[智能应用]并非生成式AI，发现式AI才是AGI的标准 [复制链接]

据悉，会议聚焦AI如何驱动科学发现，汇聚了近30位全球顶尖学者与业内人士。
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。
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。（袁宁）
附陈天桥演讲全文：
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。

AI驱动科学研讨会：“发现式智能”理念深度解析与影响

会议背景与核心议题
2025年10月27日至28日，首届AI驱动科学研讨会（Symposium for AI Accelerated Science, AIAS2025） 在美国旧金山举行。这场汇聚全球顶尖智慧的盛会吸引了近30位顶尖学者与产业领袖，共同探讨AI如何深刻驱动科学发现。会议的最大亮点是盛大集团、天桥脑科学研究院创始人陈天桥首次系统阐述的“发现式智能”（Discoverative Intelligence）理念，该理念被陈天桥定义为“真正意义上的通用人工智能（AGI）”，并提出了清晰的实现路径。这一理念不仅重新定义了AGI的目标，也为AI未来发展指明了新方向。

陈天桥“发现式智能”演讲核心要点详解

一、人类进化的新范式：科学发现作为外在进化器官
陈天桥在演讲中开宗明义，指出人类进化从未停止，只是方式发生了根本转变。他引用研究指出，尽管人类大脑体积较旧石器时代有所缩小，但人类通过智慧将科学发现和技术发明转化为“外在进化器官”。例如：
- 发明武器获得“利爪和尖牙”
- 发明衣物获得“新的皮肤”
- 发明汽车超越猎豹的速度
- 发明飞机超越鸟类的飞行能力

这些发明使人类平均寿命从二十多岁延长至近八十岁，这种跨越在生物学上相当于不同物种间的差异。陈天桥强调，科学发现和技术发明已成为人类进化的主要引擎，通过不断拓展时空范围，推动文明持续进步。

二、“发现式智能”：重新定义通用人工智能
陈天桥指出，“AI for Science 不应被视为人工智能的一个应用方向，而是 AI for Human Evolution”。帮助人类发现未知，是AI对人类的终极价值。当前许多AI模型声称的“发现”（如新结构、新分子、新理论）多为在已知能量函数、统计模式或语料分布内的“外推”，并非科学意义上的真正发现。

“发现式智能”的核心特征：
1. 超越模仿：创造和发现是智慧的本质，而非简单复制或模仿人类行为。
2. 可证伪性：发现是可观察的事件，具有明确的科学标准，区别于模糊的“意识”哲学定义。
3. 进化人类：AGI的意义不在于取代人类，而是通过增强人类能力实现进化。

真正的“发现式智能”能够：
- 主动构建可检验的世界模型
- 提出可证伪的假说
- 通过与世界的交互和自我反思持续修正认知框架

三、通向“发现式智能”的两条路径：规模路径与结构路径
陈天桥以“发现式智能”为标准，剖析了当前AI发展的两大流派：

1. 规模路径：
   - 强调“参数即知识”，认为智能是规模的产物。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。
   - 已取得惊人应用成果，如预测蛋白质结构、生成化合物、辅助科学研究等。
   - 是AI历史上最成功的工程路径，但面临“天花板”，难以突破通向真正理解和发现的障碍。

2. 结构路径：
   - “结构”指智能的“认知解剖学”，而非模型架构。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。
   - 认为科学发现的本质是推演未来，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——五大核心能力
陈天桥提出，“大脑的时间结构”是实现“发现式智能”的关键。它不是物理区域，而是大脑处理信息的基本“运行范式”，本质是“连续的”和“动态的”，旨在管理和预测时间流中的信息。构成这一结构的五大核心能力形成完整闭环：

1. 神经动力学：
   - 需要连续的能量基础，使系统在时间中“存在”而非“瞬时计算”。大脑是持续运行的动态能量系统，即使无输入也能自组织、自激活、自校正。
   - 对比：Transformer是离散的静态计算图，推理结束后完全停止，无时间连续性。当前AI是“计算”，而非“存在”。

2. 长期记忆系统：
   - 需可塑的存储机制，积累过去经验而非每次都从零开始。当前大模型仅有“短时工作记忆”，上下文清空即重置。
   - 功能：不仅是积累经验，还能选择性遗忘，在有限参数内高效学习，形成假说和理论。

3. 因果推理机制：
   - 需推导原理以理解事件在时间中的顺序（因果关系）。现有大模型对因果关系的理解仍局限于已知范围内的语言统计，而非机制推导。
   - 意义：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：
   - 需在内部模拟世界以预测未来轨迹。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，在脑中模拟世界、预演未来。
   - 现状：当前AI虽有多模态感知，但缺乏统一模型，无法形成连贯的“现实投影”。

5. 元认知与内在动机系统：
   - 管理复杂跨时过程的能力。人脑具备元认知（对思维的思考），能意识到不确定性、调整推理路径、分配注意力。
   - 现状：今日AI依赖外部指令和设定的奖励函数，缺乏自驱探索欲和好奇心。

这五大能力构成智能的连续、活跃闭环——一个能随时间自我进化的系统。

五、支持“发现式智能”研究的战略举措
为推动“发现式智能”的实现，陈天桥宣布了多项重磅支持措施：

1. 巨额算力投入：投入超过10亿美元建设专用算力集群，优先支持结构性实验（记忆系统、因果架构、神经动力学假设），为年轻科学家提供即时实验资源。
2. 全球研发中心：在全球设立研发中心，吸引跨学科年轻研究者现场碰撞智慧，已有200多位世界知名大学博士参与。
3. 全新基准测试：推出涵盖神经动力学、长期记忆、因果推理、世界模型和元认知的综合评估套件，以“可发现性”为核心指标。
4. PI孵化器计划：为博士生和博士后提供独立研究通道，在平台建立以自己命名的实验室，独立领导团队探索时间智能的未来结构。

顶尖学者分享：AI驱动科学的实际突破

除陈天桥的主题演讲外，多位诺奖得主和图灵奖得主分享了AI驱动科学的具体成果：

1. Omar Yaghi（2025年诺奖得主）：
   - 展示了AI设计的零能耗便携式取水装置，在空气湿度不足15%的死亡谷沙漠成功取水。
   - 利用ChatGPT创建七个Agents组成的虚拟科研团队，在几天内完成上百次实验，优化材料结晶过程。ChatGPT从文本生成器演变为科学推理引擎。

2. David Baker（2024年诺奖得主）：
   - 介绍RFDiffusion3模型可从头设计具有特定功能的蛋白质三维结构蓝图。
   - 成果包括：特异性捕获β-淀粉样蛋白的肽类结合物（阿尔茨海默病干预）、首个从头设计的蛋白酶、新型GPCR激动剂与拮抗剂。

3. Jennifer Doudna（2020年诺奖得主）：
   - 推动CRISPR与机器学习协同进化，利用CRISPR制造基因扰动以大规模鉴定基因功能。
   - CRISPR基因疗法治疗镰状细胞病获FDA批准，首个个性化CRISPR基因编辑疗法成功实施。

4. John Hennessy（图灵奖得主）：
   - 强调AI普及速度惊人（不到一年达美国家庭50%普及率），但也警示数据消耗速度可能导致4-5年内数据存量耗尽及能源效率提升滞后的问题。

总结：“发现式智能”的深远意义

陈天桥提出的“发现式智能”理念，将AI的发展目标从单纯的“模仿人类”或“提高效率”提升到“主动发现未知”的更高层次。它不仅重新定义了AGI的标准，更指出了AI未来发展的关键方向——从“空间结构”的规模堆砌转向“时间结构”的认知解剖学探索。通过投入巨资支持年轻科学家和跨学科研究，陈天桥及其团队正致力于打破现有AI的技术瓶颈，推动AI真正成为人类进化的加速器。

此次研讨会标志着AI for Science进入新阶段，“发现式智能”的理念将深刻影响未来十年乃至更长时间的人工智能研究方向，有望催生一系列颠覆性的科学发现和技术突破。正如陈天桥所言：“规模是巨人的道路，时间结构是年轻人的机会。” 这场智力革命才刚刚开始。

陈天桥在AIAS 2025会议上提出，发现式AI（Discoverative Intelligence）才是通用人工智能（AGI）的核心标准，而非生成式AI。这一观点基于对AGI本质的重新定义——从“模仿人类”转向“进化人类”12。

📊 生成式AI vs 发现式AI对比
维度    生成式AI    发现式AI
核心目标    生成新内容（文本、图像等）    科学发现与问题提出
能力要求    统计模式外推    可证伪的科学假说构建
记忆机制    短时工作记忆    长期记忆与选择性遗忘
因果推理    依赖共现模式    机制推导与世界结构建模
动态适应    静态计算    神经动力学与时间结构闭环
📈 关键结论
发现式AI的五大核心能力：

神经动力学：持续能量系统支持动态存在（如大脑发呆时仍在运转）2。
长期记忆：积累经验并高效学习（非每次从零开始）11。
因果推理：理解事件本质（如“什么导致了什么”）1。
世界模型：内部模拟现实（整合感知、记忆、预测）24。
元认知：自我反思与探索欲驱动（如科学假设检验）2。
生成式AI的局限性：

依赖已知能量函数与统计模式，仅能在搜索空间内外推11。
缺乏科学意义上的“发现”能力（如提出可证伪假说）2。
AGI标准的重新定义：

DeepMind标准：能力需达“合格”级别，通用性需覆盖多领域6。
陈天桥观点：发现式AI超越模仿，以创造和科学发现为本质1。
✅ 结论建议
发现式AI通过动态时间结构和科学发现闭环，更符合AGI的终极目标——推动人类认知边界。生成式AI虽在应用层表现突出，但受限于静态计算和模式依赖，难以实现真正的智能跃迁。

AI驱动科学研讨会：陈天桥“发现式智能”理念深度解析

会议背景与核心议题
2025年10月27日至28日，首届AI驱动科学研讨会（Symposium for AI Accelerated Science, AIAS2025） 在美国旧金山成功举办。此次盛会汇聚了近30位全球顶尖学者与产业领袖，共同探讨AI如何深刻驱动科学发现。会议的核心亮点在于盛大集团、天桥脑科学研究院创始人陈天桥首次系统阐述的“发现式智能”（Discoverative Intelligence）理念，将其定位为真正意义上的通用人工智能（AGI），并提出了明确的实现路径。

陈天桥“发现式智能”演讲核心要点

一、人类进化的新范式：科学发现作为外在进化器官
陈天桥在演讲开篇指出，尽管人类生理结构自智人出现以来变化甚微，甚至大脑体积有所缩小，但人类进化从未停止。进化方式已从生物进化转向文化与技术进化。我们通过发明工具（武器、衣物、汽车、飞机）将自身功能外化，极大地扩展了生存空间和能力范围。平均寿命从二十多岁延长至近八十岁，这种跨越在生物学上相当于不同物种的差异。科学发现和技术发明已成为人类进化的“外部器官”，持续推动文明进步。

二、“发现式智能”：重新定义通用人工智能
陈天桥强调，“AI for Science 不应被视为人工智能的一个应用方向，而是 AI for Human Evolution”。帮助人类发现未知，是AI的终极价值。当前许多AI模型声称的“发现”多为在已知搜索空间内的外推，而非真正的科学发现。

“发现式智能”的核心特征：
1. 超越模仿：创造和发现是智慧的本质，而非简单复制。
2. 可证伪性：发现是可观察的事件，区别于模糊的“意识”哲学定义。
3. 进化人类：AGI的意义不在于取代人类，而是通过增强人类能力实现进化。

真正的“发现式智能”能够：
- 主动构建可检验的世界模型
- 提出可证伪的假说
- 通过与世界的交互和自我反思持续修正认知框架

三、通向“发现式智能”的两条路径：规模路径与结构路径
陈天桥以“发现式智能”为标准，剖析了当前AI发展的两大流派：

1. 规模路径：
   - 强调“参数即知识”，认为智能是规模的产物。
   - 通过模型增大、数据增多、算力增强实现智能涌现。
   - 已取得显著应用成果，如蛋白质预测、化合物生成等。
   - 是AI历史上最成功的工程路径，但面临“天花板”。

2. 结构路径：
   - 关注智能的“认知解剖学”，而非模型架构。
   - 认为大脑是一个基于神经动力学、记忆、因果和动机的演化系统。
   - 科学发现的本质是推演未来，需具备“时间结构”的智能才能在分布外保持有效性。

四、大脑之镜：“时间结构”——发现式智能的核心闭环
陈天桥指出，大脑的“时间结构”并非物理区域，而是处理信息的基本运行范式。与当前AI“空间结构”（静态、瞬时）不同，大脑的时间结构是“连续的”和“动态的”，旨在管理和预测时间流中的信息。实现这一结构需五大核心能力：

1. 神经动力学：
   - 持续的动态能量系统，即使无输入也能自组织、自激活、自校正。
   - 区别于Transformer的离散静态计算图，后者推理后完全停止，缺乏时间连续性。
   - “智慧必须‘活着’”，世界变化需要持续更新的认知系统。

2. 长期记忆系统：
   - 可塑的存储机制，积累经验并支持选择性遗忘。
   - 当前大模型仅有短时工作记忆，上下文清空即重置。
   - 支持高效学习、假说形成和理论构建的关键。

3. 因果推理机制：
   - 推导原理以理解事件的时间顺序（因果关系）。
   - 现有模型依赖统计共现模式，在分布外易崩溃。
   - 是走向未知、重建世界理解的基础。

4. 世界模型：
   - 内部统一模拟系统，用于预测未来和心理测试想法。
   - 整合感知、记忆、预测和反思，支持假设检验和因果预测。
   - 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：
   - 不确定性意识、注意力控制和好奇心驱动的探索。
   - 区别于依赖外部指令的AI，是主动探索者的核心。

这五大能力构成一个连续、活跃的闭环，使智能能够随时间自我进化。

实现“发现式智能”的战略举措
为推动“发现式智能”的研究，陈天桥宣布了多项重磅支持措施：

1. 10亿美元算力投入：
   优先支持记忆系统、因果架构、神经动力学等“结构性实验”的算力集群，打破传统算力仅用于规模堆砌的局限。

2. 基准测试体系：
   构建跨神经动力学、记忆、因果关系、世界模型和元认知的综合评估套件，以“可发现性”为核心指标。

3. PI孵化器计划：
   为博士生和博士后提供独立途径，建立以自己命名的实验室，领导团队追求大胆想法，无需遵循传统学术时间表，并在全球建立研发中心。

顶尖学者分享：AI驱动科学的实际突破
会议期间，多位诺奖得主及行业领袖分享了AI在科学领域的前沿应用：

- Omar Yaghi（2025年诺奖化学奖得主）：
  展示了AI设计的零能耗便携式取水装置，在美国死亡谷（湿度<15%）成功取水。其团队利用ChatGPT训练科学推理引擎，通过Agent机器人团队协作优化实验设计，在几天内完成上百次实验迭代。

- David Baker（2024年诺奖化学奖得主）：
  分享了AI从头设计蛋白质的技术突破。其团队开发的RFDiffusion3模型可根据期望功能生成新型蛋白质三维结构蓝图。应用包括阿尔茨海默病治疗肽类结合物、首个从头设计蛋白酶等。

- Jennifer Doudna（2020年诺奖化学奖得主）：
  强调CRISPR与AI结合的重要性。一种基于CRISPR的镰状细胞病基因疗法已获FDA批准，首个个性化CRISPR基因编辑疗法成功实施。她提出利用CRISPR系统性制造基因扰动以鉴定未知基因功能。

- John Hennessy（图灵奖得主）：
  指出AI普及速度远超历史任何技术（不到一年达50%美国家庭普及率）。同时警示数据消耗速度可能导致4-5年内全球数据存量耗尽，以及算力增长与能源效率提升之间的矛盾。

结语：“时间结构”是年轻人的机会
陈天桥总结道，“规模路径是巨人的道路，时间结构是年轻人的机会”。他呼吁跨学科合作（神经科学、信息论、物理学等），并为年轻科学家提供了算力、办公环境、基准测试和独立研究机制等全方位支持。他认为，“发现式智能”的核心在于构建一种能自主提出假说、验证世界并修正自身理解的活的智能系统。这不仅是AI技术的突破，更是人类认知边界的拓展和进化方式的革新。

此次研讨会标志着AI for Science进入新阶段，“发现式智能”理念为通用人工智能的研究指明了方向，有望通过融合规模优势与结构创新，真正释放AI驱动科学革命的巨大潜力。