ICAIS 2026 圆桌实录：诺奖与图灵奖得主对谈 AI 未来

原创 金色传说大聪明 2026-10-19 11:58 北京

实录

这个周末，有幸在北京中关村学院参加第二届国际人工智能科学家大会（ICAIS 2026）

会场有很多有意思的圆桌，比如其中一场上，三位中学生和两位诺奖得主、一位图灵奖得主坐成一排，展开了一场两代人的对话

左起：郝策、亚吉、莱维特、唐加拉、关浩祥、冯子上、王子徐、许静涵

另一场圆桌则是纪念达特茅斯会议 70 周年，最后每位嘉宾写下一条十年预测，封进时间胶囊

左起：刘铁岩、莱维特、唐加拉、唐杰、马骁、何纪言

两场原话都是英文，我给翻成中文，然后优化了排版

起源

1956 年夏天，麦卡锡、明斯基、香农等人在达特茅斯学院开了一个暑期研讨会，提出了：“人工智能”这个词

70 年后，ICAIS 2026 的主题是“溯源 AI 初心，拓界科学探索”，10 月 17 日到 19 日，在北京中关村学院和中关村人工智能研究院开三天。活动由北京中关村学院、中关村人工智能研究院、清华大学、西湖大学主办，芝加哥大学协办

到场的讲者里，也是众星云集有：

• 图灵奖得主：罗杰·瑞迪（1994）、杰克·唐加拉（2021）

• 诺贝尔奖得主：迈克尔·莱维特（2013 化学）、奥马尔·亚吉（2025 化学）、安德烈·海姆（2010 物理，石墨烯的发现者）

• 《自然》总编玛格达莱娜·斯基珀，脑机接口先驱米格尔·尼科莱利斯，以及申作军、刘云浩等中外院士

左右滑动查看 · 共 4 张

论文这边开了五个投稿通道，今年新增了一条少年科学家赛道（Youth Track），专收中学生的论文

开幕当天有两项发布：

• ICAIS 2026 正式成为 2026 中关村论坛系列活动

• 国际 AI 科学家社区成立

社区由六位学生上台发布：北京少年人工智能学院（海淀）的学员姜睦然、庞淞阳、朱悦萱，北京中关村学院的联培博士生仲海天、付少文、于晓飞

大会主席、北京中关村学院院长刘铁岩在开幕致辞里提了三件要事：

• 成立人类重大问题联合研究中心，用 AI 攻全球性的重大科学课题

• 让青年人才更早进入科学探索，直接和诺奖、图灵奖得主对话

• 建一个跨国界、开放共享的国际 AI 科学家社区

圆桌一：智能的下一片疆域

10 月 17 日上午，主会场。主持人刘铁岩让每位嘉宾先给一座想象中的“AI 博物馆”捐一件展品，接着聊方法、聊冬天、聊开源，结尾每人写一张卡片，封进时间胶囊，2036 年再打开

群聊成员（6）

刘铁岩北京中关村学院院长、中关村人工智能研究院理事长｜主持

迈克尔·莱维特2013 年诺贝尔化学奖得主，斯坦福大学教授

杰克·唐加拉2021 年图灵奖得主，田纳西大学教授

唐杰清华大学教授

马骁中国科学技术大学教授，数学家

何纪言北京中关村学院导师、中关村人工智能研究院研究员

致敬达特茅斯 70 年：智能的下一片疆域

10 月 17 日 11:10

刘铁岩

70 年前，达特茅斯会议给一个非凡的野心起了名字：人工智能。今天我们想问几个新问题：这 70 年能不能告诉我们下一个十年？到 2036 年，AI 应该给科学贡献什么？

给 AI 博物馆捐一件展品

刘铁岩

先来点不一样的。我们来想象一座很小的 AI 博物馆，请每位捐一件展品：一个物件、一项技术，甚至一次失败都行

Michael 先来？

迈克尔·莱维特

我应该开场前先把题目读了的……

刘铁岩

谁准备好了？

杰克·唐加拉

我先来。大约 40 年前我刚入行，参与开发了一套解线性方程组的数学软件，叫 LINPACK。它开源、免费、可移植，在当时也够快

我想捐的是 LINPACK 的用户手册。手册里后来长出了一个东西：LINPACK 基准测试。现在全世界的超级计算机按它排名，排到第 500 台为止，这份榜单已经记录了三十多年

迈克尔·莱维特

我的答案不太有原创性。回头看，对我来说真正的一大步，是 90 年代中期在笔记本上用上 Linux：突然间腿上就放了一台大型机，虽然很慢

计算变得能随身带走，这件事我一直很喜欢

唐杰

今年是我在清华的第 20 年。这 20 年我做了两件事：一个是 AMiner，学术搜索和挖掘系统；另一个是大语言模型

以前我觉得靠知识图谱就能做出理解常识、会推理的智能系统。大约十年前我们意识到，光靠知识图谱做不到，就转向了大模型。所以我两样都捐

刘铁岩

一次捐两件。AMiner 我们做学者的现在每天还在用，GLM 这样的大模型也确实改变了我们的生活

马骁

我做数学八年，主要是偏微分方程。我能捐的，大概是我写过的几篇论文，它们成了现在大模型的训练数据

我现在关心 AI 和数学的交叉。AI 会生成很多错误的事实、错误的证明，还有跟用户意图对不上的代码，所以我在做下一代的 AI 验证系统

刘铁岩

不光捐展品，还捐了一份训练数据

何纪言

如果只选一样，我捐一张训练 loss 曲线的截图

曲线就是一路往下走，模型越来越好。但这根简单的线背后，是建集群、造芯片、设计架构、优化算法、做评测、收数据、处理数据。现在我们跟 AI 聊天、跟 AI 一起干活，都是从这根线来的

大家都在用 Transformer，是好事吗

刘铁岩

我记得 30 年前，AI 领域的方法非常多样。Michael 说过，进化奖励多样性

但今天大家几乎都收敛到同一条路上：大 Transformer，甚至连训练工具链都统一了。这对整个领域是好事还是坏事？

迈克尔·莱维特

这个角度很有意思，也挺让人担心。多样性是好东西，因为未来是未知的。面对未知的未来，你得像个好的银行家：这个买一点，那个也买一点

如果大家都一样，就没有组合可言；只要有两样东西，组合就是无穷的。也许我们现在只是处在摘低垂果实的阶段

说实话，我的第一反应是掏出手机，问问 ChatGPT 它怎么看计算领域的多样性

杰克·唐加拉

我同意 Michael。Transformer 是一套非常丰富的工具，把领域推得很快，但也因为大家都盯着它，这个领域失去了多样性。我希望往后不要只押这一条路

做研究就要预期失败。失败是研究的一部分，做了然后失败了，不是坏事

刘铁岩

问问我们的数学家。数学家通常不信一种方法能解决所有问题

马骁

我的看法不太一样。数学和计算机里有个很基本的概念，图灵完备：一台图灵机可以模拟任何其他计算机能做的事。我们早就相信，存在一个能做一切的通用东西

那为什么图灵机不是 AGI？因为它需要指令。笨的图灵机执行一个任务需要非常长的指令；越聪明的智能，需要的指令越短。而要把指令变短，就需要越来越多来自聪明人的数据

在数学上，早期的 AI 不光要题目，还需要人给思路和方向。现在，它只需要题目本身

刘铁岩

纪言，这个问题对你可能有点难。按你的年纪，你开始做 AI 的时候，收敛大概已经发生了

何纪言

工业界确实都在 Transformer 上，但它还有局限，学术界很多人在走不同的路线。AI 的发展靠的就是这些不同路线。十年后 Transformer 还是唯一的路吗？我不这么认为

刘铁岩

最后问唐杰老师，因为你是真正在带队做大模型的人。你会怎么押自己的时间和资源：跟着现在的潮流，还是拿出足够资源去造下一波？

唐杰

这个问题很难。我们每周，甚至每天，都要决定 GPU 和时间花在什么研究上

范式变了。以前 AI 从数据里学：拿数据、打标签、训模型。现在 AI 开始从人身上学，学人怎么解难题。比如律师处理一个很难的案子，可能有上千步，机器怎么理解这些轨迹、从轨迹里学？光是收集轨迹就很难。这件事比算法本身更重要

再往后，AI 要能自己搭环境，并在环境里判断自己的结果对不对

所以多样性的含义也变了：以前是算法和任务的多样，现在是人类解决难题的方式的多样，将来是环境的多样

我们的做法是：大部分 GPU 押在主线上，包括新架构，比如 loop Transformer；同时留一小拨人、一小部分卡，做完全不一样的方向，比如让 AI 完全自我训练

刘铁岩

主力押主线，同时留一部分做探索。我自己的看法是，AI 分层：最底层的基座模型确实在收敛，往上的 harness 层、agent 层，还有大量不同的探索

今天是 AI 的黄金时代，不光 AI 科学家，自然科学家也每天在用 AI。但别忘了这 70 年里的 AI 寒冬：那些年 AI 科学家没经费、没资源，只能离开自己热爱的方向

AI 会不会再迎来冬天

刘铁岩

Michael，计算生物学有过“冬天”吗？那种没人相信这个领域、拿不到经费的时候

迈克尔·莱维特

我觉得没有。计算生物学很大一部分工作是分析实验数据，只要实验学家还在产出数据，就有数据可分析

AI 的冬天，大概是过度承诺的结果。说到现在，我确实有点担心：我依赖非常非常便宜的 token，如果哪天 token 贵 100 倍，我会很不开心

还有等待时间。用 agent 最大的不同是你要花很多时间等。我开五个 agent 可以轮着切，但还是要等很久。要是等待时间再翻一倍，我大概会回去自己干很多事

有时候我会为自己用掉的 token 的能耗感到过意不去。真聪明的话，我应该在笔记本上跑一个开源模型，或者至少在旁边再放一台。但这样的东西现在还没有

刘铁岩

冬天有时来自过度承诺，有时来自选错方向。Rich Sutton 讲过“苦涩的教训”。Jack 怎么看？

杰克·唐加拉

AI 已经经历过它的冬天了，而且早就过去了。当时炒作太多，没兑现，于是经费和研究都低迷了很长一段时间。今天正好相反，是黄金时代

计算领域里，我觉得量子计算很快就要进入冬天了，如果还没进的话

唐杰

我对 AI 一直很乐观，从读博开始就做这个领域，我也相信将来能实现 AGI

我能想到的唯一一种冬天是：模型在 benchmark 上越来越好，却做不了可靠的完整工作

拿 OpenRouter 举例，它算是全世界的 token 超市。如果有一天所有 benchmark 上的分数都在涨，OpenRouter 上的用量却在掉，那可能就是下一个冬天了

刘铁岩

问问数学家。AI 一边在帮数学家做出很多工作，一边也在替代你们。数学会因为 AI 迎来冬天吗？

马骁

这要分两半说。数学这门学科不会，AI 产出了大量新结果。更重要的是，AI 不光会解数学题，还很会把别的学科的问题化归成数学问题。我的预测是，未来十年 AI 会大大拓展数学的边界

但对数学家，挑战很大。一是 AI 在替代数学家的一部分能力；二是 AI 生成的证明太多，其中有错的，数学家需要更好的组织和工具，去检查 AI 的证明、计算和想法。我们得快速适应 AI，同时开发更好的办法，去验证、消化 AI 的输出

何纪言

可能我太乐观了，我想不出 AI 有什么理由迎来冬天。智能是通用的，不只服务某一个行业：太空探索、芯片设计、能源，要做的事太多了。十年后，我们对待 AI 会像今天对待电一样，到处都是，没人会特意提它

我和马骁讨论过一个更危险的点：AI 不会有冬天，但它可能给很多其他行业带来冬天

刘铁岩

要防止冬天，一要对 AI 能做什么、不能做什么有正确的预期；二要及时反思技术路线，比如路线收敛到一条是不是健康；三要让 AI 产生真实价值。如果 AI 只在评测里表现出色，却没有产业和社会价值，那会非常危险

从零训练一个模型，然后全部开源

刘铁岩

纪言今年夏天带着七个博士生，从零训了一个模型 ZGCM-1，然后把源代码、配方、数据、日志全开源了。讲讲背后的故事？

何纪言

起因是一次和学生吃饭。我们看了很多技术报告和论文，里面都说“我们清洗了数据”，都说数据质量最重要。但怎么清洗？去掉哪些？用什么指标衡量质量？没人告诉你

我们在推理时、agent、harness 上做了很多研究，但不知道智能到底从哪来。所以我们定了个目标：从零训一个中等规模的模型，不只是训个基座，而是从设计架构、收数据、处理数据到训练，全部自己来

这个夏天我们真的做了。用有限的资源训了一个 70 亿参数的大模型，三个月，最后把整个过程都放了出来：GPU 集群管理、基础设施、训练框架、推理框架、数据、模型权重

刘铁岩

我听说这个过程中你们不只用了人，还有成百个 agent 一起搭框架、做训练？

何纪言

我们团队很小。大公司从零训一个模型，通常要上百人，我们只有几个人，所以非常依赖 AI 写代码、管实验、做分析

有一些有意思的发现。比如写 GPU 算子，AI 真的很厉害，我觉得比我写得好；但在系统设计、架构设计上，AI 还不太行。我们得喂给 AI 多得多的数据，帮它建立对一个大系统的全局视角

刘铁岩

唐杰老师那边，可能不是 70 亿参数，而是总共 1T 参数；不是七个学生，而是几百个同事，GPU 也多得多。工业规模上，会遇到哪些小实验里碰不到的难题？

唐杰

我想说的还是 scaling。现在最重要的不是某个模型在某个 benchmark 上的表现，而是你的方法能不能 scale。有了新想法、新算法，最要紧的是它能随着模型规模、数据规模一起放大

以前 AI 从数据里学，我们 scale 数据和模型；现在模型要从人身上学，所以我们和大量不同领域的专家合作。将来，AI 要搭几百万个环境，从几百万个可扩展的环境里学

刘铁岩

纪言故事里还有个关键词：开放。Jack，你捐给博物馆的 LINPACK 也是开源的，而且是在大家谈开源之前很早的例子。大模型这件事上，开源、开放权重、全部开放，对社区健康发展有好处吗？

杰克·唐加拉

开放获取信息是必需的。它促进理解，让结果可复现，让人能找出现有东西的弱点，也让社区参与进来，一起把模型做好

从软件的角度，这正是我们想要的。开源能让软件、让模型活得比不开源时长得多

刘铁岩

我补充一点。大公司有资源、有流水线训模型，但生物、化学领域的科学家可能没有。他们只能花 token 在上层做 harness 一类的探索。生物学家想从零训一个生物模型怎么办？我们需要一个端到端的开源工具包

预测，还是模拟

刘铁岩

Michael，你在报告里也提到了 AlphaFold。它是预测模型：给一条氨基酸序列，预测蛋白质折叠成什么结构。而你的工作是基于第一性原理的数值模拟。有些问题预测就够了，有些还得靠模拟？

迈克尔·莱维特

先澄清一点：AlphaFold 不是拿一条序列预测一个结构，它是拿上千条不同的序列，预测同一个结构。它利用的是“不同的序列，答案相同”这件事。自然界是靠物理做到这一点的，我们做不到

至于蛋白质、生物系统怎么变化：决定它结构的那些力，也决定它怎么变化。不理解物理能不能预测这一点，还不清楚

AlphaFold 是个很特殊的情况。自然界用的字母表很小；而且一种蛋白质形状一旦演化出来，就会被反复使用，所以形状的种类比序列少得多，序列空间到结构空间是高度收敛的映射

回到你说的专门的生物模型，我其实觉得现有的语言模型加上文献，已经非常强了。我们真正需要的，是一个完全能通过计算机访问的实验室

大部分科学是实验科学。想象一下，不再是每个人在自己的实验室做实验，而是有一个由机器人做实验的中心设施，你只要拨进去说：请用这个、这个和这个做个实验。有了这个，AI agent 就能自己跑实验了，这件事重要得多

有人说要开发专门的生物模型，处理大量序列数据时可能有用。但通用模型其实好得出人意料

可验证的奖励从哪来

刘铁岩

现在训模型常说 RLVR，VR 指可验证的奖励：任何预测或决策，都需要一个反馈回路来验证它对不对。生物里也许是自主实验室，数学里也许是形式化证明。马骁、唐杰，要不要为此额外做点什么，甚至造新的仪器？

马骁

一两年前，模型确实依赖 Lean 这样的形式化验证语言，因为模型自己没有验证能力。比如你在 Lean 里用一条定理，软件会帮你检查它的前提条件是不是成立

但今年 AI 越来越强、越来越 agentic，大家发现它直接用自然语言就能做这件事：检查前提条件，它自己查，不用调工具。所以数学里的验证越来越依赖自然语言

AI 的任何能力都不会凭空出现，背后要有数据撑着。逻辑验证这块，问题差不多解决了。但验证不只是判断绝对正确：解题时要在很大的空间里搜索，有大量候选，在搜索早期就做验证，能省下大量资源。这种早期搜索阶段的验证，现在还没解决

唐杰

验证非常重要，没有验证 AI 就学不了。所以每次建立 AI 的新范式，我们总是从数学和代码开始，因为它们容易验证

现在我们在做长程任务、复杂任务，就得请人来标注。标的不是数据，是环境：数据、奖励函数，甚至强化学习本身。所以我们合作的不是普通标注员，而是领域专家

刘铁岩

所以搭环境本身也是一个研究课题。我们不能只研究算法和模型，还要研究怎么自动地搭环境

年轻人向前辈提问

刘铁岩

70 年前达特茅斯那批先驱，都只有二三十岁。今天台上也有两位这个年纪的年轻研究者，纪言和马骁。给你们一个特权：可以向台上的前辈问一个问题，问什么都行

何纪言

这个机会难得。我问唐老师：AI 圈的焦点变得太快了，今年就有上下文工程、agent、OpenClaw、网络安全、AI 数学，一堆热词。你怎么判断哪个最值得做？你说你要决定 GPU 怎么分给各个项目，你是怎么决定的？

唐杰

很难的问题。我能分享的，是我当助理教授时的经验。2006 年我从清华毕业留校，很年轻，没有经费，没有博士生，连硕士生都没有，只有本科生

第一，不追热词。现在 AI for Science 很热，大模型很热，AGI 很热，你不需要去追这些词，追的是词底下的东西。挑一个小的、真实的问题，不是 AGI 那种大问题。真实的意思是，明年热词全换了，这个问题还在

第二，找一个 benchmark 评估自己。就像 AI 能验证自己一样，你也要找到能验证自己能力进步的东西

第三，在做系统、做研究之前，先找到真实的用户。没有真实用户，你的研究多半也有问题

我们自己也一样。以前做非常通用的模型，去年我们转向了代码模型。代码很窄，但很重要，因为代码能验证：有代码 benchmark，每个工程师都是 benchmark；工程师和开发者也都是用户，他们是真想用大模型

马骁

我问 Michael。最近 AI 数学有很大突破，OpenAI 最近发了大约 700 篇论文，几乎解决了数学某些分支里所有的公开问题。你能预测生物学什么时候会出现类似的事吗？比如明年，生物学会不会有某些分支被 AI 彻底解决？

迈克尔·莱维特

好问题。数学和自然科学有个很大的区别：在自然科学里，你很难列出一张“未来 20 年都解决不了的问题”清单，因为我们的语言本身没有告诉我们

比如地球上的生命是怎么起源的，这是个非常难的问题，它甚至可能是偶然，取决于实验证据，而不是理论问题。数学里一切都由数学框架定义，自然科学没有这样的框架

你说话的时候我在想，数学家应该让 AI 再写 500 道未来 100 年都解不出的题。在我看来这有点作弊：想出问题、定义问题，本身就是大部分工作。如果我能把一个生物学问题定义得非常好，它就很容易解了

还要记住，像我做的这种计算工作，完全依赖实验。我们很多工作是给实验学家做工具

刘铁岩

最后请 Jack 给两位刚起步的年轻科学家一些建议

杰克·唐加拉

我通常跟学生讲四件事

第一，找到你有热情的东西，然后去做。找到那个你非常在乎、满脑子只有它的领域，跟着热情走

第二，做研究就要预期失败。失败是过程的一部分，不是坏事，它是学习、理解、继续往上搭的一部分

第三，别挑太容易的问题。挑那些你觉得难、别人也觉得难的问题，去攻

第四，建立人脉。和人交流想法、分享想法，让别人帮你解决问题，你也同样帮别人

台下提问

台下观众

我是一名硕士生，做具身智能和医学影像。莱维特教授，您说您每天做研究都问 Claude、GPT，但 token 很贵。我们普通学生只能在 DeepSeek、Kimi、GLM 这些里面权衡，您有什么办法平衡吗？

迈克尔·莱维特

好问题。我在斯坦福，学校给我们开了 Claude 的订阅。我自己还订了 GPT 和 Gemini

我常做的一件事，是让 Claude Code 去和别的 agent 讨论问题。我搭了一个连 GPT 的接口，大概也该再接一个便宜的 DeepSeek

斯坦福不让我们用 Fable。我可以自己私人订一个带 Fable 的 Claude，然后让斯坦福的 Claude Code 去问 Fable

让不同的 agent 互相讨论非常有用。一个 agent，或者说一段和 agent 的对话，常常会形成某种性格；换一个 agent 是另一种性格，让它们互动，会产生意料之外又有用的东西

台下观众

我是北京邮电大学的本科生。唐加拉教授，LINPACK 给了计算领域一把公平的尺子。机制可解释性要不要也建一个 LINPACK 那样的标准化 benchmark？

杰克·唐加拉

我一直觉得，多一些 benchmark 去探测系统、找它的弱点，是好事。我支持有多个 benchmark，甚至互相竞争

但要造一个能活很久的 benchmark 很难。我们想要的 benchmark，能展示出长期趋势，所以它得有自己的生命，能随着硬件和算法的变化调整。你的想法我完全支持

2036 时间胶囊

刘铁岩

最后一个环节，预测未来。工作人员会给每人发一张卡片，请写下一个具体的预测：未来十年，你的领域会发生什么。我们把卡片收进胶囊，大概在 ICAIS 2036 再打开，看看预测靠不靠谱

写好的请举手，简单分享一下你写了什么

唐杰

我预测的当然是 AGI，因为我就做这个。AGI 的定义是：所有人的智能的总和。它取决于完全的自我训练，也就是 AI 能自己学。我的信心是 80%

会让我修正这个看法的证据是：我们能不能实现 FSI 或 RSI

何纪言

我的预测跟唐老师类似：AI 能完成我今天 99% 的日常工作。前提是 AI 足够可靠、稳定，能长时间运行

刘铁岩

那到时候你得找点别的事干了

何纪言

希望如此

马骁

我的也类似：到 2036 年 AGI 会实现，而且我预测了具体路径：把一切化归为数学和代码

怎么算成功：AI 能在没有任何人参与的情况下造出航天器。我的信心大约 80%

刘铁岩

看来到那时候，数学还是很重要

杰克·唐加拉

我从科学计算的角度预测，这也是我的一个担忧：将来的硬件上，可能不再有 64 位浮点运算

因为现在的硬件是 AI 驱动的，而 AI 不需要高精度。所以我预测，科学计算会被迫依赖更低的精度，被迫真正用上混合精度

迈克尔·莱维特

我预测，到 2036 年，人类和机器人和平共处

怎么算成功：没有发生人机战争。这取决于周围到处都是智能。我的信心中等，35%。任何反面证据都会让我重新考虑

刘铁岩

我们从一座迷你 AI 博物馆开始，用一个时间胶囊结束。谢谢各位

圆桌二：两代人的对话

第二天上午的圆桌叫“两代·双程”。台上一边是两位诺奖得主和一位图灵奖得主，另一边是一位博士生和三位中学生，年纪最小的许静涵读初三

这一场由学生提问，前辈回答

群聊成员（8）

郝策北京中关村学院助理教授｜主持

奥马尔·亚吉2025 年诺贝尔化学奖得主，清华大学讲席教授

迈克尔·莱维特2013 年诺贝尔化学奖得主，斯坦福大学教授

杰克·唐加拉2021 年图灵奖得主，田纳西大学教授

关浩祥中国科学技术大学与北京中关村学院联培博士生

冯子上北京少年人工智能学院（海淀）学员，北京师范大学附属实验中学国际部高二

王子徐北京少年人工智能学院（海淀）学员，北京市十一学校高二

许静涵北京少年人工智能学院（海淀）学员，清华大学附属实验中学初三

两代·双程：AI 科研的回望与前行

10 月 18 日 10:45

郝策

“两代·双程”的意思是，两代人都在台上：教授们在今天这波 AI 变革之前很久就开辟了自己的路，学生们的路才刚刚开始

经验可以给好奇心指方向，好奇心也可能把经验带到意想不到的地方。今天两轮问题，之后留给台下

怎么选方向，怎么才算理解

郝策

一项科学成就背后，往往是一段很长的旅程，一篇论文装不下：坚持一个不确定的想法要耐心，有时要坚持几十年；改变方向要勇气；在复杂系统里认出什么重要，要判断力

我在伯克利读书时做自动驾驶和机器人，也常遇到这种不确定。今天学生们也有同样的问题。浩祥，你先来

关浩祥

我是关浩祥，北京中关村学院的博士生，研究大模型高效训练和 agent 系统。我想问亚吉教授：读博的时候，研究没有进展，常常很难判断是方法不对，还是坚持得不够。您遇到过这种两难吗？是怎么决定的？

奥马尔·亚吉

很好的问题，谢谢你有勇气站出来问。记住，值得做的研究，是以前没人做过的研究。你是走进一个未知的世界，没有蓝图，没有通向发现的现成路线

我首先想的是：我在学习。我在学习我选的这个课题。如果你这样想，你会比那些“我要到达某个终点，给我一张通往成功的蓝图”的人做得更好。让这个系统、让科学本身引导你，你要对观察结果把你带向哪里保持敏感

有了这种心态，实验没做出来，你会觉得那是学习的一个增量，而不是失败

另一面是，年轻时，比如读研时，你会拿到一个研究任务，然后一次次失败。几个月后你开始问自己：我真的适合这个吗？我对化学的热爱够吗？我是不是不够聪明，没有当科学家的天分？

这一定会发生在你身上。为什么？因为你在研究未知，得不到你想要的。这正是研究的美妙之处：等你学到足够多，你会有所发现，那比照着菜谱做出来的东西值钱得多

你会无数次怀疑自己，但这对你的品格有好处

关浩祥

现在 AI 很强，您会用 AI 帮您学习不熟悉的课题吗？

奥马尔·亚吉

我是做合成化学的，喜欢做新化合物。作为科学家，我得保持开放。我看到我的学生在玩 ChatGPT，我意识到：哇，这对我想做的事可能很有用

我的学生要花大量时间试错，去找合成某种目标新材料的条件。那为什么不用它来做这件事？那时候大家用 ChatGPT 做化学，根本不是用来做科学，是拿来做文本挖掘之类的

所以要对其他领域跨界发生的事保持开放，技能、资源、改进的想法，甚至另辟蹊径的机会，都在那里

冯子上

大家好，我是冯子上，北师大附属实验中学国际部高二。我想问莱维特教授：您早期研究蛋白质折叠时，用了简化的分子表示，没有保留每个原子的细节

这让我很纠结：我们有时用简化模型，是因为全算太难；但往往也是通过简化实验，才知道哪些东西可以忽略。有没有什么跨学科的原则，帮我们选对简化的方式，带来真正的理解，而不只是事后解释模型为什么成功？

迈克尔·莱维特

简化在两方面很重要。最明显的是计算：复杂的模型要更多算力，任何时候你都得选一个简单到能算得动的模型。一个模型再好，算不动，也不适合做计算建模

但简化在科学里的意义宽得多。据说爱因斯坦说过，一切都应该尽可能简单，但不能更简单。这句话很聪明：你要试着把东西化简到只剩本质

这对向别人讲清你的工作很重要，对你自己理解你的工作也很重要。我们常常低估了自己要花多久才能理解自己在做什么。我们说“理解了”某个东西，其实是选了一个能把一切抓在手里的简化层次

我还没仔细想过这跟大模型、AI 有什么关系。不过我经常让我的 agent 把东西解释给我听，就当我是个六岁小孩。因为它们一上来就满嘴术语，我就听不懂了

冯子上

简化在我的研究里也很重要。我有一篇论文研究大模型的表征机制，用两个坐标轴，一个是可解码性，一个是可控性。这样简化，能帮我更好地理解大模型的内部工作。您有类似的例子吗？

迈克尔·莱维特

我有很多在不同简化层次上思考问题的例子。用低维表示，像你这样，是很自然的做法；忽略细节是另一种

我现在在研究 DNA 在染色体里怎么折叠，我把 20 万个原子用三个点来表示。这是巨大的简化。就像你说的，你不知道这个简化准不准，其实你知道它不准。问题是：它管不管用？简化如果管用，就没问题

许静涵

大家好，我是许静涵，14 岁，清华大学附属实验中学初三学生，想成为一名年轻的 AI 研究者，在 AI 和科学计算的交叉方向做过一些探索

我想问唐加拉教授：LINPACK 每天被调用几十亿次。作为高性能计算的先驱，回看那些关键的十字路口，哪个选择让您特别庆幸？为什么那样选？

杰克·唐加拉

谢谢。我觉得我走到今天这个舞台的路，拐了很多弯，很大程度上是机缘巧合，很多路我事先根本预测不到

我一开始想当高中科学老师。本科读的是一所培养未来教师的师范学校。本科最后一个学期，有人鼓励我去申请国家实验室的一个项目：跟着一位科学家待一个学期

那个学期改变了一切。我去了政府实验室，跟着一群研究者开发软件算法，这些软件要免费开放，还要能在当时所有的计算机上移植。我被扔进这个组，沉浸其中，然后找到了我的热情

于是我放弃了当高中老师，转去做计算机科学和研究

常有人问我：怎么才能像你一样？怎么才能拿图灵奖？我很难回答，因为我的路一点也不直，有些决定理由很好，有些理由没那么好。最重要的，是追随你真正有热情的东西，然后尽力做到最好

王子徐

我是王子徐，北京市十一学校。莱维特教授，您是怎么、在什么时候迈进计算生物学的？这个决定是怎么做的？对我们这些要面对同样选择的年轻人，您有什么建议？

迈克尔·莱维特

大家要意识到，生活里充满意外和机缘，很多事你没法提前规划。我在某种意义上非常幸运，我觉得大多数成功的人都有很多运气

我真正的兴趣是数学和物理。16 岁那年，我看了一个电视节目，主讲人是前一年的诺贝尔奖得主约翰·肯德鲁，讲生物学本质上是由 DNA 和蛋白质的物理驱动的

我突然发现，生物学这门在我看来又乱又血腥的学科，其实是物理。我开始对一条氨基酸链怎么折叠成蛋白质着迷。16 岁我什么也做不了，但这件事一直在我脑子里，读大学、开始做研究，都带着它

真的是运气。如果我没看那个节目，就不会看到这些，它改变了我的整个方向

好奇心非常重要。我到今天还带着它，我常把自己想成一个七岁小孩，一直问“为什么、为什么、为什么”，把妈妈都快逼疯了。在 AI 时代，问为什么更加重要

还要对机会保持开放。有什么东西冒出来，别说“这不在我的五年计划里”，试试看。在人生早期，五年计划对国家很好，对个人没那么好。所以要灵活，要好奇，敢接新东西

王子徐

哪种品质对您的事业帮助最大？能讲个小故事吗？

迈克尔·莱维特

还是好奇心。我真正热爱的是计算机。那是 1960 年，我大概十三四岁，听说计算机能下井字棋。我当时以为计算机只会算数，它居然能玩游戏？这让我非常着迷

17 岁时，我妈妈送我去上计算机课，那时候的计算机用的是穿孔纸带，非常奇怪。总之，机缘巧合之下，我进了计算机这一行，后来又做了计算生物学，因为当时实验生物学里计算机很重要

我写了差不多 60 年程序，直到三四个月前。现在我所有的程序都是 Claude Code 替我写的。我还能写，但已经不一样了

郝策

我也分享一个故事。我十三四岁上初中时，大概做出了我最早的 AI agent：我那时很爱玩游戏，3D 游戏里要控制角色收集物品、打怪，我就写了一个非常原始的脚本，让它替我操作鼠标键盘

从那以后我就迷上了自主系统和机器人。2018 年去伯克利读研，遇到了做控制和机器人的富塚教授，他说要追随梦想。我就去学了最优控制、非线性系统，在这条路上走了差不多十年

AI 时代的科学发现，和年轻研究者

郝策

第二轮的主题是 AI 时代的科学发现和年轻研究者的成长。AI 让我们想象的不只是更快的研究，还有新的发现方式

在中关村学院，科研是教育的核心。我带博士生做真实的问题时，常在想：怎么让他们为一个还没成形的未来做准备。我预测不了 AI 会把世界变成什么样，所以我希望你们不只是继承我们这代人的知识和问题，还要有理解和勇气，提出你们自己的问题

冯子上

我想问亚吉教授。哲学家玛格丽特·博登把创造力分成三种：组合式，把已有的东西重新组合；探索式，在已有规则下探索新东西；变革式，打破已有规则，在新的概念空间里发现新东西

我觉得 AI 在第一种上已经很强，第二种在进步，第三种还很欠缺。而您的网状化学，在我看来就是第三种创造力。AI 要达到第三种，必须跨过什么障碍？

奥马尔·亚吉

按你的分类，第三种创造力要求你问真正的大问题。更重要的，也是我们人类很难做到的，是说一句：我要脱离所有人都在说的东西

每个领域都有教条，都有一些很有权势的科学家告诉你这行不通，有些东西被当成信条，大家默认它不可能。做第三种创造的方法，就是把这件事当成你的研究问题

很多人不敢，因为觉得风险太高、会失败。但只要你在做实验，成功就是确定的。每次实验都在增加你的知识，最坏的情况，是你发现了和预想不同的东西，那也是好事。而一路学下来，在解决那个“大家都说解决不了”的大问题上，你已经领先所有人

我当时是助理教授，想拿终身教职，但我还是接了这个挑战。我跟自己说：我能损失什么？拿不到终身教职，我可以去工业界，挣三倍的工资

所以我冒了这个险，非常值得。我对我们组的成功很有把握，因为研究就是学习，学得越多，决定就做得越好

冯子上

那 AI 要做到同样的事，必须跨过什么障碍？

奥马尔·亚吉

AI 要做出这种决定，还有很长的路。但它会来的。我们和它交互得越多，我越能把我的故事具体地告诉它，把我的经历里哪些行得通、哪些行不通，全部记录下来放进模型，它就学得越好

只要能度量、能放进模型，模型就能做到，假以时日，大概比我做得更好。所以我看不到什么障碍。障碍在这里（指了指脑袋），是我们的思维方式，而不是实验的能力

许静涵

唐加拉教授，如果您带着现在对科学的全部理解回到 14 岁，您还会用同样的方式去学数学公式、物理定理吗？AI 已经能帮我们写代码、分析数据，年轻人进入科学的路要变吗？

杰克·唐加拉

我会说，今天打好基础比以往任何时候都重要：要深入理解数学、物理和其他学科，包括计算机科学，这样我们才能验证 AI 告诉我们的东西

要用 AI，但也要理解它给的答案，判断结果合不合理。AI 太容易产生幻觉了：遇到没见过的情况，它就编点东西出来，好给你下一个 token

所以我们要有测试的依据，确保拿回来的结果值得相信，才能用在自己的研究里。不能盲目依赖 AI 给结果

许静涵

能举个具体的例子吗？AI 时代我们可以用什么方法学习？

杰克·唐加拉

拿计算机科学来说，我用 AI 帮我生成代码，我要能读懂这段代码，并在它的基础上改进。它会经历一个优化过程，我要确保优化做的是对的事

这要求我足够理解程序结构、数据结构，理解得出这个解要用的逻辑，才能对它给我的东西有信心。所以测试和验证的方法要更好

王子徐

莱维特教授，AlphaFold 这样的工具已经大大推进了分子结构预测。随着具身智能的发展，AI 可能很快不只是工具，而是能做真实实验，有些实验室已经在开发机器人做简单的实验操作。您觉得机器人要具备什么能力，才能成为实用的研究伙伴？

迈克尔·莱维特

这个问题问我挺奇怪的，我这辈子没亲手做过实验。职业生涯刚开始时我在实验室待过三个月，很快意识到：如果我做实验，我就再也不会相信任何实验学家了。因为我明白了做实验有多难，所以很快就不做了

但我相信可以有自动化实验室，像亚吉教授这样的人也相信。我不认为实验室里非得有人形机器人扮成学生的样子，但原则上可以有通用实验室：我设计实验，写清楚用什么成分、测什么、检验什么，然后提交

就像今天测 DNA 序列一样，大家把样品快递过去，别人做好寄回来。很多化学和生物实验都可以交给机器人做，我说的不是人形机器人，可能是工业规模的机器人。我很期待它们上线的那天，那样我就能重新做实验了，因为那时候靠的不是我的手艺，是机器

王子徐

如果有一天这样的实验室建成了，用起来很方便，和传统实验室比，它最大的优势和局限是什么？

迈克尔·莱维特

我们在很多领域看到，计算机不一定能预测出正确答案，但很擅长缩小选择范围。没有计算模型，你可能有一百万种可能；有了模型，可以缩到一百种，对这一百种做实验就非常有用

所以我看到的是一种组合：用算法缩小空间，用实验室拿到正确答案。这会是一个迭代的过程，科学会越来越多地这样做

郝策

我的研究方向是机器人，也在研究自主实验室，所以也想问问亚吉教授：有人说 GPT-6 已经强到能理解物理智能、影响真实世界。您觉得 AI 改变化学这类物理世界的事，会很快发生吗？还是还有很长的路？

奥马尔·亚吉

全自动实验室，就像我同事说的，已经在运行了，比如做药物发现的。AI 驱动的全自动、自驱动实验室，很快就会跟上，我认为五年之内你就会看到

我们在清华的研究院 AIMATRY 的目标是：一个不做实验的人走到这个“盒子”前面说，请帮我做出这个化合物，到下午五点，东西就送到他办公室。五年内这会成为现实

我想对在座的年轻学者说一句。你们面对的任务很难：未来该选哪个方向？如果我像你们这么年轻，我也会很迷茫

但我也会想，这正是在科学上留下大印记的好时候，因为没人知道该往哪走。几代人的经验告诉我们，最有创造力的人，是能跨越学科边界的人，思想上更灵活的人走得更快

想想莱维特教授。他说他转去做计算是偶然、是运气。不，他说那是因为他好奇，而好奇的来源，是他思想上的灵活。他没说“那个我不做，我只做这个”

你需要思想上的灵活，并且不怕在混乱中工作。现在 AI 该往哪个方向走，正处在一片混乱里。从你们的角度看，这是做科学最好的时候

成功的要素，就是灵活，敢跨界，不说“我是化学家，我做不了机械工程”。你可以。因为你有 AI 帮你做到

关浩祥

唐加拉教授，您在报告里讲到低精度计算，让我想起我训练大模型的经历。我们算力有限，要做很多优化，其中最重要的一项是 FP8 混合精度

从 16 位迁到 8 位精度时困难很多，比如网络里有一些极端的离群值，会丢掉。一开始我们一次次失败，不知道该怎么设计算法。就像亚吉教授说的，失败、失败、再失败，最后终于找到了对的方案，现在已经用在了世界上最强的开源模型之一 GLM 的训练里

这类问题非常复杂，要同时考虑数据和算法，需要很强的系统性思维。年轻研究者很难培养这种能力，您有什么经验？

杰克·唐加拉

你描述的情况非常常见。我们尝试很多东西，失败的次数比成功多，失败就是我们这一行的日常。我们靠学过的本事和工具，一点点撬开一个说得通的解

所以数学基础要扎实，这样你才能从工具箱里掏出对的工具，克服限制、优化结果

得到一个能给出答案的东西，不是故事的结局，而是开始。接下来要更好、更准，还要可移植：不只在一种架构上能跑，在很多架构上都能用

我不想设计一个只对当前这代硬件有效的东西，因为硬件变得很快。你做的东西要有生命力，能延续下去

AI 教不会的时候怎么办

郝策

我现在也是中关村学院的助理教授，选方向、带学生都很难。我做机器人研究时，用 GPT、Gemini 这些工具，学生会问我：老师，我有个东西不懂，AI 也教不会我，您怎么帮我？比如仪器出问题了，查遍课本、问遍 AI，都没有答案

奥马尔·亚吉

说这种话的学生，没有在用正确的方式思考研究。导师会说：研究就是要想办法弄清楚这件事

如果学生说“AI 没给我答案，老师我该怎么办”，那不是研究，那个学生是在找一张蓝图

我想说的是，科学的价值不会改变。科学是观察，经过严格的验证和检验，最终变成事实。不管我们的环境多复杂、多快、多数字化，这一点都不会变

培养下一代伟大的思考者，这件事也不会变。他们仍然需要复杂的经验、不同领域的深厚知识，就像唐加拉教授说的，要有深度知识，才能有宽广的视野，提出伟大的想法

如果那不是 AI，而是实验室里的实验，学生说“我试了，没成功”，你会怎么回？你会问：你觉得为什么没成功？当你一条条听学生讲理由，会发现没有一条是基于事实、基于已证实的科学的。那就让他回去搞清楚失败背后的科学，这本身就是一个研究课题

迈克尔·莱维特

都说得对。这引出一个问题：教育要怎么变。教育有个问题：我们被教的是怎么做对。考试按你有多对来打分，没人教我们怎么发现错，没人教我们接受失败

失败其实非常好，它是一个硬事实：至少这条是错的，那别的大概是对的

我们还要明白，其实没有化学、物理、数学、计算机、生物、经济之分，它们都是一个领域。但大学是分割的，化学系想招一个学化学的人，好让他去教入门课。所以我们需要深刻地重新思考教育

运动有个好处：比赛有人输，没人觉得世界末日了。我担心的是一种让成功太容易、却不教你失败的教育。你几乎可以说，考试排名应该随机

还有一件大家不够重视的事：随机性的力量。接下来这句话听起来会很糟糕，我会被引用，然后惹上麻烦：如果让我往课程里加一样东西，我会加打扑克

扑克是个非常好的游戏：要评估风险，要面对未知，要懂统计，要分辨真假，而且一直有很强的激励

世界不一样了，我们有机会改变。AI 让学新东西变得很容易，30 年前没有互联网的时候，学新东西真的很难

也许我们可以从机器学习里学点东西来改进人的学习：老师一开始什么都不知道，和学生一起学。怎么做？也许把一个班分成一半老师、一半学生

我跟很多科学家聊过，几乎每个人都说自己经常犯错，正是那些错误教会了他们怎么做对。但学校里不教这个，也许应该教

郝策

我喜欢学扑克这个主意。我也跟博士生打扑克、下棋，昨晚还打了。有时候就是会因为概率输，没人能一直走运。手气差的时候，我尽量少输；手气好的时候，就尽量多赢

杰克·唐加拉

我想再回到验证这件事上。要有办法验证系统给你的东西，这太关键了。被误导太容易了，而且后果可能很严重，可能影响你选的方向

你得能信任你拿到的答案，不用精确到最后一位，但要能感觉到它方向是对的。这来自你对这个领域的理解，来自你对“解应该长什么样”的直觉

台下提问

台下观众

我是一名本科生，学人文和物理，对 AI 基础设施、高性能计算和核聚变感兴趣。核聚变研究里最大的计算瓶颈是什么？AI 和高性能计算能怎么解决？

杰克·唐加拉

我不是核物理学家，不懂里面的细节。但高性能计算的瓶颈，说到底在数据和数据移动。任何计算，拖慢速度的都是数据移动，好几代计算机都是这样，往后也会是这样

一台高性能计算机里最贵的部分是数据移动，不是浮点运算，浮点运算很便宜。如果不用来回搬数据，我们的计算机会非常快，可惜解题就得搬数据。核聚变和所有计算科学都一样

台下观众

那应该重新设计算法，还是重新设计硬件？

杰克·唐加拉

我们买计算机的方式很奇怪。正确的做法是：应用领域的人、计算机科学家、数学家、硬件的人坐在一起，设计一台能解决应用问题的计算机

今天我们不这么做。我们说：我有这么多钱，要一台峰值速度很高的计算机。厂商就去拿通用部件攒一台峰值很高的系统，但部件的组合方式，对大多数科学应用来说跑不出高性能

我们需要协同设计。可惜现在这样做太贵了

台下观众

我来自北京一六一中学。亚吉教授，您怎么判断一个研究问题值不值得做？什么心态能帮您熬过漫长又孤独的过程？对中学生和刚起步的研究者，您有什么建议？

奥马尔·亚吉

我的回答很短。看看你周围，找那些大家都说行不通的东西，把它选作你的问题和目标，把大家说行不通的事做成，当成你的挑战

这是让任何人做出和别人不一样的研究的最简单方法。有这种心态，你会找到一个没人解决过的挑战，拿出比别人好的结果

我给中学生的建议是：你们担心得太多了。未来是你们的，机会多得很

你们现在需要的是：一，自律；二，重视道德操守的力量；三，因为相信自己在做的事，就不怕和别人不一样。这三样能让你们走得非常远

我发现现在的年轻人对什么都很担心，这会让他们本该学到的东西短路。所以我说：你们担心得太多了，别担心。花时间去学科学的价值、无偏见探究的价值和道德操守，别跟所有人想得一样。挑战自己，问自己：我怎么才能想得不一样？

台下观众

我来自人大附中。唐加拉教授，AI 研究需要巨大的算力，而算力往往只集中在大公司和研究机构。在算力高度集中的时代，资源有限的年轻研究者怎么做出有意义的贡献？算法上的根本创新能拉平差距吗？

杰克·唐加拉

你不一定需要一台大计算机才能做模型。可以小规模地做，针对一组很具体的问题。那些大模型吃掉大机器，是因为它们收集的数据极其庞大，你可能根本不需要那么多

有些问题需要大机器，但很多问题用你手头的设施就能很简单地解决

算法上的进步非常关键：它能缩短求解时间、降低所需功耗、提高结果的精度

记住，AI 之所以出现，是很多东西在对的时间凑到了一起：今天的硬件能完成我们需要的计算任务；算法比二三十年前好；还有一大批人在非常积极地做贡献

AI 是变革性的。它对社会的影响会超过互联网，这是真的。我们都应该拥抱它。看到这么多年轻人在场，在拥抱这场革命，我很高兴，希望你们的贡献能让我们所有人受益

郝策

时间关系，问答就到这里。最后，请大家上台合影

三天日程

下面是三天的完整日程，标色的是这篇整理的两场圆桌

10 月 17 日（周六）

上午主持：詹姆斯·埃文斯、曹川；下午主持：仲海天

09:00开幕式及致辞；ICAIS 2026 加入 2026 中关村论坛系列活动

09:30罗杰·瑞迪《AGI、ASI 和 AI 权利法案》

09:40迈克尔·莱维特《七十年后：来自人工智能未来前沿的报告》

10:10申作军《知行智能：面向复杂系统的 AI 决策架构》

10:40刘云浩《万物相联万物生》

11:10高端圆桌：致敬达特茅斯 70 年，智能的下一片疆域

12:20发布：国际 AI 科学家社区

13:30米格尔·尼科莱利斯《脑机接口：从基础科学到神经康复的突破》

14:00詹姆斯·埃文斯《面向持续创新的 AI 科学家设计》

14:30特邀报告：马骁、Angelica Aviles-Rivero、尤洋、范昊

14:30北纬诺贝巅峰对话：从脑机接口到人机共生（尼科莱利斯、张致同）

15:30论文专场：Science Journal Track、AI Paper Track

17:30海报展示

10 月 18 日（周日）

上午主持：张博雅；下午主持：张梓航、宋毅丰

09:00奥马尔·亚吉《AI × 物质：选择科学的兴起》

09:45杰克·唐加拉《转型中的高性能计算》

10:15玛格达莱娜·斯基珀《当 AI 成为科研协作者：谁将主导科学探索？》

10:45高端圆桌：两代·双程，AI 科研的回望与前行

12:00发布：青年学者研究成果精选

13:30仇旻《“全民科研时代”即将到来》

14:00罗敏敏《CIBR 脑机接口研发进展》

14:15北纬诺贝巅峰对话：AI 时代的科学发现与青年科研成长（亚吉、唐加拉、仇旻、邓攀、李承平）

14:30特邀报告：唐建、杨健程、陈凯、Alex Lamb、陆子恒、陈洛南、赵晗

15:30北纬诺贝巅峰对话：解码神经密语，AI 时代脑机接口的前沿思辨（罗敏敏、张致同）

16:15论文专场：Youth Track、Sister Conference Track；获奖论文颁奖

17:30海报展示

10 月 19 日（周一）

上午主持：王楚

09:00安德烈·海姆《神奇材料》

09:30特邀报告：汪跃、袁洋、杨耀东

10:15北纬诺贝巅峰对话：AI 时代，下一次科学突破从哪里来？（海姆、陆子恒）

11:15发布：人类重大科学问题联合研究中心

11:20会后活动、海报展示、校园参观

跳转微信打开