聚焦AGI4S前沿，以关键问题锚定科研攻坚点

表达能力决定智能能力上限。凡是能够被清晰语言化、符号化或结构化表达的任务，模型通常可以通过规模化学习与枚举式搜索实现求解。因此，表达体系的上限，基本构成智能能力的上限。

推理差异更多体现为效率差异。机器推理以系统遍历和概率计算为主，人类推理则依赖类比与跳跃式路径选择。AGI能力突破的关键不在“是否能推理”，而在“能否更高效地推理”。

工具与具身交互是突破表达瓶颈的重要路径。大量关键信息难以通过语言显式编码，需要通过实验工具、环境交互与具身感知获取。工具使用能力本质上是对表达空间的外延扩展。

规律发现依赖认知框架。在既定框架内的枚举与优化是AI的优势；提出全新框架的“从0到1”式创新仍主要依赖人类创造力。因此，具备清晰建模结构与评价标准的领域更适合率先实现AGI赋能。

核心问题：深度学习能否编码已知物理规律？如何实现？

数据层面，在数据构建阶段即融入物理先验。例如基于守恒律、对称性或已知约束条件进行数据合成与筛选，避免模型在物理上不成立的样本中学习到错误模式，从源头上提高数据分布与真实物理机制的一致性。

训练层面，在模型结构或目标函数中显式嵌入物理约束。包括在损失函数中引入对称性、不变性等结构性约束，或将物理规律转化为强化学习中的奖励机制，使模型在优化过程中逐步内化科学规律，而非仅依赖统计拟合。

后处理层面，在模型输出阶段引入理论规则进行一致性修正。通过对预测结果进行物理可行性校验与约束调整，构建“模型预测-规则校正”的闭环，提高结果在科学应用场景中的可信度与可解释性。

02|预测之问

核心问题：如何跨越相关性与因果性的边界，使模型具备类人的抽象与归纳能力？

相关性计算不等同于因果理解。当前大模型以概率拟合与相关性计算为核心机制，本质上缺乏内在目标驱动与解释框架。人类预测能力往往依赖于内置的认知结构与问题动机，而不仅是数据统计结果。如何为模型构建可持续的“目标函数”或内在驱动机制，是迈向因果推断的重要前提。

抽象与归纳是预测能力的关键环节。人类归纳既可以通过函数拟合实现，也可以通过分类体系（taxonomy）构建结构化知识框架。模型在模式归纳上具备优势，但“从0到1”的原创性归纳仍存在明显短板。未来需要探索归纳机制的形式化表达，例如信息熵压缩、结构简化或误差最小化等统一框架。

类比与结构迁移是高级预测能力的基础。人类通过类比、继承与结构重组形成解释框架，并通过筛选机制进行修正。若模型能够学习这种“结构迁移”能力，而不仅是参数迁移，则有望实现跨领域的创新预测能力。这是通向类人AGI的重要路径。

核心问题：世界模型能否真正学习到物理规律和知识？

世界模型可能提供新的预测范式。生成式世界模型更接近对现象整体结构的编码，而非对规则的显式表达。其优势在于高维连续空间中的动态模拟能力，可能捕捉到传统符号模型难以显式表达的结构关系。

现象建模与规律抽象需要融合路径。世界模型本质上重现现象，而科学预测最终需要抽象出可解释规律。将生成式世界模型与符号系统结合，构建“生成-对齐—抽象”的闭环机制，是提升预测深度的重要方向。

预测能力的提升依赖验证与反馈机制。仅有现象模拟不足以支撑科学预测，需要通过实验反馈、结构验证与跨场景泛化测试，对模型的预测结果进行持续校准。

03|语言之问

核心问题：是否存在统一的科学表征与模型架构，使多科学任务能够在同一框架下进行端到端训练？

统一表征并非简单模态拼接，而是表达能力的重构。图文融合在通用模型中已被验证，但科学场景中的模态复杂度更高。例如分子结构或连续动力学过程，若压缩为二维图像或符号表达，可能丢失关键信息。统一多模态表达在技术上是否可扩展至所有科学模态，仍有待进一步论证。

数据孤岛是统一建模的首要障碍。不同学科数据分散且结构差异巨大，二维、三维、时序、拓扑结构等数据形态并不等价。是否所有科学问题都适合纳入一个大一统模型框架？对于结构差异显著的任务，是否应采用分类型或分层建模方式，而非强行统一？这些问题成为讨论的重要分歧点。

网络结构应与问题结构匹配。不同学科数据在结构与语义上高度异构，彼此之间缺乏自然通路。是否可以通过中间表示或预处理模型，将抽象科学数据映射为可对齐的表达形式，从而打通数据孤岛？这是当前亟待解决的关键问题。

模型架构是否需要问题导向设计？Transformer在序列建模中优势明显，但对于无序系统或空间动力学问题是否仍然适用？不同任务是否需要差异化网络结构，或者通过模块化机制（如MoE）实现任务分流？这些问题仍有较大探索空间。

统一模型与分层范式如何取舍？
宏观变量与微观机制之间天然存在尺度差异。是否应构建分层协同体系，而非单一统一模型？追求“大一统架构”是否本身值得反思，也成为讨论延伸出的重要议题。

04|交叉之问

核心问题：AGI是否具备真正的跨学科抽象与迁移能力，而不仅是工具层面的复用？

跨学科迁移能否可能触及“共通机制”？跨学科应用的初级形态往往是常识迁移或工具复用，但更深层的问题在于，AGI是否能够识别不同学科复杂系统背后的共通作用机制，甚至发现尚未被统一认识的科学规律？不同学科之间是否存在潜在的因果依赖与共演路径？上述问题仍需进一步探讨。

多模态训练能否带来“科学GPT时刻”？在多个科学任务共同训练的条件下，模型是否可能涌现新的知识结构，而不仅仅是共享基础理解与推理能力？这一问题关系到多模态科学模型的真正价值边界。

跨学科能力可能体现在知识迁移与研究范式迁移双重路径。讨论指出，跨学科能力可能体现在两类迁移：一是相似知识或实验方法的跨领域迁移（如测量方法、设计准则）；二是研究方式与方法论管线的迁移（理论分析、实验验证流程等）。模型是否能够主动提出跨领域假设，并由科学家进行验证，是关键检验标准。

迁移能力的实现机制仍有待探索。强化学习等机制在具备仿真环境的领域可能有效，但对于难以构建验证环境的科学问题，其适用性存在限制。是否需要更大规模的知识广度、结构化记忆机制或Agent化研究管线，仍处于开放讨论阶段。

05|验证之问

核心问题：模型是否真正理解科学规律，以及如何验证其发现的知识具有可靠性？

如何区分“模仿”与“理解”？现有模型在部分非常规或反事实任务上的表现提示，其能力可能存在对数据的记忆成分。如何区分统计拟合与规律理解，是科学智能发展的关键挑战。

如何推动模型走向“规律理解”？讨论围绕两条可能路径展开：引入多步推理与反思机制，使模型在推导过程中具备可检验的中间结构；在训练中嵌入知识约束或奖励机制，使模型内化科学规律。同时，模型参数中是否已经隐含数学与物理结构，以及如何从高维参数空间中抽取这些结构，仍是开放问题。

科学规律发现具有“双向路径”。人工智能发现科学规律具有双向路径：既可以自顶向下，在既有规律体系中推演新规律；也可以自底向上，从海量数据中归纳抽象公式。

如何构建验证机制？验证不仅涉及结果准确性，还包括推理链条的可复现性与可解释性。是否可以通过演绎测试（如从简单规律推出复杂规律）、概念删除实验或生成式仿真环境等方式进行低成本验证，仍需系统化设计。生成式世界模型可能为快速验证提供辅助环境，但其可靠性边界仍需进一步评估。

06|新科学之问

核心问题：AGI赋能科学的目标究竟是什么，以及其如何重塑科学研究的组织方式与决策逻辑？

AGI为更多学科发展提供的是预测精度，还是方法正确性或决策可用性？预测精度强调误差最小化，方法正确性强调可证伪与规范性，而决策可用性则要求系统能够在真实资源约束下明确下一步行动。跨学科研究的瓶颈往往不在于精度提升，而在于如何在有限预算内选择最有效的实验或仿真路径。因此，一旦以决策可用性为目标，就必须将因果约束、误差预算、复现机制与闭环优化转化为可工程化的系统能力。

有哪些具体的科学问题需要AGI赋能，以及如何对不同学科赋能？AGI 在数学、物理、化学及生命科学等领域的潜在价值，体现在跨越细分知识壁垒、整合不同分支间结构对应关系的能力。其优势不仅在于高维解空间中的大规模搜索，更在于在复杂问题中生成新的假设与路径建议。在实验科学中，AGI有望参与构建“模型-实验-反馈”的自动化闭环，加速材料筛选与系统优化进程。科学智能的定位正在从辅助计算工具，逐步走向参与科研决策过程的协作系统。

当前全球范围内有哪些可供参考的布局经验和技术路线？以DeepMind为例，科学智能的发展不仅是模型能力问题，更涉及问题选择、工程体系与协作结构。规则明确、目标清晰且能够通过计算验证的问题，往往更容易率先取得突破；在对正确率要求极高的领域，神经网络模型需要与符号计算或形式化验证体系协同运行。强化学习与仿真环境为决策型科研提供技术路径，但在难以完全验证的理论探索领域，AGI的角色边界与责任结构仍需审慎界定。跨学科团队协作与工程化能力，是推动这一体系落地的关键条件。

在深入讨论“AGI4S六问”的基础上，与会学者进而对如何构建可信AGI4S开展了探讨。

核心问题：在高风险、高价值的科学场景中，如何确保AGI系统的目标函数、生成能力与科研规范保持一致，并在全流程中实现可验证、可追溯与可约束的安全落地？

如何定义模型优化目标（如计算指标）以确保其能与科学领域的指标保持一致性？科学领域的评价指标往往不仅关乎性能，还涉及安全边界与潜在风险。问题不仅在于事后评估，更在于能否将湿实验反馈反向注入模型训练与推理过程，使安全规则成为可学习、可演化的内生机制。同时，构建面向科学发现的安全评测基准，并引入不确定性量化机制，是避免模型在高风险场景中失控的重要路径。

如何通过安全可信的技术手段，来打破各个研究所、科学家之间的数据壁垒？科学研究高度依赖数据，但现实中存在跨机构、跨团队的数据孤岛。如何在保障隐私与合规的前提下，通过安全计算、可控共享或技术协议，打破数据壁垒，是AGI4S实现规模化应用的关键问题。数据的多样性、真实性与代表性直接影响模型安全边界。

科学发现各环节分别有哪些隐患？科学发现并非单一预测问题，而是包含“假设生成-实验设计-数据分析-结论形成-重复验证”的完整链条。安全风险可能存在于每一个环节，例如错误假设的扩散、实验设计偏差、数据分析中的系统性误导等。因此，构建全链路安全监控机制，使关键决策节点可记录、可回溯、可外部检验，是实现可信科学智能的基础条件。

在科学研究这个高风险、高价值场景中，什么样的AGI才值得被信任？在科学研究这一高风险、高责任场景中，AGI的可信性不仅取决于预测准确度，更取决于其架构是否具备内生安全设计。除了数学与代码等高度形式化领域，是否可以在更多学科中引入形式化验证或“符号-神经”混合架构，使关键推理过程可验证、可解释，是重要探索方向。透明度与机制可解释性亦是基础要求，模型不仅要给出结果，还需能够说明其证据链条与推理路径。