文/特约作者 陈子扬

10月27日、28日，首届天桥脑科学研究院AI驱动科学研讨会（The Chen Institute Symposium for AI Accelerated Science，AIAS 2025）在美国旧金山举行。会议由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主办，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。

▷会议嘉宾合影

陈天桥首提”发现式智能”理念，诺奖得主、科研领袖共话 AI 驱动科学

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。天桥脑科学研究院创始人雒芊芊做开场致辞。

▷陈天桥发表主题演讲

▷雒芊芊作开场致辞

两天的会议汇聚了全球科学与技术领域的卓越人才，包括了 2025 年诺贝尔奖得主、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、Alphabet（谷歌母公司）董事长 John Hennessy，美国科学促进会 (AAAS) 主席兼加州大学研究与创新副主席 Theresa Maldonado，微软技术院士兼微软研究院科学人工智能主任 Christopher Bishop，以及 Meta AI 基础人工智能研究 (FAIR) 团队研究科学家 Larry Zitnick 等重量级嘉宾。

他们和来自普林斯顿大学、麻省理工学院、加州理工学院、南加州大学、杜克大学等国际顶尖高校的知名学者，以及陈-扎克伯格研究院、英伟达等顶级机构和企业的科研负责人，共同参与了主题分享与圆桌讨论，就 AI 驱动科学的最新进展和前景展望进行了热烈而深入的交流。

大会期间，颁发了天桥脑科学研究院与《科学》杂志合作设立的首届AI驱动科学大奖，3位青年科学家凭借在AI赋能科学突破方面的创新成果获奖。

▷AI驱动科学大奖颁奖典礼

▷圆桌讨论

会议部分重量级嘉宾精彩观点

Omar Yaghi：成功设计沙漠取水神器，AI正在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。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，定义了一个“从分子到社会”（From Molecule to Society）的新范式 —— 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。

在问答环节，当被问及如何处理实验中的“失败结果”以及它们是否应该被发表时，亚基教授强调，无论是正面还是负面的结果，对于训练和改进 AI 模型都具有同等不可或缺的价值。期刊和出版商应当积极要求研究人员在论文中一并报告他们的负面实验数据，这对整个科学共同体的进步至关重要。

▷Omar Yaghi

David Baker：AI 逆转生命密码，从头设计蛋白质工程

科学界正经历一个根本性转变：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。David Baker 教授分享了 AI 如何为“从头设计”蛋白质工程领域开拓这些全新可能性。

他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。

David Baker 特别指出，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。正是这种 AI 与湿实验的协同进化，才在真正推动着蛋白质工程领域的飞速前进。

Jennifer Doudna：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。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。在题为“生物学中机器学习的未来：CRISPR 用于健康与环境”的演讲中，道德纳教授同时指出了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。这极大地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，而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。这为构建前述的因果数据集提供了关键工具。

当被问及她会给年轻时的自己什么建议时，她回答：“勇往直前！”( Go for it!) . 她强调了保持对科学“纯粹的热情”（raw passion）以及在科研生涯中获得“导师指导”（mentorship）的极端重要性。

John Hennessy：AI 普及速度超电脑数十年，人类必须守住决策权

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 公司董事长 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。他指出，与计算能力（算力）的迅猛增长相比，计算的“能源效率”（即单位能耗所能实现的算力）的提升速度要缓慢得多。

John Hennessy 还提到，AI 目前只能解决他称之为“人类终极考验”中 28%的问题，这是一个包含 2500 个精心策划的难题的集合。他认为，这说明“人类的智慧仍然大有可为”。

在随后的专题讨论环节中，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。与此同时，人们必须学会保持批判性思维，知道如何去“挑战”AI。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！”

▷John Hennessy

10月27日、28日，AI驱动科学研讨会（Symposium for 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”（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。

以下为陈天桥演讲全文《真正的智能，是能“发现”的智能》：

01 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。

02 “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，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”。

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。

04 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）。

05 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。

9月28日，中国神经科学学会第十八届全国学术会议（CNS 2025）期间，由天桥脑科学研究院（中国）与中国神经科学学会联合主办的“BCI&AI脑机接口创新技术碧海论坛”成功举行。

今年是天桥脑科学研究院自2018年连续第8次支持CNS全国学术会议。作为由CNS评选的特色主题论坛，碧海论坛成功吸引了近400位专家学者亲临现场。钛媒体等主流科技媒体对论坛进行了直播，观看人次高达30万。

本次论坛聚焦脑机接口与人工智能的交叉领域，深度探讨了面向健康人群的脑机增强、脑机接口创新技术及类脑智能三大前沿版块。与会专家不仅分享了对脑机接口未来发展路径的前瞻思考，更提出了在人工智能辅助下的脑机接口新范式。

一、意念对话不是梦，BCI赋能健康人群实现里程碑进展

▷ 致辞/演讲嘉宾 陶虎，讲题《脑机接口-让大脑连接未来》。陶虎，脑虎科技创始人兼首席科学家。国家“万人计划”科技创新领军人才入选者、国家基金委优秀青年基金获得者、国家海外高层次人才引进计划青年项目入选者，享受国务院政府特殊津贴。中国神经科学学会脑机接口与交互分会创始主委、中国科协脑机接口产业技术路线图负责人。

天桥脑科学研究院研究员、脑虎科技（NeuroXess）创始人兼首席科学家陶虎分享了两项具有里程碑意义的最新研究成果。

由脑虎科技自主研发的256通道超高密度柔性脑机接口系统取得了突破性进展。该系统在灵长类动物实验中实现了100%的运动意图识别准确率。在人体应用方面，经过短短一周的训练后，该系统的信息传输速率便达到了每秒4.15比特。

更引人注目的是，该技术实现了静默中文解码，超人类语速交流（突破307字/分钟，超过正常人2倍）、意念办公、双脑互联远程实时意念对话等颠覆性应用。

这些成果与国际顶尖水平相比毫不逊色。例如，马斯克的Neuralink受试者在训练一周后实现了4.60 bps的运动控制水平，而美国加州大学旧金山分校（UCSF）Edward Chang团队的解码能力为每分钟78个英语单词。脑虎科技的成果与这些国际领先水平相当甚至更优，有力地证明了中国脑机接口技术的全球领先实力。

陶虎表示，脑虎科技正致力于拓展应用场景、提升系统稳定性并降低使用成本，来加速推进相关技术的商业化应用。

二、类脑计算：定制化大模型，开启智能交互新范式

▷ 演讲嘉宾 李国齐，讲题《类脑大模型及其在脑机接口的前景》。李国齐，中国科学院自动化所研究员，脑认知与类脑智能全国重点实验室副主任，通用类脑智能大模型北京市重点实验室主任，国家杰出青年基金获得者；在Nature、Nature子刊、Science子刊等期刊和AI顶会上发表论文200余篇，论文被引用1.8万余次；主持国家自然科学基金重点项目、联合重点项目、科技部重点研发项目等30余项；担任IEEE TNNLS，IEEE TCDS和清华大学学报-自然科学版编委；曾获得中国自动化学会自然科学一等奖，ECCV最佳论文奖提名，中国算力大会最佳论文奖，曾入选北京市杰青，中国科学院百人计划，DeepTech中国智能计算科技创新人物，中国算力青年先锋人物。

中国科学院自动化所李国齐研究员认为，专门面向脑机接口优化的定制化大模型，比通用大模型更适合这一领域的发展需求。为此，他的团队开发了SpikingBrain系统，采用树突神经元作为基本计算单元，能够高效处理事件驱动和时间稀疏的脑电信号，从而在提升信号编解码性能的同时，显著降低系统功耗。

这一突破性进展，源于李国齐团队在类脑计算领域的系统性创新。他们提出的大规模脉冲神经网络计算理论，成功将脉冲神经网络（SNN）与主流人工神经网络（ANN）的性能差距从20年缩短至1年。此外，他们开发的MetaLA统一框架在性能上已超越Mamba架构。

这些前沿成果，配合低功耗类脑芯片和全栈式训练平台，为脑机接口技术开辟了新路径，展现出类脑计算与大模型融合的巨大潜力。未来，这项技术有望实现更精准的信号处理和更自然、高效的人机交互。

三、纳米智能：探索脑机交互的“微观”路径

▷ 演讲嘉宾 贺强，讲题《纳米机器人与BCI：探索人脑与机器的微观连接》。贺强，哈尔滨工业大学教授，于2003年在中国科学院化学研究所获得博士学位。他提出了胶体马达、超分子胶体马达和游动纳米机器人的概念。是首位利用可控化学组装技术构建集自推进和智能药物递送于一体的超分子胶体马达的学者。基于此，他开发了多种可注射的游动纳米机器人，并将其应用于重大疾病的精准治疗。已发表200多篇同行评议论文，并拥有24项专利。目前，他担任中国化学会胶体与界面化学专业委员会成员，以及Small，ChemNanoMat和Colloid and Surface A的编委。

传统脑机接口主要依赖植入电极，而哈尔滨工业大学贺强教授另辟蹊径：将纳米机器人集群作为一种全新的脑机交互范式。这种“自下而上”的方法，通过纳米机器人的自组织行为，实现从个体到集群、从微观到宏观的信息传递与功能调控。

作为国际上首个成功研发自推进、一体化超分子胶体的团队，贺强教授将化学动力学与纳米技术相结合，开发出一种突破性的智能纳米系统。通过可控化学组装技术，这些纳米机器人不仅能主动穿越血脑屏障，还能响应光、磁场等外部刺激实现集群协同。与传统电极植入相比，这种柔性的微观调控方式大大降低了创伤风险，为脑疾病的精准治疗和脑机交互开辟了全新途径，展现了智能纳米系统在未来医疗领域的变革性潜力。

四、聚焦超声波：实现大脑深部的无创精准调控

▷ 演讲嘉宾 Jan Kubanek，讲题《聚焦超声神经调控和脑机接口》。Jan Kubanek，生物医学工程师和神经工程师，华盛顿大学生物医学工程/神经科学博士，他曾在斯坦福大学进行博士后深造，目前是犹他大学的助理教授。他的实验室开发了一种能够对人类大脑深部回路进行精确、可控调节的设备。已发表的研究表明，该设备可调节慢性疼痛、抑郁症和特发性震颤的症状。该方法目前正用于关键的临床试验。

来自犹他大学的Jan Kubanek介绍了由其团队开创的一种突破性的超声波脑机交互技术。不同于传统侵入式电极，这项技术利用超声波能穿透颅骨的特性，通过微秒级的精确聚焦，实现了对基底节和丘脑等大脑深部结构的非侵入性调控，创新性地解决了超声波在颅骨传导时的衰减问题，确保了治疗剂量的精准递送。

临床研究显示，这项技术能有效治疗特发性震颤、重度抑郁症和慢性疼痛，并能诱导持久的神经可塑性改变。特别是在慢性疼痛治疗中，仅需40分钟的扣带回刺激就能显著改善疼痛强度。目前，这一突破性技术已进入多中心临床试验阶段。更令人振奋的是，高频超声波技术已实现单细胞级别的精确调控，预示着人类与环境、人与人之间可能出现全新的认知互动方式。

五、智能双向进化：人机共生，重塑未来

▷ 演讲嘉宾 张越一，讲题《类脑计算驱动的脑机接口》。张越一，集智进化（MiroMind）AI研究员。已发表期刊会议论文100余篇（包括CCF-A类会议文章或IEEE汇刊文章50余篇），申请/授权中国发明专利20余项。曾主持国家自然科学基金青年项目、面上项目，参与科技部科技创新 2030项目。现任中国图形图像学会多媒体专委会副秘书长，参与组织过中国多媒体大会（ChinaMM）等活动。所指导的学生中多人次获得中国科学技术大学研究生国家奖学金和专项奖学金。目前的研究方向为：脑启发多模态大模型与智能体。

MiroMind AI研究员张越一提出，要让人类智能与人工智能相互启发、共同进化。

他指出，从最初的感知机到如今丰富的人工神经网络，神经科学的发展为计算领域带来了革命性突破。通过模仿大脑架构，我们创造出了此前无法实现的计算解决方案。

更重要的是，这种影响是双向的。深度学习不仅从大脑获得灵感，反过来也帮助我们更好地理解大脑的工作机制。通过优化人工神经网络，观察其中行之有效的模式，我们得以重新审视神经连接，深入了解大脑的组织方式。这种双向互动正在开启认知科学的新篇章。

正如天桥脑科学研究院与MiroMind创始人陈天桥先生所言：

人类不仅是AI的创造者，也是其演化路径的决定者。AI与人类共同组成生态系统，互动中形成反馈循环，重塑个体认知与社会结构。未来，最终具有自我意识的人工智能，是在镜像人类智能长期记忆之后实现人类智能和人工智能的共同进化。

本次碧海论坛不仅是一场前沿技术的集中展演，更是一次对未来的深刻展望。从超高密度柔性接口到定制化大模型，从纳米机器人到无创超声波，我们正在从不同维度推动脑机接口技术的边界。这些技术突破正在加速人机共生时代的到来，共同描绘出一幅人类智能与人工智能深度融合、共同进化的宏伟蓝图。

今天，天桥脑科学研究院（Tianqiao and Chrissy Chen Institute, The Chen Institute）与美国科学促进会（American Association for the Advancement of Science, AAAS）宣布，共同发起 2026 年“AI 驱动科学大奖”，旨在表彰全球范围内用人工智能技术（如机器学习、深度学习、强化学习等）在自然科学（包括生命科学和物质科学）研究领域解决关键问题、推动科学研究加速发展的青年科学家。

首届获奖者名单已于今年 7 月正式揭晓。三位获奖者——Zhuoran Qiao 博士、Aditya Nair 博士与 Alizée Roobaert 博士，凭借运用人工智能技术在生物化学、神经科学和海洋科学领域的突破性成果脱颖而出。三位获奖者将分享总额 5 万美元的现金奖励。此外，他们的获奖论文已同步发表于《科学》杂志^[1-3]，标志着相关成果获得学界高度认可。

申报对象

本奖项面向与人工智能相关领域的青年科学家开放。申报者须在申报时已取得 M.D.、Ph.D.或 M.D./Ph.D.学位，并且获学位时间不超过十年。这是新兴的学术领袖向全球展示工作成果，并在人工智能领域获得广泛认可的绝佳机会。

如何申报

申请者需提交一篇 1000 字的研究论文，描述他们最重要的研究发现，主题必须是利用人工智能相关技术，在其它科研领域做出了根本性的突破，而这些突破在未使用人工智能技术前是难以实现的。

申报通道

可访问天桥脑科学研究院官网：https://www.cheninstitute.org/prize

或直接登录《科学》杂志申报页面：https://www.science.org/content/page/chen-institute-science-prize-ai-accelerated-research

有关申报截止日期及更多详情，请参见申报页面。

展示机会

获奖者将受邀在“天桥脑科学研究院 AI 驱动科学研讨会”（Chen Institute Symposium for AI Accelerated Science, AIAS）及“天桥脑科学研究院 AI 驱动科学青年论坛”（Chen Institute Youth Forum for AI Accelerated Science）发表主旨演讲，参与高端圆桌讨论，并主持互动工作坊。获奖者及入围者还将被授予 “陈氏学者”称号。

了解更多会议信息，请访问：https://aias2025.org/

加入社区

欢迎加入我们的 AI 驱动科学社区成为 AIAS 会员，以获得更多的权益。申请邮箱：AItalents@cheninstitute.org

2024 年 AI 驱动科学大奖获奖论文：

[1] Zhuoran Qiao , AI to rewire life’s interactome: Structural foundation models help to elucidate and reprogram molecular biology.Science389,244-245(2025).DOI:10.1126/science.adx7802

[2] Aditya Nair , Unraveling the emergent chorus of the mind: Machine learning reveals how a hidden neural code orchestrates diverse emotion states.Science389,245-245(2025).DOI:10.1126/science.adx7811

[3] Alizée Roobaert , Mapping the global coastal ocean with AI: Artificial neural networks can help better constrain the global carbon cycle in shallow seas.Science389,245-245(2025).DOI:10.1126/science.adx7826

Dr. Aditya Nair
加州理工学院和斯坦福大学博士后研究员及 NIH NeuroAI 项目青年学者

当你体验饥饿、愤怒或恐惧等情绪时，大脑中的特定神经回路会被激活。但如果观察这些回路中的单个细胞，往往会发现这些细胞的活动与人的情绪体验之间几乎没有明显的相关性。

“这是一个巨大的悖论：我们从动物实验中知道这些回路控制情绪，因为如果我们让这些回路失活，动物就会停止表现出情感行为。”天桥脑科学研究院与《科学》杂志 AI 驱动科学大奖优胜奖得主 Aditya Nair 这样说道，“但当我们记录单个神经元的活动时，却找不到与目标行为的直接联系。”

为了解开这个谜团，Nair 将与情绪（如攻击性）相关的下丘脑区域的神经活动数据输入到一个能够检测神经元间微妙互动模式的机器学习模型中。“这就像在听一场交响乐：如果你只听某一件乐器，什么都听不出来，”他解释道，“你需要听整个乐队，才能理解旋律。”

Nair 使用的算法揭示了这样一种现象：当神经元群体交换并循环信号时，它们会稳定在一种被称为“线吸引子”（line attractor）的复杂关系中。这是一种常见于数字神经网络、但在活体大脑中极少被观察到的机制，它允许连续变量随时间被存储。“这很重要，因为情绪有两个关键特性：强度会变化，而且会持续一段时间。”Nair 说，“通过将 AI 模型拟合到神经活动上，我们在大脑中发现了一种此前无法检测到的信号，同时具备这两种特性。”

这是一个具有重要潜在意义的突破，尤其对药物研发有深远影响。“动物无法自我报告情绪，只能通过有限的几种行为表现情感，”Nair 解释道。“现在，我们可以利用大脑活动来量化受试者的饥饿、愤怒或恐惧程度——这将极大提升精神疾病治疗的开发和测试效率。”

Nair 的方法未来还可能帮助神经科学家从更广泛的大脑活动模式中检测到涌现信号。“目前我们只研究了下丘脑的一个很小的区域，”Nair 说，“但我们正在开发工具包，用于建模更大脑区的活动，并读取当成千上万神经元同时进行多项计算时涌现的隐藏信号。”

为加速这一过程，Nair 开发了一个能够接收大脑活动数据并快速处理以揭示涌现信号的大型语言模型。目标是：让标准化分析能够被快速实施，即使研究者本身对 AI 不甚精通也能轻松上手。“我们正在让 AI 工具对整个科研社区变得更加易用，以加速研究和药物开发的进程。”Nair 表示。

Dr. Alizée Roobaert
比利时佛兰德海洋研究所（Vlaams Instituut voor de Zee）研究员

全球海洋每年吸收了大约四分之一的人类二氧化碳排放量——但虽然这一过程在公海得到了充分研究，沿海水域的贡献却出人意料地知之甚少。“这实在是太复杂了——有河流入海、与陆地的相互作用、水深各异等诸多因素，”天桥脑科学研究院与《科学》杂志 AI 驱动科学大奖优胜奖得主、佛兰德海洋研究所（VLIZ）“海洋气候变化的过去、现在与未来”课题组的研究员 Alizée Roobaert 表示，“虽然有一些局部研究，但全球沿海海洋到底吸收了多少二氧化碳，以及这种吸收如何随时间变化，依然存在很大不确定性。”

为了解决这个问题，Roobaert 与布鲁塞尔自由大学（Université Libre de Bruxelles）的 BGeoSys 团队合作，将全球沿海水域划分为边长 0.25 度的网格单元——在赤道附近每格约 28 公里。随后，Roobaert 叠加了全球数据（主要来自卫星遥感），涵盖海表温度、盐度、叶绿素 a 浓度等变量，并整合了约 1800 万个来自船只或浮标的沿海观测数据，包括不断变化的海表二氧化碳浓度测量。最终形成了一张覆盖全球海洋的高分辨率数据拼图，但二氧化碳测量值仅在部分网格中有数据。

接下来，Roobaert 利用机器学习揭示变量间的复杂关系，并逐步补全空白区域。“一旦算法理解了这些变量如何相互作用，它就能重构缺失的二氧化碳测量值。”Roobaert 解释道。最终，她得到了全球沿海二氧化碳吸收随时间变化的地图，其准确率约为以往的 10 倍，细节也显著提升。“这是目前基于观测、用于估算全球沿海水域二氧化碳吸收贡献的最先进方法，”Roobaert 表示。

除了加深我们对沿海水域在海洋碳循环中作用的理解，Roobaert 的高分辨率地图还能为特定区域的海气碳交换提供更准确的洞见。“对于‘蓝色经济’来说，这类数据至关重要——只有了解沿海水域如何影响碳循环，才能量化人类活动的影响，”Roobaert 说。

目前，Roobaert 和 VLIZ 团队正致力于进一步完善这一方案。当前的重点之一是为欧洲北海绘制分辨率高达 1 公里的二氧化碳分布更精细地图。其他目标还包括叠加海洋深度数据，制作四维地图，详细展示碳在水体柱中随时间的扩散过程。“真正驱动我的是，知道自己的工作正在弥补关键数据空白，帮助人们更好地理解海洋在全球碳循环中的作用，”Roobaert 表示，“我们正在用 AI 实现真正的全球影响，这也是我不断前行的动力。”

Dr. Zhuoran Qiao
机器学习科学家
旧金山 Chai Discovery 公司创始科学家

有时候，即便是获奖科学家也会在实验室里栽跟头。

在北京大学读本科时，Zhuoran Qiao 梦想着专攻全合成，利用复杂的实验室方法合成有机化合物。但他很快被现实“叫醒”了。“这就像做饭不好吃一样——我在实验操作上真的不太在行。”Zhuoran Qiao 笑着说，“我总是把实验搞砸，还把自己弄伤。”几次烫伤手指和实验失败后，Zhuoran Qiao 决定转向其他方向。“结果发现，我在用计算机模拟化学反应方面还挺有天赋，”他说，“在计算机上‘做实验’对我来说顺利多了。”

这其实还是谦虚了。今年春天，Zhuoran Qiao 凭借利用生成式 AI 模拟蛋白质结构的研究，成为首届“天桥脑科学研究院与《科学》杂志 AI 驱动科学大奖”的得主。他的突破性成果有望彻底改变制药领域。

“Zhuoran Qiao 的工作令人震撼地展示了 AI 加速科学发现的力量——多亏了他的努力，过去需要耗费数月甚至数年繁重劳动的研究，现在几秒钟就能完成，”天桥脑科学研究院创始人雒芊芊表示，“他让研究人员能够快速设计新分子，为那些曾被认为‘无药可治’的疾病带来了全新的治疗路径。”

科学发现之路

在中国学习计算化学后，Zhuoran Qiao 于 2018 年前往加州理工学院，在 Anima Anandkumar 教授和化学与 AI 创新者 Thomas Miller 教授的实验室攻读博士学位。在那里，Zhuoran Qiao 开始利用机器学习，打通量子数据与分子结构高层描述之间的桥梁。“用 AI，我们能获得以往需要极高计算量才能得到的结构洞见，”Zhuoran Qiao 说。

2021 年，正值 Zhuoran Qiao 不断完善自己的模型时，谷歌 DeepMind 发布了 AlphaFold——一个能根据氨基酸序列预测复杂蛋白质结构的 AI 模型，进一步凸显了计算模拟的潜力。AlphaFold 的能力让 Zhuoran Qiao 惊叹不已：蛋白质的折叠方式比宇宙中的原子还多，但 AlphaFold 却能极其准确地快速预测蛋白质结构。“这是个了不起的突破，”Zhuoran Qiao 说，“但我也看到还有两点不足。”

首先，AlphaFold2 只研究孤立的蛋白质，而药物研发需要模拟蛋白质与小分子的相互作用。其次，AlphaFold2 给出的是静态快照，但蛋白质在体内的生化环境中始终处于动态变化之中。“要理解蛋白质的功能，就必须捕捉其全部动态过程，”Zhuoran Qiao 解释道。

就在这时，Zhuoran Qiao 灵机一动：为何不用扩散模型（diffusion model）？这类模型后来也用于流行的生成式 AI 图像工具。正如米开朗基罗雕刻大卫像时，一点点剔除多余的石头，扩散模型则是逐步消除目标之外的噪音。比如，输入“戴高帽的猫”的提示，模型会从一堆随机像素出发，结合关于猫和帽子的训练数据，逐步逼近目标图像。

Zhuoran Qiao 意识到，同样的方法可以用于模拟蛋白质的复杂动态分子景观。“你从所有可能原子位置的随机混合出发，然后逐步去噪，最终得到三维结构，”他解释道。这里不再是文本提示，而是生化数据：蛋白质序列的进化特征、小分子的化学图谱，以及预测小分子与蛋白质如何相互作用的“接触图”。“利用这些，扩散模型可以映射每一个原子，最终还原分子结构，”Zhuoran Qiao 说。
通俗来说，这意味着 Zhuoran Qiao 的预测引擎不仅能预测蛋白质如何折叠，还能预测其与其他分子（包括潜在药物）如何相互作用。

构建“计算显微镜”

在 AI 出现之前，模拟一个蛋白质是个极其庞杂的任务，要么依赖艰苦的晶体学或光谱成像，要么靠逐原子计算机模拟。“过去大家用蛮力解决这个问题，但模拟一个蛋白质要花费数年 GPU 时间，而且还要人工设置参数，”Zhuoran Qiao 解释道。而他的生成式模型只需几秒钟就能准确还原复杂分子体系。“速度提升了一百万倍，结果往往与实验数据非常接近，”他说。

实际上，这个预测引擎为研究者提供了一个“计算显微镜”，让他们无需繁琐计算和实验，就能洞悉复杂生化系统的运作。它甚至可能帮助科学家突破传统成像的极限，探索那些尚未被实验观察到的“暗蛋白”。“我们的模型可以从已知蛋白质中泛化，帮助我们跨越这一障碍，”Zhuoran Qiao 说，“这对新药开发至关重要。”

初步研究会集中在设计针对已知蛋白质的小分子。“如果你已经有关于信号通路的生物学假说，可以用我们的工具找到能触发该效果的分子，”Zhuoran Qiao 说，“这依然不是个简单问题，但我们的引擎显著加速了搜索过程。”更具雄心的是，这个引擎还能用于从零设计蛋白质，比如开发新型蛋白质传感器，甚至创建一连串生物工程蛋白质相互作用，解锁新的生物功能。有前景的应用之一，是利用“分子胶”让致病蛋白与专门降解生化物质的蛋白结合。“通过模拟这些复杂动态，我们或许能主动清除体内的致病蛋白，”Zhuoran Qiao 说，“这还只是起步阶段，但机会无限。”

最终目标不仅是加速传统研究，更是实现药物发现自动化，让研发走向人类科学家未曾设想的新方向。“我们希望构建能自动生成全新分子的工作流，”Zhuoran Qiao 说，“从长远来看，我们能够替代药物研发中大量传统的人工流程。”

走出学术圈

为了实现这个目标，Zhuoran Qiao 开始将目光投向学术之外。2023 年，他加入了 Iambic Therapeutics，这家初创公司源自他导师在加州理工的实验室；今年，他又以创始科学家的身份创立了 Chai Discovery。“学术界是原型开发的好地方，但要产生真正的现实影响，就需要更大的团队和更多资源，”Zhuoran Qiao 解释道。

团队协作带来了令人瞩目的成果：Iambic 的 NeuralPLexer 模型刷新了结构预测的行业标准，Chai 最新模型能以 16%的成功率设计新型抗体——这是此前水平的 100 倍提升。Chai Discovery 联合创始人 Joshua Meier 称之为“蛋白质的 Photoshop”，带来了强大的新见解。“数字生物学不再是科幻——它已经成为现实，”他说。

目前，DeepMind 的 AlphaFold 数据库已被超过 200 万名研究者使用，完成了以往需 10 亿年才能完成的分析；2024 年，AlphaFold 的两位创始人获得了诺贝尔化学奖。现在，Zhuoran Qiao 说，研究者们正迈入“后 AlphaFold”时代，利用更强大、更专业的模型加速发现。“我们有机会以前所未有的规模绘制蛋白质相互作用图谱，”他说，“我很幸运能参与这场变革。”

现在，Zhuoran Qiao 表示，是时候抓住这个机遇，打造能带来临床变革性成果的实用工具和工作流了。“这对我来说很有情感意义，”Zhuoran Qiao 补充道，“如果我们能做到这一点，整个计算药物研发的方式都将被彻底改变。”

天桥脑科学研究院（Tianqiao and Chrissy Chen Institute）与美国科学促进会（American Association for the Advancement of Science, AAAS）今天联合宣布，首届“天桥脑科学研究院与《科学》杂志 AI 驱动科学大奖”获奖名单正式公布。这一重要年度奖项旨在表彰利用 AI 赋能科学发现的创新性研究。三位获奖者将分享总计 5 万美元的现金奖励，其获奖研究论文也将在《科学》杂志上发表。

大奖得主：

• Dr. Zhuoran Qiao，机器学习科学家，旧金山 Chai Discovery 公司创始科学家，因其在生物化学领域运用 AI 的突破性工作获得大奖。

优胜奖得主：

• Dr. Aditya Nair，加州理工学院和斯坦福大学的博士后研究员及 NIH NeuroAI 项目青年学者，他的研究专注于将 AI 和神经科学相结合。
• Dr. Alizée Roobaert，比利时佛兰德海洋研究所（Vlaams Instituut voor de Zee）研究员，开发了监测海洋气候动态的创新 AI 解决方案。

“我们收到了来自世界各地、涵盖众多科学领域的投稿申请。”天桥脑科学研究院创始人雒芊芊表示，“在 AI 正根本性地加速全球科学发现的时代，我们很高兴能够发掘这三位杰出的年轻研究者，他们正在使用强大的新技术拓展人类知识的前沿。”

“我们一如既往地对 2024 年 AI 驱动科学大奖的高质量、富有想象力的投稿感到兴奋。”《科学》杂志高级编辑 Yury V. Suleymanov 表示，“这三位早期职业科学家展示了他们在AI领域的前沿技术，他们用创新的AI方案解决了科学家在多个领域面临的重大挑战和机遇。”

获奖研究亮点

大奖：将蛋白质置于计算显微镜下

Dr. Qiao 在诺贝尔奖获奖研究基础上，运用生成式 AI 技术预测蛋白质折叠，并使用先进的机器学习技术创建动态模型，展示折叠蛋白质如何随时间变化，以及它们如何与较小分子相互作用。这一“计算显微镜”能够以惊人的速度和准确性预测蛋白质行为，为药物发现提供了强大的新工具。“我们正在以前所未有的规模解锁绘制这些分子相互作用的巨大机会，并利用这一点快速开发新药物和治疗方法。”Dr. Qiao 表示。

优胜奖：聆听大脑的隐秘合唱

目前，神经成像技术的突破使研究人员能够监测单个神经元的活动，而 Dr. Nair 正在使用 AI 揭示神经元相互作用时出现的隐秘合唱与和声。他的研究表明，这些相互作用形成持久的、自我延续的模式，可以独立于任何单个神经元的活动来编码和调节持久的心理或情感状态——如兴奋、愤怒或饥饿。他的模型还揭示了，这些持久的网络效应是由作用缓慢的神经肽（neuropeptides）介导的，这使得它们随着时间的推移更加稳定。

优胜奖：了解沿海水域如何吸收二氧化碳

世界海洋吸收了约四分之一的人为二氧化碳排放，但人们对沿海海洋在推动全球海洋碳汇方面的作用知之甚少。Dr. Roobaert 使用神经网络融合全球卫星数据和来自沿海二氧化碳测量的 1800 万个数据点，创建了第一个沿海水域二氧化碳吸收的高分辨率模型。通过将零散数据集连接起来，她的方法为世界海洋的健康状况及其在气候学中的作用提供了真正的全球性概览。

奖项设置与后续活动

大奖得主 Dr. Qiao 获得 3 万美元现金奖励，其论文会发表在今天的《科学》杂志印刷版和在线版。优胜奖得主 Dr. Nair 和 Dr. Roobaert 各获得 1 万美元现金奖励，论文将在《科学》杂志的在线版发表。所有获奖者还将获得《科学》杂志在线版五年订阅，并成为荣誉陈氏学者（Chen Scholars）。

2025 年 10 月 27-28 日，三位获奖者将在旧金山举行的首届“天桥脑科学研究院 AI 驱动科学研讨会”上展示他们的研究成果。他们还将与诺贝尔奖得主 Dr. Jennifer Doudna、Dr. David Baker，以及其他全球顶尖学者、行业领袖和研究人员同台交流。研讨会面向公众免费开放，需要注册参加。详情请访问：https://aias2025.org/

2025 年度的“AI 驱动科学大奖”申请通道将在 8 月开启，我们热情欢迎广大青年科学家们在 https://www.cheninstitute.org/prize 提前注册，以便及时收到通知。申请者应在 AI 相关的领域工作；在申请时持有医学博士、哲学博士或医学博士/哲学博士学位，并在过去 10 年内获得该学位。

同时，欢迎您加入我们的科学社区，并申请成为 AIAS 会员，以获得更多的权益。申请邮箱：AItalents@cheninstitute.org。