来自硅谷的最新研判：人工智能发展的新路径在哪里？

这是一个关于方向的时刻。

2026年5月12日至13日，一批全球顶尖科学家、人工智能先驱、产业领袖与投资人将齐聚硅谷，参加“2026 Science x AI Summit”。这场由科学与人工智能研究基金会（SAIR Foundation）主办的高峰对话，旨在做一件当下科技界最为紧迫却鲜有人系统推进的事：让人工智能的进步从规模驱动的工程惯性，转向由基础科学导航的范式升维。

正如峰会核心理念所阐述的，这是一场为期两天、聚焦前沿的高信号对话，也是定义性年度集结的第一章，专为那些推动AI背后科学进步的先行者而设。从诺贝尔奖、图灵奖与菲尔兹奖得主，到a16z与红杉资本的投资人，从谷歌、英伟达、微软等产业巨头的核心代表，到众多学术界与投资界的建设者，这些力量的汇聚只有一个目标：激发能够推动科学与人工智能共同向前的联结与灵感。

规模定律的终点与科学的入场

过去数年间，规模定律一直是人工智能进步的代名词。更大的模型、更多的数据、更强的算力，推动机器在语言理解、图像生成、蛋白质结构预测等任务上取得惊人突破。然而进入2026年，这套增长公式已显露多重疲态。大模型之间的性能差距持续收窄，高质量可训数据加速枯竭，每单位算力带来的智能增益进入下降通道。“越大越好”的信念在产业界与学界同时遭遇冷思考。

正是在这一背景下，SAIR Foundation在成立之初便做出鲜明判断：“AI提供了速度，但科学必须提供方向。”该机构曾表示：“速度不等于方向。当前形式的人工智能是一种统计学的奇迹，也是科学领域的‘新手’。它优化的是‘看似合理’，而非真理。”

这一判断构成了峰会的思想底座。在两天精心编排的议程中，与会者将围绕“人工智能与科学的前沿”和“人工智能与科学的基础设施及生态建设”两大主线展开高密度讨论，试图将数学的严谨、物理学的法则、生物学的效率逻辑引入人工智能的底层架构，为后规模时代铺设一条系统性的科学路径。

验证：比生成更稀缺的能力

SAIR之所以将根基扎在数学领域，源于一个清晰的判断：在一个真假日益模糊、AI幻觉层出不穷的时代，数学拥有其他学科罕见的“可验证性”。

菲尔兹奖得主、SAIR联合创始人陶哲轩曾在SAIR播客中给出一个极具穿透力的比喻。他将大语言模型的输出比作“一条大流量、高速度的污水水管”，信息洪流奔涌不息却混杂大量不可信内容；传统科学过程则像“一个水质纯净但流速极慢的水龙头”。打通二者的关键，在于建造一个由形式化验证工具构成的“过滤器”。陶哲轩说：“在数学中，我认为我们真的有机会实现这一点，因为我们非常、非常理解验证。如果我们能成功地将AI的‘污水水管’连接到形式化验证的‘过滤器’上，我们就能实现前所未有的目标：大量、可饮用的研究产出。”

正是在这一思路推动下，SAIR将“验证优先”确立为核心方法论，其公开立场明确：“没有验证，就没有真正的科学协作。”

本次峰会上，由陶哲轩发起的“SAIR Competition”数学蒸馏挑战赛最新进展将正式揭晓，旨在通过机器可验证的形式化证明，倒逼人工智能获得真正的推理能力。Lean定理证明器创始人莱昂纳多·德莫拉将发表题为“机器可验证证明：人工智能与科学的基础设施”的演讲，图灵奖得主杰弗里·乌尔曼的主题演讲则将追溯符号逻辑与概率学习的交汇点，为验证体系铺设学术纵深。

当证明不再稀缺，什么才值得追求

峰会前夕，陶哲轩的一个判断引发广泛关注。他指出，数学正在从“证明稀缺”时代迈入“证明过剩”时代。

他为此搭建了一个简洁框架：数学问题求解从来不止一件事，而是三件事——证明生成、证明验证和证明消化。人工智能介入之前，这三项基本由同一批人完成，不存在瓶颈差。但人工智能打破了平衡：证明生成被大语言模型大幅加速，验证由Lean等形式化工具兜底，唯独消化，那个需要人类大脑去理解“这个证明到底意味着什么”的环节，完全跟不上。

陶哲轩用一个工程术语命名这一困境：“阻抗失配”。证明像洪水涌来，人类理解能力的堤坝仍是手工砌成的。他形容道：食物稀缺时，猎来一头鹿无论如何都会受到感激；食物过剩时，陌生人扔下一块生肉转身就走，没人会感激。他直言：“AI最危险的地方，不是它不会，而是它错得太像对了。它把一段推理写得滴水不漏，逻辑链完整，但结论可能完全站不住脚。”

这一判断揭示了一个深层次转向：当“做出证明”不再是最稀缺的能力，科学家最值钱的工作将转向验证它、消化它，将人工智能吐出的“生肉证明”转化为人类真正能够吸收的真知。

压缩即一切：一张给人工智能的数学地图

如果说陶哲轩揭示了“验证”的价值，另一位菲尔兹奖得主迈克尔·弗里德曼则从信息论高度揭示了验证的本质。他将之归结为一个词：压缩。

弗里德曼在SAIR播客中详细阐述了他的新论文《压缩即一切》的核心假说：人类数学三千年的秘密，正是将海量信息层层压缩成高度抽象的概念。他与团队计算出一个高层次数学表述逐层拆解到最基础术语时会膨胀到何等规模。结果惊人：最长的展开语句长度达到10的104次方，远超一个古戈尔，而原始表述只有约600个“词”。

“600变成了古戈尔，”弗里德曼说，“这就是压缩的力量。”

他将这一发现视为给人工智能打造的“导航仪”。通过追踪“还原压缩率”和“演绎压缩率”，机器可以在搜索证明路径时实时感知正在穿越怎样的数学“地形”，分辨何处是山脉，何处是山谷。弗里德曼对人机关系的重新定位意味深长：“我们和AI在同一条船上。它们比我们快一百万倍，但仍然无法靠蛮力探索任何东西。它们需要像我们一样拥有好的直觉，而我们必须与它们合作，去培养这种直觉。”

一场哥白尼式的观念转向

从“验证优先”到“压缩导航”，所有技术叙事的底层都指向一场更深刻的思想位移。SAIR的几位核心推动者将之称为“哥白尼式智能观”。

陶哲轩在合作论文中写道：“过去，我们以为地球是宇宙的中心。同样，我们也习惯性地将人类智能奉为万灵之长。但真相是，智能是一个丰饶的生态系统。”在这个生态系统中，人类智能有其独特脆弱，计算机智能亦有自身盲区，两者的协作恰恰能催生出任何一方都无法独立完成的发现。他指出，这绝非“AI要么低于人类，要么等于人类，要么超越人类”的线性叙事，“那种叙事太过单薄”。

诺贝尔物理学奖得主、引力波探测先驱巴里·巴里什从物理学维度提供了重量级注脚。他在SAIR播客中回顾了LIGO引力波探测项目的十年历程。当被问及什么最令他印象深刻，他的回答出乎多数人预料：“不是发现本身，而是精度。”他的团队为将仪器灵敏度提升一个数量级，在宏观仪器上首次大规模运用“挤压光”等量子光学技术，在基础物理极限的夹缝中挤出了十倍的测量空间。他由此提出：对人工智能同样如此——在一个“看起来合理”比“实质上正确”更容易受青睐的年代，精度不是技术选项，而是科学伦理。

诺贝尔生理学或医学奖得主兰迪·谢克曼则从生命科学角度提供了另一个视角。他将AI蛋白质结构预测工具AlphaFold比作巨大的“科研沙盒”，预测了约2.5亿种蛋白质的结构，为实验生物学打开了前所未有的起点。但他随即提醒：“人类花了几个世纪来完善如何与他人合作，而我们才刚刚开始学习如何与AI合作。”

重建科学发现的基础设施

SAIR此番发起的集体行动，试图回答一个更大尺度的问题：当规模定律的推力衰减，我们该用什么来替代它？

SAIR Foundation在成立宣言中提出了一项系统工程：重建支撑现代科学发现的“基础设施”。这不是指道路和建筑，而是资金分配的敏捷机制、跨学科协作的组织形态、人工智能与科研流程的深度嵌入方式，以及一种奖励雄心而非仅仅奖励渐进式进步的文化。

这场峰会正是上述理念的首次大规模落地。在两天的议程中，诺贝尔物理学奖得主巴里·巴里什将发表关于精度科学的开题演讲，菲尔兹奖得主蒂莫西·高尔斯以远程方式分享对形式化数学的洞察，图灵奖得主理查德·萨顿以远程方式围绕强化学习底层原理发表主旨演讲。LinkedIn联合创始人里德·霍夫曼与SAIR联合创始人Chuck Ng展开炉边对话，红杉资本管理合伙人林君睿深度参与，a16z、黑石集团等资本机构集体出席。由UBS呈现的投资专场、聚焦人工智能与生命科学、开放数据、科研生态的专题讨论，将跨学科协作落实到具体对话机制中。

尤为值得关注的是，Alphabet董事长、斯坦福大学前校长约翰·轩尼诗将发表主旨演讲。这位兼具“图灵奖得主”与“硅谷教父”身份的传奇人物，曾一手推动斯坦福与硅谷的深度融合，如今将以体系结构创新的视角，为后规模时代人工智能的发展蓝图提供战略级参照。

一场正在凝聚的全球共识

SAIR并非孤例。全球正围绕“人工智能驱动科学发现”这一战略方向加速形成共识。2025年7月，北京率先发布《加快人工智能赋能科学研究高质量发展行动计划（2025-2027年）》，成为全国首个聚焦“科学智能”的专项地方政策。中国科学院院士鄂维南将AI for Science称为“千载难逢的‘超车’机会，没有之一”。远在大洋彼岸，英国图灵研究所发布“AI for Science Strategy”，系统布局数据、算力、人才与文化建设。2026年《AI for Science创新图谱》显示，近五年全球AI for Science学术论文发表量增长超过一倍。

SAIR的雄心在于，不仅要抓住这一机遇，更要为全球科学界提供一套可供遵循的方法论：以科学原理为导航，以可验证性为基石，推动人工智能从模仿统计走向因果理解。

这是一场需要长期决心的长征。陶哲轩曾在SAIR播客中说：“AI像盐，要用得恰到好处。”这句话蕴含深沉的审慎：太少，不足以激发真正的突破；太多，则可能污染科学本体最珍贵的底色。SAIR试图找到这个配方，既不让对人工智能的不信任扼杀探索的雄心，也不让对算法的盲目崇拜遮蔽科学家应有的主体性。正如SAIR在其立场声明中所言：“我们不是在建造一个取代人类的智能，而是在设计一个能让人类智慧看得更远、走得更稳的伙伴。”

当数学的公理体系、物理的世界模型与生物的高效学习法则在同一张圆桌上交汇，当多位诺贝尔奖得主、菲尔兹奖得主、图灵奖得主与产业领袖齐聚硅谷，这场峰会的初衷便清晰浮现：它要成为那个定义性的年度集结，每一年都为推动AI背后科学进步的先行者搭建一个高信号对话的舞台。这个五月，正是这个舞台的第一幕。