问题——通用能力提升之下，专业深度推理仍显不足。周伯文指出，产业与学术界正逼近通用人工智能的“门槛地带”。大模型语言理解、知识覆盖和任务适配上体现出较强的泛化能力，但在高门槛专业场景中，仍常暴露出推理链条不够稳健、关键细节把握不足、结论难以验证等问题。通用与专业之间的落差，已成为前沿模型深入跃迁的重要制约。 原因——从技术范式到能力结构，短板具有系统性。周伯文回顾人工智能的发展路径时强调，智能演进并非简单堆叠算力与参数，而是伴随范式转移与能力重构的阶段性跃迁。他认为，从狭义人工智能走向更高层级，需要经历具备跨领域泛化能力的阶段，背后至少包含三类关键变化：学习方式从依赖人工标注逐步转向自监督；系统形态从任务拆分、级联组合转向端到端；角色定位从判别式工具扩展为生成式助手。这些变化提升了能力广度，但也容易形成“会很多、懂不深”的结构：对开放域知识能快速召回与组织，却在要求严格逻辑、可复现推导和专业约束的场景中表现不稳定。同时，专业问题往往不确定性更高、约束更强、验证闭环更复杂，仅靠文本层面的统计关联难以覆盖关键环节。 影响——能力缺口将影响产业落地的“深水区”推进。通用大模型进入更多行业后，挑战不再是能否回答问题，而是能否在医疗、材料、能源、气象、工程设计等领域提供可信、可追溯、可验证的专业决策支持。若深度推理能力不足，一上可能导致对复杂系统的误判、忽视边界条件，进而带来安全与合规风险；另一方面也会抬高企业落地成本，需要大量人工复核和流程补丁。更值得警惕的是，若过度依赖既有模型范式，研究可能被动收缩到模型“更擅长的区域”，从而影响对新知识边界的探索。 对策——以“通专融合”构建可成长的统一智能架构。周伯文强调，通用智能不应停留在通用与专业的二元分割，而应形成能够动态融合两类认知模式的架构：既保有快速、直觉式的处理能力，以应对开放问题与多任务切换；又具备慢思考式的逻辑推演与严谨校验能力，在需要证明、推导与专业约束的任务中达到专家级表现。面向该目标，需要方法与系统联合推进：一是强化模型的可推理性与可验证性，稳定支持复杂因果链条、约束条件和多步推导；二是推进持续学习机制，使模型在特定任务中通过迭代获得更深的专精能力；三是构建面向专业领域的工具链与知识体系，将实验数据、仿真平台、检索与计算工具纳入闭环，形成可评估、可复现的工作流。涉及的技术架构探索的核心，是弥合“广泛泛化”与“深度专精”的断层，推动统一认知生态的形成。 前景——科学发现或成下一阶段关键牵引力与“试金石”。周伯文将科学发现视为人工智能的下一前沿，认为大规模深度推理将为科学发现提供支撑，而科学发现的真实约束与验证机制也将反向推动推理能力进化。与传统任务相比，科学发现更为复杂：其一，面临“已知的未知”，如分子设计、材料空间等组合爆炸问题，搜索空间极大；其二，存在“未知的未知”，要求模型具备分布外泛化能力与一定创造性；其三，科学实验反馈稀疏且延迟，验证周期长、成本高，对强化学习与规划能力提出更高要求。，尽管以蛋白质结构预测等为代表的科学智能应用已取得突破，但也有研究提示，若研究过度围绕现有模型能力边界展开，可能压缩新知识发现的路径多样性。因此，下一阶段的竞争不仅在模型规模，更在于能否形成“提出假设—设计验证—生成理论—再迭代”的闭环能力，使模型从“工具化辅助”走向“面向科学问题的系统化推理与探索”。
人工智能的发展已进入深水区，单纯扩规模、做单点优化已难以满足需求。通专融合不仅是技术路线的选择，也是在重新校准AI的演进方向。只有缩小通用与专业之间的落差，构建兼具广度与深度的智能体系，人工智能才能真正迈向更高层级。以科学发现为试验场，在真实约束与验证闭环中锻造推理能力，既充满挑战，也蕴含机会，将成为未来发展的重要方向。