当前科研面临的核心困境于，高端研究越来越依赖大规模计算与跨学科协同，但现有条件难以满足需求；一上，算力来源多元异构，调度成本高、使用门槛高，供给与需求不匹配的矛盾日益凸显。另一方面，科学数据体量激增但质量参差不齐，数据清洗、标注、更新与合规使用的难度不断上升，制约了模型训练与复现。同时，实验验证仍是科学发现的瓶颈，从假设到实验闭环往往周期长、成本高，难以跟上算法发展的步伐。 这些矛盾的根源于科研数字化转型的结构性缺口。算力层面存在资源碎片化、管理体系不统一、异构芯片适配复杂等问题；数据层面面临学科分散、标准不一、数据孤岛与版权边界模糊的困境；实验层面自动化平台与智能控制能力不足，导致"计算推断—实验验证—理论总结"的闭环效率偏低。要推动科研范式跃迁，需要在基础设施、模型平台与组织机制上形成贯通式解决方案。 为此，上海人工智能实验室发布"AGI4S珠穆朗玛计划"，以通用人工智能驱动科学研究为牵引，为全球科学家提供一流科研资源。该计划的核心是三位一体的基础设施： DeepLink超智融合算力平台面向多款国产GPU芯片实现混合调度与协同推理，与全国主流超算、智算中心互联互通，旨在提升异构算力的可用性与利用效率，解决科研算力"找得到、用得起、跑得动"的现实问题。 Sciverse科学数据基座规划规模达100PB级，目标是构建覆盖研究生学科体系的高准确度、强时效性数据底座。目前已开放2500万篇文献、沉淀6000亿词元，覆盖自然科学10余个一级学科及细分专业，为科研建模与知识挖掘提供可持续的数据供给。 具身自主实验平台以搭载具身大模型的机器人承担精细操作与复杂转运，实现对计算模拟结果的实验验证，推动科研从"干实验"走向"真验证"，有望将部分"设计—合成—测试"周期由数年压缩至3至6个月。 计划同步提供科研专用模型与平台能力。Intern-S1-Pro作为大参数科学多模态模型，强化复杂数理与逻辑推理能力；Intern-Discovery科学发现平台集成200余个专业智能体与200余个专业数据集，可接入百余种实验设备，支持科研人员高效完成数据分析、实验设计与流程协同，降低跨学科研究的工具门槛与组织成本。这若干配置的共同目标是让科学家从底层算力适配、数据整理与实验执行的复杂事务中解放出来，把更多时间投入关键科学问题与原创性探索。 为避免科研平台"重建设、轻转化"的常见问题，计划提出以项目经理人机制推进成果落地，并设置人才板块"浦江青年学者计划"。首批20位"浦江青年学者"将优先获得算力、数据、平台与项目等系统支撑。机制设计上，计划为入选者构建"实验室—上海市专项—国家专项"的阶梯式路径，在项目孵化、方向聚焦、资源配置与评估验收上形成可持续的推进链条，为创新成果由实验室走向应用场景提供制度化通道。跨界合作案例显示，在项目支持与平台能力加持下，科研团队围绕集成电路设计等高门槛领域探索以智能方法提升研发效率，为"科研突破—工程化验证—产业化转化"的联动提供了实践样本。 业内认为，随着科研问题复杂度提升与跨学科融合加速，科学研究将更多呈现"计算—数据—实验"融合驱动的特征。上海此次推出的计划若能在资源开放、数据质量、实验闭环、成果评估与合规治理诸上持续迭代，有望形成可复制的科研基础设施与组织模式，为我国在基础研究、关键核心技术攻关以及新兴产业培育中提供更强支撑。同时，计划强调国产异构算力的高效调度与协同推理，也将推动涉及的软硬件生态完善，提升科研体系对自主可控技术路线的适配能力。面向未来，如何在开放共享与安全合规之间把握边界、在学术评价与产业需求之间形成良性互动，将是计划走深走实的关键考验。
当科学探索遇上智能技术，人类认知边界的拓展呈现新的可能。"AGI4S珠穆朗玛计划"所构建的不仅是技术平台，更是一种面向未来的科研协作生态；其成败将检验一个关键命题：在人工智能时代，我们能否通过系统性创新，让机器智能真正成为人类探索未知的"望远镜"与"显微镜"。这既是对科研范式的重构，更是对创新组织方式的深刻变革。