一场聚焦人工智能与基础科学深度融合的研讨会在上海市徐汇区模速空间召开，主题为“Agentic Science at Scale——AI4S科学基座模型和通用科研智能体研讨会”。此次活动由上海交通大学人工智能学院与上海算法创新研究院共同主办，吸引了产学研各界的广泛参与。会上，主办方集中展示了AI for Science科研基础设施的整体能力，并发布了科学基座模型Innovator和通用科研智能体SciMaster等核心成果。同时，通过产学研战略签约，进一步打通了科研智能化、规模化发展的关键环节。
中国科学院院士、上海交通大学人工智能学院首席顾问鄂维南在会上作了题为《Agentic Science at Scale》的主旨报告。他指出，当前AI for Science的关键基础设施已逐步完善，标志着科研智能化、规模化时代的正式到来。报告深入剖析了这一时代的底层能力架构与实施路径，为与会者提供了全新的视角和思考方向。
在“科研基础设施与科研智能体成果介绍”环节，来自高校和科研机构的专家学者详细介绍了AI for Science科研基础设施的关键能力模块。这些模块共同构成了一个端到端的“科研生产闭环”，为科研工作提供了全面而高效的支持。其中，上海交通大学人工智能学院副教授、上海赛兰德智能科技有限公司创始人兼首席科学家陈思衡重点介绍了通用科研智能体SciMaster的能力体系。
SciMaster旨在实现全学科科研“搜、读、算、做、写”全流程的自动化闭环。它依托海量工具调用和超长程上下文管理两大核心技术，为用户提供了“自动驾驶”般的科研体验。据介绍，SciMaster运行6小时的成果即可与资深理论物理学博士1至3个月的工作量相媲美。通过“用户+开发者”双飞轮驱动模式，SciMaster正在构建一个规模化科学智能生态，推动科研生产范式从“小作坊”向“超级工厂”加速转变。
在模型层面，上海交通大学人工智能学院助理教授张林峰发布了Innovator基座模型。该模型实现了科学多模态感知、科学推理和科学工具调用三大目标。在感知方面，它针对化学、材料、物理等学科的多模态科学数据建立了强大的理解能力，支持20多种科学模态，并具备顶尖的通用视觉理解能力。在科学推理方面，Innovator显著提升了科学推理和多模态科学推理能力，具备解决真实科学任务的科学编程能力，在科学编程任务上的表现甚至超越了30倍参数量的模型。在科学工具方面，该模型能够在模型侧对万级工具与能力模块进行理解、选择、组合与调度，实现跨学科、跨任务的稳定交付。
研讨会还设置了科学家圆桌论坛环节，与会嘉宾围绕科研智能体如何重塑科研流程、如何实现跨学科协同以及如何推动科研结果更快沉淀为可复用能力等议题展开了深入探讨。嘉宾们一致认为，科研智能体的规模化发展正在推动科研体系发生系统性变革，这种变革不仅涉及方法和工具的创新，还包括组织方式的优化和升级。
