陈天桥罕见公开演讲：投入超 10 亿美金发展 「发现式智能」——「这才是 AGI」

10 月 27 日、28 日，AI 驱动科学研讨会 （Symposiumfor 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」（DiscoverativeIntelligence） 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。

陈天桥

2025 年新晋诺奖得主、加州大学伯克利分校教授 OmarYaghi，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，AIfor 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」（DiscoverativeIntelligence）。

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」（TemporalStructure）。

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。

（本文首发于钛媒体 APP）