10月27日、28日，AI驱动科学研讨会（Symposium for AI Accelerated Science，AIAS 2025）在美国旧金山举行。会议汇聚了近30位全球顶尖学者与产业领袖，与现场数百位学者、学生共同探讨AI如何驱动科学发现。
会上，盛大集团、天桥脑科学研究院创始人陈天桥发表主题演讲，首次系统阐述了“发现式智能”（Discoverative Intelligence）的全新理念，指出这是真正意义上的通用人工智能，并提出了实现路径。
配图:陈天桥
2025年新晋诺奖得主、加州大学伯克利分校教授Omar Yaghi，2024 年诺奖得主、华盛顿大学教授David Baker，2020 年诺奖得主、加州大学伯克利分校教授Jennifer Doudna，图灵奖得主、斯坦福大学第十任校长暨现任 Alphabet （谷歌母公司）董事长John Hennessy等参加了会议主题分享与圆桌讨论。
陈天桥演讲全文:
真正的智能，是能“发现”的智能
一、人类进化从未停止，只是改变了方式
自智人出现以来，我们的身体几乎没有变化。甚至有研究显示，人类大脑的体积相比旧石器时代还有所缩小。但这并不意味着人类进化已经停止。我们用智慧让科学发现和技术发明成为我们新的、外在的进化器官。我们发明武器来获得利爪和尖牙，发明衣服来获得新的皮肤，发明汽车来跑得比猎豹还快，发明飞机来超越鸟类。我们的平均寿命从二十多岁延长到近八十岁，这种差距在生物学上只存在于不同物种之间。
可以说，人类并未停止进化;相反，通过不断发现未知，我们将自身的功能外化，扩展了在时间和空间上的范围。科学发现和技术发明已成为人类进化的主要引擎。
二、“发现式智能”是真正意义上的通用人工智能
因此，AI for Science不应被看作是人工智能应用的一个方向。它定义了AI与人类的关系:AI的价值不在于取代现有的人类工作，比如更快、更便宜或更高效。从我们物种进化的角度看，AI for Science 就是 AI for Human Evolution。帮助人类发现未知，是AI对人类的终极价值。
如今许多模型声称已经“发现”了新结构、新分子，甚至新理论。但这种“发现”大多还停留在结果层面。他们在已知能量函数、统计模式或语料分布内找到了新样本。这并不是科学意义上的发现，而是在搜索空间内的外推。
真正的“发现”是能够提出问题，而不仅仅是回答问题;能够理解原理，而不仅仅是预测结果。
这种能够主动构建可检验理论模型（可检验的世界模型）、提出可证伪假说，并通过与世界的互动和自我反思不断修正自身认知框架的智能，才是真正的通用人工智能。我们称之为“发现式智能”(Discoverative Intelligence)。
它不同于其他智能的定义:
它超越了模仿，因为创造和发现才是智慧的本质;
它是可证伪的，因为发现是可观察的事件，而不是像“意识”那样模糊的哲学定义;
它重新定义了AGI的意义——不是“取代人类”，而是“进化人类”。
三、规模路径与结构路径:通向“发现式智能”的两条道路
以“发现式智能”为新标准，我们重新审视当今AI发展的两大流派:
第一是“规模路径”。它强调参数即知识，智能是规模的产物。只要模型足够大、数据足够多、算力足够强，智能就会自然涌现。这一路径已经取得了惊人的应用成果，使AI能够预测蛋白质、生成化合物，甚至辅助科学研究。这无疑是AI历史上最成功的工程路径。
与此同时，另一条路径正在悄然形成，即“结构路径”。这里的“结构”不是指模型架构，而是智能的“认知解剖学”。大脑是一个通过神经动力学，并基于记忆、因果和动机，形成知识系统并随时间不断演化的系统。这些机制赋予智能以连续性、可解释性和方向感。科学发现的本质是推演未来，这一观点认为，只有具备时间结构的智能才能在分布外保持有效。
四、大脑之镜:时间结构分析
那么，所谓“大脑的时间结构”究竟指什么?
它不是指大脑的某个具体物理区域，而是大脑处理信息的基本“运行范式”。
当前AI的“空间结构”范式（规模路径）本质上是“瞬时的”和“静态的”，用大量空间参数去拟合世界的“快照”。而大脑的“时间结构”范式本质上是“连续的”和“动态的”，其存在的目的是管理和预测时间流中的信息。
要管理时间流中的信息，系统必须具备五种核心能力，这五种能力共同构成了“时间结构”的完整闭环:
1. 神经动力学:要在时间中“存在”，而不是“瞬时计算”，必须有连续的能量基础。大脑是一个持续运行的动态能量系统，即使没有输入，大脑也能自组织、自激活、自校正，就像我们在发呆的时候大脑仍然在运转。这种能量流让智能真正“活着”。而Transformer是离散的、静态的计算图，每次推理结束后“思考”完全停止，下一次又从零开始，没有时间连续性。今天的智能只是计算，而不是存在。智慧必须“活着”，因为世界总在变化，只有持续随时间更新的系统才具备科学发现的能力。
2. 长期记忆系统:要“积累”过去的经验，而不是每次都从零开始，必须有可塑的存储机制。当前大模型的记忆是“短时工作记忆”，一旦上下文清空，智能就被重置。没有长期记忆，就没有真正的学习。长期记忆不仅让智能积累经验，更重要的是学会有选择地遗忘，使其能在有限参数内高效学习，形成假说和理论。
3. 因果推理机制:要理解事件在时间中的顺序（即什么导致了什么），必须能够推导原理。现有大模型对已知信息的理解和再现，包括因果关系，仍局限于已知范围内的语言统计，而不是机制推导。模型在训练数据分布内表现完美，但环境一变就崩溃，因为它依赖的是共现模式，而不是世界结构。因果推理在科学发现中的意义，正是要在未知条件下重建对世界的理解，是走向分布外的第一步，也是世界模型的起点。
4. 世界模型:要预测未来的轨迹，必须能够在内部模拟世界。虽然当前AI具备多模态感知，但仍缺乏统一模型，无法在内部形成连贯的“现实投影”。而人脑拥有统一的世界表征系统，整合感知、记忆、预测和自我反思。它让我们能在脑中模拟世界、预演未来，不断在神经层面运行假设检验和因果预测。这正是科学思维的本质:在大脑中运行关于未来的实验。
5. 元认知与内在动机系统:要管理上述复杂的跨时过程。人脑具备元认知，能意识到自己的不确定性，调整推理路径、分配注意力、选择策略。这种“对思维的思考”是科学和创造力的起点。而今天的AI主要依赖外部指令，缺乏自驱，包括强化学习的奖励函数也是由外部设定。当长期记忆和因果推理在世界模型中汇聚时，如何产生机器元认知，让探索欲和好奇心自发生成。这是从被动执行者到主动探索者的关键一步，也是走向活的智能的最大的挑战。
这五种能力不是五个平行方向，而是智能的连续、活跃闭环——一个能随时间自我进化的系统。我们称之为“大脑的时间结构”（Temporal Structure）。
五、时间结构:年轻人的切入点
正因为规模路径近年来取得了巨大成功，我们才第一次如此清晰地看到它的天花板:仅靠堆积数据和算力，无法突破通向真正理解和发现的障碍。这是结构主义思维回归的最佳时机。我们正站在这个历史转折点。我们需要的不是更多显卡，而是新理论、新算法和新想象力。这需要跨学科思维:神经科学、信息论、物理学和认知心理学的融合。这正是年轻人的优势。
我们已经为这些年轻人做好了准备:
我们有算力。无论选择哪条路径，算力都是不可或缺的。我们将投入超过十亿美元建设专用算力集群，为年轻科学家提供即时实验的资源环境。这些算力不是用来比拼规模，而是用来探索结构，验证记忆机制、新的因果架构或新的神经动力学假说。
我们有办公室。我们在全球设立了研发中心，邀请来自不同学科的年轻研究者在白板前现场碰撞智慧，目前已有200多位世界知名大学的博士在我们的办公室工作。
我们正在建立基准。我们计划推出新的基准（benchmark），全面衡量神经动力学、长期记忆、因果推理、世界模型和元认知，以AI是否“发现”为AGI衡量标准，让所有科学家基于SOTA目标协作和竞争。
我们有专为年轻人设计的机制。我们正在建立PI孵化器，为全球年轻科学家开设独立研究通道。博士生和博士后无需等到毕业，就能获得独立预算，在我们的平台上以自己名字命名实验室，带领同事独立探索时间智能的未来结构。
我们相信:规模是巨人的道路，时间结构是年轻人的机会。巨人用算力推动边界，年轻人用结构重新定义智能:
那就是一种不会重复既有知识，而是能提出自己假说、验证世界并修正自身理解的智能——这就是能“发现”的智能。
（推广）