10月27日、28日，AI驅動科學研討會(Symposium for AI Accelerated Science，AIAS 2025)在美國舊金山舉行。會議匯聚了近30位全球頂尖學者與產業領袖，與現場數百位學者、學生共同探討AI如何驅動科學發現。

會上，盛大集團、天橋腦科學研究院創始人陳天橋發表主題演講，首次系統闡述了“發現式智能”(Discoverative Intelligence)的全新理念，指出這是真正意義上的通用人工智能，并提出了實現路徑。

2025年新晉諾獎得主、加州大學伯克利分校教授Omar Yaghi，2024 年諾獎得主、華盛頓大學教授David Baker，2020 年諾獎得主、加州大學伯克利分校教授Jennifer Doudna，圖靈獎得主、斯坦福大學第十任校長暨現任 Alphabet (谷歌母公司)董事長John Hennessy等參加了會議主題分享與圓桌討論。

陳天橋演講全文： 

真正的智能，是能“發現”的智能

一、人類進化從未停止，只是改變了方式

自智人出現以來，我們的身體幾乎沒有變化。甚至有研究顯示，人類大腦的體積相比舊石器時代還有所縮小。但這并不意味著人類進化已經停止。我們用智慧讓科學發現和技術發明成為我們新的、外在的進化器官。我們發明武器來獲得利爪和尖牙，發明衣服來獲得新的皮膚，發明汽車來跑得比獵豹還快，發明飛機來超越鳥類。我們的平均壽命從二十多歲延長到近八十歲，這種差距在生物學上只存在于不同物種之間。

可以說，人類并未停止進化;相反，通過不斷發現未知，我們將自身的功能外化，擴展了在時間和空間上的范圍。科學發現和技術發明已成為人類進化的主要引擎。

二、“發現式智能”是真正意義上的通用人工智能

因此，AI for Science不應被看作是人工智能應用的一個方向。它定義了AI與人類的關系：AI的價值不在于取代現有的人類工作，比如更快、更便宜或更高效。從我們物種進化的角度看，AI for Science 就是 AI for Human Evolution。幫助人類發現未知，是AI對人類的終極價值。

如今許多模型聲稱已經“發現”了新結構、新分子，甚至新理論。但這種“發現”大多還停留在結果層面。他們在已知能量函數、統計模式或語料分布內找到了新樣本。這并不是科學意義上的發現，而是在搜索空間內的外推。

真正的“發現”是能夠提出問題，而不僅僅是回答問題;能夠理解原理，而不僅僅是預測結果。

這種能夠主動構建可檢驗理論模型（可檢驗的世界模型）、提出可證偽假說，并通過與世界的互動和自我反思不斷修正自身認知框架的智能，才是真正的通用人工智能。我們稱之為“發現式智能”（Discoverative Intelligence）。

它不同于其他智能的定義：

它超越了模仿，因為創造和發現才是智慧的本質;

它是可證偽的，因為發現是可觀察的事件，而不是像“意識”那樣模糊的哲學定義;

它重新定義了AGI的意義——不是“取代人類”，而是“進化人類”。

三、規模路徑與結構路徑：通向“發現式智能”的兩條道路

以“發現式智能”為新標準，我們重新審視當今AI發展的兩大流派：

第一是“規模路徑”。它強調參數即知識，智能是規模的產物。只要模型足夠大、數據足夠多、算力足夠強，智能就會自然涌現。這一路徑已經取得了驚人的應用成果，使AI能夠預測蛋白質、生成化合物，甚至輔助科學研究。這無疑是AI歷史上最成功的工程路徑。

與此同時，另一條路徑正在悄然形成，即“結構路徑”。這里的“結構”不是指模型架構，而是智能的“認知解剖學”。大腦是一個通過神經動力學，并基于記憶、因果和動機，形成知識系統并隨時間不斷演化的系統。這些機制賦予智能以連續性、可解釋性和方向感。科學發現的本質是推演未來，這一觀點認為，只有具備時間結構的智能才能在分布外保持有效。

四、大腦之鏡：時間結構分析

那么，所謂“大腦的時間結構”究竟指什么?

它不是指大腦的某個具體物理區域，而是大腦處理信息的基本“運行范式”。

當前AI的“空間結構”范式(規模路徑)本質上是“瞬時的”和“靜態的”，用大量空間參數去擬合世界的“快照”。而大腦的“時間結構”范式本質上是“連續的”和“動態的”，其存在的目的是管理和預測時間流中的信息。

要管理時間流中的信息，系統必須具備五種核心能力，這五種能力共同構成了“時間結構”的完整閉環：

1. 神經動力學：要在時間中“存在”，而不是“瞬時計算”，必須有連續的能量基礎。大腦是一個持續運行的動態能量系統，即使沒有輸入，大腦也能自組織、自激活、自校正，就像我們在發呆的時候大腦仍然在運轉。這種能量流讓智能真正“活著”。而Transformer是離散的、靜態的計算圖，每次推理結束后“思考”完全停止，下一次又從零開始，沒有時間連續性。今天的智能只是計算，而不是存在。智慧必須“活著”，因為世界總在變化，只有持續隨時間更新的系統才具備科學發現的能力。

2. 長期記憶系統：要“積累”過去的經驗，而不是每次都從零開始，必須有可塑的存儲機制。當前大模型的記憶是“短時工作記憶”，一旦上下文清空，智能就被重置。沒有長期記憶，就沒有真正的學習。長期記憶不僅讓智能積累經驗，更重要的是學會有選擇地遺忘，使其能在有限參數內高效學習，形成假說和理論。

3. 因果推理機制：要理解事件在時間中的順序(即什么導致了什么)，必須能夠推導原理。現有大模型對已知信息的理解和再現，包括因果關系，仍局限于已知范圍內的語言統計，而不是機制推導。模型在訓練數據分布內表現完美，但環境一變就崩潰，因為它依賴的是共現模式，而不是世界結構。因果推理在科學發現中的意義，正是要在未知條件下重建對世界的理解，是走向分布外的第一步，也是世界模型的起點。

4. 世界模型：要預測未來的軌跡，必須能夠在內部模擬世界。雖然當前AI具備多模態感知，但仍缺乏統一模型，無法在內部形成連貫的“現實投影”。而人腦擁有統一的世界表征系統，整合感知、記憶、預測和自我反思。它讓我們能在腦中模擬世界、預演未來，不斷在神經層面運行假設檢驗和因果預測。這正是科學思維的本質：在大腦中運行關于未來的實驗。

5. 元認知與內在動機系統：要管理上述復雜的跨時過程。人腦具備元認知，能意識到自己的不確定性，調整推理路徑、分配注意力、選擇策略。這種“對思維的思考”是科學和創造力的起點。而今天的AI主要依賴外部指令，缺乏自驅，包括強化學習的獎勵函數也是由外部設定。當長期記憶和因果推理在世界模型中匯聚時，如何產生機器元認知，讓探索欲和好奇心自發生成。這是從被動執行者到主動探索者的關鍵一步，也是走向活的智能的最大的挑戰。

這五種能力不是五個平行方向，而是智能的連續、活躍閉環——一個能隨時間自我進化的系統。我們稱之為“大腦的時間結構”(Temporal Structure)。

五、時間結構：年輕人的切入點

正因為規模路徑近年來取得了巨大成功，我們才第一次如此清晰地看到它的天花板：僅靠堆積數據和算力，無法突破通向真正理解和發現的障礙。這是結構主義思維回歸的最佳時機。我們正站在這個歷史轉折點。我們需要的不是更多顯卡，而是新理論、新算法和新想象力。這需要跨學科思維：神經科學、信息論、物理學和認知心理學的融合。這正是年輕人的優勢。

我們已經為這些年輕人做好了準備：

我們有算力。無論選擇哪條路徑，算力都是不可或缺的。我們將投入超過十億美元建設專用算力集群，為年輕科學家提供即時實驗的資源環境。這些算力不是用來比拼規模，而是用來探索結構，驗證記憶機制、新的因果架構或新的神經動力學假說。

我們有辦公室。我們在全球設立了研發中心，邀請來自不同學科的年輕研究者在白板前現場碰撞智慧，目前已有200多位世界知名大學的博士在我們的辦公室工作。

我們正在建立基準。我們計劃推出新的基準(benchmark)，全面衡量神經動力學、長期記憶、因果推理、世界模型和元認知，以AI是否“發現”為AGI衡量標準，讓所有科學家基于SOTA目標協作和競爭。

我們有專為年輕人設計的機制。我們正在建立PI孵化器，為全球年輕科學家開設獨立研究通道。博士生和博士后無需等到畢業，就能獲得獨立預算，在我們的平臺上以自己名字命名實驗室，帶領同事獨立探索時間智能的未來結構。

我們相信：規模是巨人的道路，時間結構是年輕人的機會。巨人用算力推動邊界，年輕人用結構重新定義智能：

那就是一種不會重復既有知識，而是能提出自己假說、驗證世界并修正自身理解的智能——這就是能“發現”的智能。