中新网上海新闻10月30日电（张亨伟）近日，首届天桥脑科学研究院 AI 驱动科学研讨会汇聚了包括三位诺贝尔奖得主，以及斯坦福大学荣誉校长、Alphabet 董事会主席在内的 20多位全球顶尖学者和产业领袖，共同探讨 AI 如何驱动科学发现。会议由天桥脑科学研究院与加州大学伯克利分校计算、数据科学与社会学院联合举办。
陈天桥：打造有生命力的发现式智能需要构建 5 种能力，投入10亿美元算力支持
盛大集团和天桥脑科学研究院创始人，全球知名创新企业家、慈善家陈天桥在会上宣布：投入 10 亿美元算力，支持全球科学家的创新人工智能研究。他表示： “人类的进化从未停止，只是方式改变了。我们的工具——现在包括AI——是进化的外部器官。”
陈天桥认为，AI的终极价值是发现。发现式智能可以主动构建关于世界的可检验理论模型(testable world models)、提出可被证伪的假说(falsifiable hypotheses)，并在与世界的交互与自我反思中持续修正其理解框架的智能，这是真正意义的通用人工智能。它能提出问题而非只回答问题，能理解规律而非仅预测结果，超越了模仿，具备创造和发现这些智慧的本质能力 ，让AGI的意义不再是“取代人类”而是“进化人类”。
陈天桥对比了AI发展的两条主导路径。"Scaling 路径"通过推动参数、数据和算力已经带来了令人印象深刻的应用成果。相比之下，"结构路径"聚焦于智能的认知解剖学——系统如何在时间中运作。
他指出，打造发现式智能需要建设五个能力，它们共同形成一个有生命力、面向发现的智能闭环：
1.神经动力结构 —— 持续的、自组织的活动，使系统在时间中保持活跃。
2.长期记忆 —— 灵活的存储和选择性遗忘，以建立知识并形成假设。
3.因果推理机制 —— 推断超越训练分布的机制。
4.世界模型 —— 一个内部的、统一的模拟，用于预测未来和在心理上测试想法。
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。
为帮助全球科学家推进发现式智能研究，陈天桥宣布了多项特别针对青年科学家的支持：
基准测试 —— 一个跨神经动力学、记忆、因果关系、世界模型和元认知的综合评估套件，以可发现性作为核心指标。
结构性算力 —— 投入10亿美元算力用于优先支持结构性实验(记忆系统、因果架构、神经动力学假设)的集群。
PI孵化器 —— 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，追求大胆的想法，无需等待传统时间表，同时会在全球建立研发中心。
"Scale 是巨人的道路，Structure 是年轻人的机会，"陈天桥补充道。"真正改变智能的下一个算法不会出现在数据中心——它会出现在笔记本电脑上。"
奥马尔·亚基：成功设计沙漠取水神器，AI成为新的科学思维体
一个零能耗的便携式取水装置，被放置在空气湿度不到15%，极其炎热的美国沙漠”死亡谷”中，很快成功地从大气中取到了饮用水。这个堪称旅行者救命稻草的神器，是由ChatGPT分子优化编辑设计的材料制成。新晋 2025 年诺贝尔化学奖得主、加州大学伯克利分校的奥马尔·亚基(Omar Yaghi)教授分享了这一最新成果。
他发表了题为“用于材料发现的智能体 AI”(Agentic AI for Discovery of Material)的主题演讲，定义了“从分子到社会”(From Molecule to Society)的新范式，一个由生成式 AI、自学习 Agents 机器人智能体共同驱动的科学循环系统。他说："AI不是工具，而是新的科学思维体。借助人工智能，我们正在赋予科学自行思考、推理和演进的能力。"
除了AI设计的沙漠取水神器，他和团队基于 ChatGPT 创建的七个 Agents 组成虚拟科研团队，分工执行实验设计、文献检索、算法优化、实验安全与数据分析等任务，共同设计并优化了 COF-323 的结晶过程，成效显著，在几天内完成了上百次实验，持续优化条件，实现从无定形到高结晶的飞跃。同时，他们训练 ChatGPT 阅读数千份合成报告并进行推理，证明该模型的预测性能优于许多传统启发式方法，ChatGPT 从一个文本生成器演变成一个科学推理引擎。
戴维·贝克：AI 逆转生命密码，从头设计蛋白质工程
从传统的“序列预测功能”模式，转向“功能设计序列”的新模式，并首次获得了根据预设的生物学功能，反向设计并构建全新基因序列的能力。2024 年诺贝尔化学奖得主、华盛顿大学的戴维·贝克(David Baker)教授分享了 AI 如何“从头设计”蛋白质工程领域。
贝克教授介绍了其团队开发的 RFDiffusion3 模型，这是一种能够在三维结构空间中进行运算的先进生成式 AI 模型。研究人员仅需输入期望的分子功能，该模型便能生成具有相应功能的新型蛋白质的精确三维结构蓝图。基于这一技术，团队已取得多项突破性成果：在神经退行性疾病研究方面，设计出能特异性捕获β-淀粉样蛋白的新型肽类结合物，为阿尔茨海默病干预提供新策略；在酶工程领域，成功开发了首个“从头设计”的蛋白酶；在基础研究工具开发上，研制了新型的 GPCR 激动剂与拮抗剂，为神经科学中复杂的细胞通讯和信号转导研究提供了强力工具。
贝克教授指出，AI 模型的快速发展高度依赖于一个与实验数据紧密耦合的“反馈闭环”。他强调，一个高效的“设计-构建-测试-学习”迭代循环是必不可少的：AI 进行预测设计，实验室进行快速验证，而实验产生的数据都将即时反馈给模型，用于优化算法参数。
珍妮弗·道德纳：当 CRISPR 遇上 AI，开启个性化基因治疗时代
一种利用 CRISPR 技术开发的镰状细胞病(sickle cell disease)基因疗法，已于近期获得美国食品药品监督管理局(FDA)的批准，首个“个性化”的 CRISPR 基因编辑疗法也已成功实施。2020 年诺贝尔化学奖得主、加州大学伯克利分校的珍妮弗·道德纳(Jennifer Doudna)教授在演讲中分享了这些突破性进展。
她回顾了从在细菌中发现 CAS 核酸酶(Cas nuclease)到最终促成 CRISPR 基因编辑技术诞生的完整历程，同时指出该领域面临的巨大挑战：尽管 CRISPR 技术无比强大，但即使是在最简单的生物体中，仍有高达 40%的基本基因的功能至今仍是未解之谜。极大阻碍了基因编辑技术向更纵深领域的推进。
她强调，生物学领域的数据是有限的，为生物学构建有效的机器学习模型，需要“经过精心策划的、包含因果关系的数据集”。为此，她提出了 CRISPR 与机器学习的协同进化，可以利用 CRISPR 技术在细胞系中系统性地制造“基因扰动”(gene perturbations)，从而大规模、高效率地筛选并鉴定每个基因的具体功能。这为构建因果数据集提供了关键工具。
约翰·轩尼诗：AI 普及速度超电脑数十年，人类必须守住关键决策权
人工智能正以前所未有的方式席卷全球，在不到一年的时间里就达到了 50%的美国家庭普及率，而个人电脑实现同一数字花费了数十年时间，智能手机也用了 10 多年。图灵奖得主、斯坦福大学第十任校长暨现任 Alphabet(谷歌母公司) 董事长约翰·轩尼诗(John Hennessy)在题为“AI 赋能科学与社会”的演讲中强调了这一惊人现象。
作为见证了第一台个人电脑，第一个互联网网页，以及第一版雅虎网站的亲历者，他指出面对 AI 技术浪潮人类应共同坚守的关键原则：在使用 AI 或与 AI 协作完成工作时，必须保持“透明的披露”；必须严格验证 AI 生成的内容；对于 AI 合成的数据必须建立详细的文档记录。他特别强调，在涉及人工智能关键决策时，人类绝不应被排除在外。
他指出了两个担忧。一是数据的质量与数量。以 AI 模型目前惊人的数据消耗速度，全球现有的数据存量可能在 4 到 5 年内被耗尽，未来我们的数据生成速度能否跟上大型 AI 模型训练的步伐。二是关于能源效率。与算力的迅猛增长相比，计算的“能源效率”提升速度要缓慢得多。
在专题讨论环节中，当被问及 AI 时代教育和职业时，他表示，人际互动的技能仍然是不可或缺的。谈到短期对 AI 赋能科学的期许，他打趣道：“给予所有科学家他们所需要的全部算力！”
研讨会还举行了"AI 驱动科学大奖"颁奖典礼，上一年的三位获奖青年科学家现场分享了他们的研究成果和获奖心得。(完)
注：请在转载文章内容时务必注明出处!
编辑：李秋莹
