摘要
人工智能正在改变科学研究，但其真正瓶颈并不只是模型规模、数据规模或算力规模，而是当前智能系统尚不能在观测数据、物理机制、几何结构、符号逻辑和具身执行之间形成可验证的闭合结构。现有大模型能够在高维表示空间中逼近复杂分布，却常在域外泛化、物理一致性、长链推理、形式化证明和真实环境交互中暴露出系统性失效。这些看似分散的缺陷，本质上源于同一个深层问题：模型学习到的是局部相关性和经验轨迹，而非自然系统在流形、算子、守恒律和逻辑规则下的内蕴秩序。本文提出“因果流形闭合”作为理解科学智能底层架构演进的统一视角。科学智能不应被理解为将通用大模型外接到科学任务上，而应被重构为一种从有限观测中恢复低维本征流形、在随机扰动中保持动力学稳定、在生成过程中遵守物理因果、在推理过程中给出形式化证据、在具身执行中实现测算协同的闭环系统。面向未来，AI for Science 的核心研究议程应从经验拟合转向结构恢复，从结果预测转向可验证推演，从概率生成转向证明携带式发现，从中心化计算转向物理端测算解耦。只有完成这一转向，人工智能才可能从辅助计算工具跃迁为基础科学发现的可信知识引擎。
引言：预测能力并不等于科学理解
过去十年，深度学习以经验风险最小化、反向传播和大规模参数化模型为核心，建立了前所未有的函数逼近能力。它可以生成语言、图像、代码、蛋白结构和三维场景，也可以在复杂任务中表现出某种“类推理”能力。然而，对于科学研究而言，预测成功并不自动等价于理解成功。一个模型可以在训练分布附近给出高精度预测，却仍然不理解其输出是否违反守恒律、边界条件、拓扑连通性或形式逻辑。科学智能的真正难题不在于让模型“看起来会预测”，而在于让模型能够说明它预测的对象属于何种结构、满足何种约束、为何能够外推、何时必然失效。
传统科学范式依赖第一性原理：从守恒律、对称性、变分原理、微分方程和形式证明出发，对自然现象进行自顶向下的演绎。现代人工智能则主要依赖数据驱动：从观测样本中自底向上地拟合输入输出映射。二者表面上对立，实则共享一个更深层的目标：从有限信息中恢复系统的内蕴结构。第一性原理以少量定律约束无限现象；数据驱动模型以海量样本逼近隐含规律。问题在于，当前深度学习常常只完成了“拟合”，却没有完成“结构闭合”。它在高维空间中学到统计相关性，但没有保证这些相关性与动力学稳定性、物理因果性和逻辑必然性一致。
这一断裂在多个方向同时显现：视频生成模型可能产生视觉逼真但物理反常的运动；大语言模型可以生成看似严密的证明，却在关键逻辑节点发生漂移；强化学习系统可能通过结果奖励优化短期策略，却无法正确分配长程推理中的因果贡献；具身智能系统在仿真中表现良好，却在真实物理接触中因延迟、噪声和非结构化扰动而失稳。会议材料将这些问题分别置于动力系统、拓扑流形、概率论、神经符号计算和具身智能架构中讨论，尤其强调从低维观测重构高维相空间、以物理和几何约束抑制幻觉、以形式化语言锚定严密推理、以边缘测算解耦突破感知执行延迟等方向。
本文提出，贯穿这些问题的统一科学命题是：下一代科学智能必须实现因果流形闭合。 这里的“流形”指数据背后的低维本征结构，“因果”指结构演化必须受物理定律、动力算子和逻辑规则约束，“闭合”则指模型的表示、生成、推理、验证和执行应在同一约束系统中自洽。科学智能的未来，不是更大的黑箱，而是能够在数据、方程、几何、证明和硬件之间建立闭环的可验证知识系统。
从流形拟合到结构恢复
深度学习的一个隐含前提是流形假设：真实世界的有效数据虽处于高维观测空间，却往往集中在低维结构附近。图像、语言、基因表达、动力系统轨迹和物理场观测都具有这种特征。模型训练过程因而可以被理解为在高维噪声中寻找低维本征坐标，并将复杂输入投影到可学习的潜在空间。
动力系统理论使这一假设获得更深的数学解释。即便我们只能观测复杂系统的一维时间序列，在适当条件下，时间延迟嵌入也可能恢复原系统相空间的拓扑结构。由此看，科学数据并非孤立样本集合，而是系统演化在有限观测窗口中的投影。学习的本质也不再是简单的点到点拟合，而是从投影中重构隐含动力流形。Whitney 嵌入定理和 Takens 延迟嵌入思想为这种“由局部观测恢复全局结构”的可能性提供了基础数学图景；会议材料也将这一思想用于解释低维时间序列、高维表征和模型泛化之间的关联。
但流形恢复并不等同于任意神经网络逼近。当前网络多依赖 ReLU 等分段线性基函数，通过巨大参数量拼接复杂函数。这种策略具有工程有效性，却可能缺乏解析紧致性和物理可解释性。会议中提出的复平面解析网络构想，试图通过柯西积分公式和全纯函数的解析延拓性质，提高模型对光滑流形和未知区域的逼近效率。其启发意义在于：如果模型要从经验样本外推到未知区域，它需要的不只是统计插值，而是某种可延拓的结构表达。
然而，解析能力越强，并不必然越适合深度网络。高饱和激活、复奇点和深层链式传播可能诱发梯度消失，导致局部高精度逼近与全局优化稳定性之间发生张力。这一张力揭示了当前架构的根本局限：科学智能需要更强的解析表达能力，却不能牺牲梯度流、误差信号和相空间探索的连通性。因此，未来通用逼近器的设计目标不应只是“逼近任意函数”，而应是逼近具有守恒、对称、边界、拓扑和因果约束的自然算子。
噪声不是干扰，而是泛化的动力学资源
科学数据通常具有稀疏性、强噪声、重尾分布和非平稳性。传统观念往往将噪声视为需要滤除的误差，但从随机动力系统和非平衡统计物理看，噪声也可能是模型跨越局部极小值、探索相空间和形成稳健泛化的动力学资源。会议材料讨论了随机偏微分方程、Lévy 过程、极值孤立点和随机扰动在高维特征提取中的作用，强调噪声可作为隐性正则化机制，帮助模型从冗余背景中聚焦少数关键突变或结构特征。
这为科学智能提供了重要启示：域外泛化不是在完全消除扰动后获得的，而是在受控扰动中保持结构稳定的能力。一个完全确定、过度收缩的模型可能在训练分布上精确，却因相空间探索不足而无法外推；一个无约束的随机模型则可能出现幻觉、坍缩或因果漂移。真正的问题是如何在探索和约束之间建立闭环：输入端引入结构化随机性以扩大可达区域，输出端施加物理、统计和拓扑正则化以剔除非法状态。
这一思想可被称为“混沌边缘”的科学智能版本。模型既不能僵化为确定性插值器，也不能退化为无约束生成器。它应处于可控非平衡态：足够随机以发现新结构，足够约束以维持物理与逻辑一致性。未来的训练理论需要把随机扰动、雅可比谱、流形曲率、局部本征维度、因果不变量和泛化界联系起来，建立从几何扰动到经验风险、从相空间遍历到域外可靠性的可计算理论。
世界模型不是视频生成器，而是因果闭合器
当前生成模型在图像和视频合成中取得显著进展，但三维物理世界不同于二维像素网格。真实客体往往是嵌入欧氏空间的非欧流形，具有边界、连通性、曲率、拓扑不变量和动力学约束。若模型只学习相邻像素或局部特征之间的高概率拼接，它可以生成视觉逼真表象，却可能在长时序预测中违反空间连续性、质量守恒或运动因果。
因此，“世界模型”不应被狭义理解为更大的视频预测模型。世界模型的核心不是复现表象，而是把观测数据压缩成可演化、可干预、可验证的因果状态空间。它至少需要三类结构：几何结构，用于保持对象、场和空间关系的拓扑一致性；动力结构，用于描述状态随时间演化的算子；逻辑结构，用于判断生成轨迹是否满足规则、边界条件和任务目标。
现有研究已经提供了若干局部路径。物理信息神经网络通过在训练中加入物理方程约束，使神经网络在求解或发现非线性偏微分方程时遵守给定物理规律；神经算子则试图学习函数空间之间的映射，而不是单一有限维输入输出映射。(ScienceDirect) (arXiv) 几何深度学习强调高维任务并非任意函数学习，而是受低维结构、对称性和物理世界规律约束的表示学习问题。(arXiv) 3D Gaussian Splatting 等三维表示方法也表明，空间表征的选择会深刻影响生成质量和实时性。(ACM Digital Library)
但这些路径仍需进一步统一。仅将偏微分方程作为损失项，可能不足以保证模型真正理解物理因果；仅提取持续同调或 Betti 数，也不足以刻画系统演化；仅构建高质量三维渲染表示，更不能等价于获得物理世界模型。未来的关键是将三维几何、动力算子、守恒律、观测不确定性和可验证推理整合为同一潜在状态空间。换言之，世界模型必须从“生成逼真表象”转向“维持因果流形闭合”。
推理系统需要从概率生成走向证明携带式生成
大语言模型的数学能力揭示了另一个核心断裂：概率相关性与逻辑必然性之间存在不可忽视的鸿沟。语言模型可以在形式上生成证明文本，但其内部主要执行高维概率分布拟合，而数学证明要求每一步都满足严格规则。长链推理中的一个小错误可能导致整体结论失效，这与图像生成中的局部模糊截然不同。
会议材料讨论了结果监督和过程监督的张力：结果监督容易在长轨迹中造成贡献度分配混淆，过程监督虽然可以切断误差级联，却又面临奖励稀疏和收敛困难。隐状态分析、稀疏自编码器和轻量级 steering vector 提供了一种新可能：把推理过程看作潜在流形上的轨道演化，通过局部微扰把发散轨迹拉回合法推理通道。
自动定理证明的最新进展说明，神经符号系统可能是弥合概率直觉与逻辑必然的关键路径。AlphaGeometry 通过神经模型提供启发式构造，再由符号引擎执行严密证明，展示了“直觉搜索—形式验证”的双系统优势。(Nature) FunSearch 将大语言模型生成的程序候选与自动评价器结合，在组合数学和算法问题中寻找新构造，体现了“生成—评价—迭代”的发现机制。(Nature) 这些案例的启示不是“语言模型已经会证明”，而是：科学智能必须成为证明携带式生成系统。模型可以提出猜想、生成候选、探索结构，但每一个输出都应尽可能附带可验证证据、形式化约束或可复现实验路径。
这也改变了人机协同的角色划分。未来科学家不只是提示模型生成答案，而是设计验证环境、形式语言、反例搜索器和因果干预机制。AI 的价值将从“给出结果”转向“扩大可搜索空间并提高可验证发现的密度”。
具身智能要求测算协同，而非云端大脑控制一切
如果科学智能最终要进入实验室、仪器、机器人和自主实验平台，它必须面对物理世界的时延、噪声、能耗和非结构化接触。传统“感知—理解—规划—执行”的串行架构在仿真环境中可以工作，但在真实环境中可能因反馈延迟而失效。会议材料提出借鉴生物低级反射机制，在物理边缘端部署低功耗“仿生反射”计算模块，将高频感知响应与低频复杂推理分离。
这一思想意味着，下一代科学智能不能仅被看作软件模型。测量、计算、存储、执行和验证应共同构成智能系统。存算一体、光电模拟计算、边缘神经算子和自主实验机器人，都可能成为科学智能的重要组成部分。真正的世界模型不是运行在云端的孤立预测器，而是嵌入测量链、执行链和反馈链中的物理计算系统。
这对 AI4S 尤其重要。许多科学发现不是离线数据分析，而是“提出假说—设计实验—执行测量—修正模型—再设计实验”的循环。若模型无法参与实验闭环，就难以成为真正的科学发现引擎。未来自主实验室的核心能力，将取决于模型能否在物理端实时识别异常、调整采样、估计不确定性、执行安全约束，并把实验反馈转化为可验证的理论更新。
Box 1｜科学智能的五个范式转向
从数据拟合到结构恢复。 模型训练的目标不应只是最小化预测误差，而应恢复低维本征流形、动力算子、守恒律和因果不变量。
从外部约束到内生闭合。 物理方程、拓扑约束和形式逻辑不应只是后处理或损失项，而应进入模型的表示空间、生成机制和验证链条。
从随机噪声到受控探索。 噪声不是单纯干扰，而是跨越局部极小值、探索相空间和形成域外泛化的动力学资源；关键是输出端必须有因果和物理约束。
从答案生成到证明携带式发现。 科学智能应生成可验证的候选理论、程序、方程和证明，而不是只生成自然语言解释。
从中心化大模型到测算协同智能体。 面向真实科学实验和具身任务，模型必须与传感、存储、边缘计算、执行器和实验平台协同设计。
未来研究议程
第一，应发展面向科学问题的因果流形识别理论。当前流形假设多停留在经验层面，缺少从局部曲率、本征维度、拓扑不变量到泛化误差和物理可行域的严格映射。未来需要建立可计算指标，用于判断一个模型的外推是有效结构扩展，还是破坏原系统机制的非结构化扰动。
第二，应构建解析表达能力与梯度稳定性兼顾的新型逼近器。复解析网络、Hamiltonian 神经网络、神经算子、几何深度学习和符号蒸馏都指向同一个方向：模型需要更强的结构归纳偏置。Hamiltonian Neural Networks 已显示出通过哈密顿力学归纳偏置学习守恒律的可能性。(NeurIPS 会议录) 未来的关键是把解析延拓、守恒律、可逆性、稳定梯度流和高维算子学习统一到可扩展架构中。
第三，应把随机动力学纳入科学智能的训练理论。SGD 噪声、扩散过程、Lévy 跳跃、重尾扰动和反射边界不应只是算法细节，而应成为理解泛化、幻觉、坍缩和相变的统一工具。模型失效可以被描述为错误吸引子、病态闭合或长期不稳定行为；模型涌现则可能对应稳态选择、分岔或相变。
第四，应建立物理世界模型的可验证基准。现有生成模型常以视觉质量评价为主，而科学智能需要检验守恒律、边界条件、拓扑连续性、因果干预响应和长期稳定性。评价体系应从“像不像”转向“是否可演化、可干预、可验证”。
第五，应推动神经符号系统与形式化语言深度耦合。数学发现、程序合成、理论推导和科学假说生成都需要可验证性。Cranmer 等通过归纳偏置和符号回归从深度模型中提取显式物理关系，显示了黑箱表示向可解释公式转化的可能性。(arXiv) 未来科学智能应把形式化证明、反例搜索、程序验证和实验复现纳入生成链条。
第六，应建设测算一体的自主科学平台。AI4S 的终极形态不是离线大模型，而是能够在实验、观测和仿真之间闭环运行的智能科学系统。它需要基础数学、物理建模、算法工程、科学仪器和新型硬件协同发展。
结语：科学智能的核心是可验证的内蕴秩序
人工智能已经证明了高维统计拟合的巨大力量，但科学发现要求的远不止拟合。科学理论之所以有力量，是因为它能够在有限观测之外保持结构稳定，在未知情形下给出可检验预测，并在失败时通过残差推动模型修正。下一代科学智能若要真正进入基础科学核心，就必须具备类似能力：从观测中恢复结构，从扰动中保持稳定，从生成中携带证明，从执行中获得反馈。
“因果流形闭合”提供了一种统一语言：流形给出表示，动力学给出演化，概率给出探索，物理给出约束，逻辑给出验证，硬件给出实现。科学智能的未来不是更会模仿的机器，而是能够在数据、方程、证明和实验之间建立闭环的知识发现系统。只有当模型不再只是拟合世界，而能够恢复世界的内蕴秩序并接受世界的检验，AI 才能从工具走向真正的科学伙伴。
参考文献
Whitney, H. Differentiable manifolds. Annals of Mathematics 37, 645–680 (1936). (JSTOR)
Takens, F. Detecting strange attractors in turbulence. In Dynamical Systems and Turbulence, Warwick 1980, Lecture Notes in Mathematics 898, 366–381 (Springer, 1981).
Raissi, M., Perdikaris, P. & Karniadakis, G. E. Physics-informed neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics 378, 686–707 (2019). (ScienceDirect)
Karniadakis, G. E. et al. Physics-informed machine learning. Nature Reviews Physics 3, 422–440 (2021). (Nature)
Li, Z. et al. Fourier Neural Operator for Parametric Partial Differential Equations. International Conference on Learning Representations (2021). (dblp)
Bronstein, M. M., Bruna, J., Cohen, T. & Veličković, P. Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges (2021). (arXiv)
Greydanus, S., Dzamba, M. & Yosinski, J. Hamiltonian Neural Networks. Advances in Neural Information Processing Systems 32 (2019). (NeurIPS 会议录)
Cranmer, M. et al. Discovering symbolic models from deep learning with inductive biases. Advances in Neural Information Processing Systems 33 (2020). (arXiv)
Kerbl, B., Kopanas, G., Leimkühler, T. & Drettakis, G. 3D Gaussian Splatting for Real-Time Radiance Field Rendering. ACM Transactions on Graphics 42 (2023). (ACM Digital Library)
Jumper, J. et al. Highly accurate protein structure prediction with AlphaFold. Nature 596, 583–589 (2021). (Nature)
Trinh, T. H. et al. Solving olympiad geometry without human demonstrations. Nature 625, 476–482 (2024). (Nature)
Romera-Paredes, B. et al. Mathematical discoveries from program search with large language models. Nature 625, 468–475 (2024). (Nature)