越好。而创新需要闲暇——这不是他的即兴感想，而是被组织细节支撑的主张。他现在用 work-life integration 取代 balance：胡思乱想也是工作，早上无目的地读论文是闲暇，有 deadline 的会议和决策才是具体工作；科研人员必须有"没有明确目的产出"的时间，用来讨论、聊天或自己思考。他因此要求开会控制在一小时内，一小时解决不了就停下来再开，且不要打断研究员后面"没有目的的工作"。节目在中段变成一场办公室行走——健身房、桌球台、前台，实验室全职科研人员平均年龄三十岁。他还讲了一个 IBM 的故事：郊外山头上的三层研究楼，所有办公室都没有窗户，只有前排落地玻璃正对高尔夫球场，玻璃前放几把椅子、一块白板——研究员被风景吸引走出来，就碰见同事，碰撞开始。他总结创新的本质是三件事：独立思考、深度协同、碰撞。

个人方法论的段落几乎是一份反直觉清单。初中校运会受伤，一周时间坐在看台上读科学家传记入了行——“历史上璀璨的科学成就，都是重大的科学问题在那个时间节点上，被一批对的人找到了”。中科大少年班（不到十五岁入学）带给他最大的好处，是可以以此为由不再跟着年级的教学走，很早就自己规划学习节奏、只看自己感兴趣的东西、先看全局找根本问题——“不是为某个考试去准备，而是先了解这个学科的结构，现在在哪里，哪些问题最重要”。他由此主张"能提出问题比解决问题更重要"，并连接到马斯克的第一性原理（先问什么是不可改变的，从不可改变推怎么解决）与贝佐斯的反向提问（别问现在什么最热，问什么五到十年不变，围绕不变布局）和以终为始（顺推法永远在舒适区里，你能到达的彼岸无法被自己定义）。他的职业选择遵循同一逻辑：2017 年从 IBM 回国，因为中国是全世界主要国家里第一个发布国家级人工智能发展规划的；2021 年他预见 AI 的下一场革命即将到来，主动转向清华的科研前沿，同时坚持 AI 不是阳春白雪、必须与产业深度结合；上海人工智能实验室在他看来正是国内难得的、既做前沿基础研究又对国家发展做根本性贡献的产学研融合机构。

最后是速度感。他描述当下 AI 学术会议的生态：台上宣读的论文是半年前投稿、三个月前录用的，“大家认为是老古董，没人听”；开会的主要目的变成线下交流——上周你做了什么、你认为下周会发布什么。他每天早上浏览当天最受关注的五篇论文，快速过方向、摘要和结论，特别感兴趣的当天抽时间读完，“我一天不读这五篇论文，我没法跟别人讨论人工智能”。主持人自陈三天不看新闻就掉队，他回应：你看的还是新闻，对从业者来说，每天不更新就可能错过重要的判断和机会。节目在一段 2025 年 WAIC 与辛顿（Hinton，转写为"新顿"）对话的切片中收尾，那是他"想了蛮多年"的寄语：想做真正原创的研究，就去找那些你认为所有人都搞错了的领域；坚持你所相信的，直到你自己明白它为什么错——偶尔你会发现你坚持的并没有错，而重大突破正由此而来，即使别人不同意也要坚持下去。

从这期对话往后看，有三个可检验的观察点：行业"转换层"会不会从主张变成标配（盯行业插件发布节奏与对应板块估值、垂直模型采用率）；SAGE 三层架构在书生系列的落地进度；以及"科学发现从偶然到必然"能否在蛋白质之外的硬学科出现可复现案例——事实上，采访之后不久的 WAIC 2026 上，周伯文已进一步提出"AGI 的下一程，迎接科学元认知时刻"，发布自主研究系统"书生·端砚"（识别冲突、理论空白与知识边界，定义真正值得研究的问题）和把知识与推理分开构建的 Mobius 新架构（据上海人工智能实验室官方消息），等于把"能提出问题比解决问题更重要"直接做成了系统的核心能力。而对个人，这期节目真正留下的问句只有一个：当 AI 的那一竖越来越长，你的使命感、批判性和品味——那根不可外包的竖——长到什么程度了。