第204次-- 科学与技术前沿论坛

主题报告

The Science of AI
鄂维南中国科学院院士北京大学

当前，人工智能的发展主要遵循的是一条工程化的路线。毫无疑问，这条工程化的路径取得了极大成功。但另一方面，基础理论和基本原理的缺乏也给人工智能的发展带来了巨大阻碍。如何推动人工智能从工程化走向科学化？这个报告中我们将介绍一些这方面的探索和初步成果。
脑科学与类脑人工智能
蒲慕明中国科学院院士中国科学院神经科学研究所

Recent progress in brain science has revealed key principles of neural function — from cell-type diversity and circuit connectivity to synaptic plasticity and memory mechanisms. These insights can inspire new AI designs. Five promising directions include: diversified neuron types, selective feedback and lateral links, activity-dependent wiring changes, memory consolidation and erasure, and modular network organization. Spiking neural networks offer a natural framework for implementing such principles. As AI approaches human-level intelligence, neuroscience- based methods will be essential for detecting human-like behaviors and ensuring ethical alignment. Lessons from child development may guide the creation of educational strategies for cultivating safe and moral AI systems.
AI for Science 的机遇与布局
高文中国工程院院士北京大学

2024 年诺贝尔物理奖和化学奖授给了 AI 学者，进一步点燃了"AI for Science"热潮。作为国家基础研究的主要资源提供方，如何正确引导方向和合理布局，对于中国人工智能的发展至关重要。本报告首先分析科学大赛在 2024 年诺贝尔奖获奖的关键作用，引出通过比赛提高科学发现速度的启发意义；其次讨论从 2006 年开始的本轮人工智能的判别式人工智能和生成式人工智能两次浪潮，其对于科学研究与发现的巨大作用已经显现，我们现在应该如何布局才能抓住机遇？再次，介绍一下我所在的鹏城国家实验室近期在 AI4S 所做的部分工作，包括智能算力建设、国际大科学计划等。
人工智能及其可靠性的物理基础：从统计物理到量子热力学
孙昌璞中国科学院院士中国工程物理研究院

当前关于“AI for Science”的讨论多集中在用人工智能解决科学问题，但从物理学尤其是统计物理出发反思 AI 的可靠性与安全性同样至关重要。面对大模型不可解释性带来的风险，必须回到熵原理、热力学与量子力学等更基础的物理理论，重建人工智能的可解释性框架。本报告从统计物理中的基态遍历、典型性、大数法则等基本假设出发，分析其与深度学习损失函数、优化过程的内在联系，指出现有理论闭环与实验验证上的不足。基于此，将介绍在经典与量子可靠性、量子热力学推导统计分布等方面的最新研究成果，并探讨这些基础物理原理如何用于构建更可靠、更可解释的人工智能系统。
科学智能实践视角下的人工智能发展路径思考
张林峰首席科学家深势科技

在本报告中，结合过去五年推动 AI for Science 基础设施建设与落地过程中的探索与实践，以及今年推动玻尔空间站、SciMaster 通用智能体、SciencePedia 三个项目的最新进展，我希望探讨和展望人工智能下一步发展中一条“从科学智能走向通用智能”的路径。

12 3 下一页尾页

第204次：人工智能的科学基础