走向可发现的科学智能：底层算法架构的关键断裂与重构路径

摘要：科学智能的核心目标不应停留在“可拟合”，而应走向“可发现”：既能在高维、含噪、非线性和多尺度数据中提取可压缩结构，又能将这种结构提升为可解释、可验证、可迁移的科学规律。围绕大模型架构、低维流形、白盒化、符号推理、形式化验证、类脑连续学习、量子启发计算和复杂工业系统等议题形成的讨论表明，当前科学智能的底层算法架构面临的根本困难，并非简单的模型规模不足或训练数据不足，而是若干深层断裂尚未被系统弥合：存在性理论与可构造架构之间的断裂，低维流形假设与内蕴结构识别之间的断裂，整体拟合误差与逐点可信度之间的断裂，神经网络生成能力与符号系统严谨性之间的断裂，以及数据驱动模型与物理可允许空间之间的断裂。本文提出一种面向未来科学智能的底层架构展望：以随机算子理论刻画深层模型的极限与稳定性，以门控化有限维知识子空间推进白盒化，以不确定性逐层传播替代事后置信度修补，以神经—符号—形式化验证闭环实现“猜想—计算—证明”的机器化流程，并以物理约束、几何拓扑约束和领域本体约束重构科学任务的可泛化边界。

关键词：科学智能；底层算法架构；白盒化；低维流形；神经—符号融合；形式化验证；不确定性量化；物理约束

一、问题转向：科学智能的目标不是更强拟合，而是可发现的结构

深度学习已经证明了其强大的表示能力[3]，但科学智能的真正门槛并不在于能否把观测数据拟合得足够好，而在于能否回答更基础的问题：模型究竟在数据中识别了什么结构？这种结构是否对应可解释的物理、几何、代数或社会机制？它能否在噪声、参数扰动、跨工况迁移和小样本条件下保持稳定？更重要的是，它能否被压缩为人类可以理解、机器可以验证、领域可以复用的规律表达？

这一转向意味着，科学智能不能被理解为通用大模型在科学场景中的简单迁移，也不能被理解为在损失函数中附加若干物理项的工程增强。它要求算法架构从一开始就面向“结构—机制—证明”而设计：以神经网络承担复杂高维搜索和非线性表征，以符号系统承担可压缩结构的显式表达，以形式化验证承担逻辑严格性，以物理和几何约束限定结果的可允许空间。科学智能的底层架构应当不是黑盒预测器，而是面向规律发现的计算系统。

由此可以把当前困难概括为一个中心判断：科学智能尚未完成从“函数逼近机器”到“规律发现机器”的范式转换。前者追求输入—输出误差最小化，后者要求在误差、结构、解释、验证和泛化之间建立统一理论。许多看似分散的挑战，包括大模型涌现、流形学习、PDE机器证明、工业求解器、复杂社会模拟和类脑连续学习，实际上都指向同一个问题：如何在高维复杂系统中发现有效有限维知识空间，并把它转化为可检验的科学表达。

表1 从研讨中凝练出的底层算法断裂

二、重新界定“涌现”：至少存在三类不可混同的科学智能涌现

讨论中最有辨识度的思想之一，是对“涌现”概念的分层处理。若不加区分地使用“智能涌现”，便容易把模型尺度增长带来的性能突变、低维结构的自动显化、生物智能的连续吸引子形成、以及符号规律的自动凝练混为一谈。这种混淆会使科学智能的目标变得含混。更严谨的做法，是承认至少存在三种不同层面的涌现。

第一类可称为“架构极限涌现”。在这种理解中，深层网络被看作泛函空间中的算子复合序列，模型能力的出现依赖于算子族极限的存在及其收敛性质。非线性Lipschitz谱半径或拓扑半径不再只是训练稳定性的工程指标，而成为刻画深层复合映射是否可能收敛到目标算子的全局判据。这一观点的意义在于，它把梯度爆炸、梯度消失等局部工程语言提升为算子极限和谱半径约束问题。然而，它的未竟之处同样清楚：极限存在性并不能直接给出可构造架构；确定性算子框架也不能直接覆盖随机初始化、随机训练和概率门控等真实深度学习机制。

第二类可称为“结构压缩涌现”。科学发现意义上的涌现，并不是模型输出能力突然变强，而是连续高维数据经过维度收缩、慢流形提取、局部标度识别和符号化表达之后，显化出此前不可见的规律结构。此时“涌现”指向的是从数据到公式、从轨迹到机制、从高维表象到低维本质的转化。对非线性动力系统而言，真正重要的不是网络能否拟合轨迹，而是能否把轨迹背后的局部层级标度、全局慢变流形和符号关系提炼出来。

第三类可称为“行为—记忆涌现”。生物智能在无监督探索中形成位置表征、连续吸引子和世界模型，体现的是与当前大模型显著不同的机制：持续交互、长程记忆、目标导向和自适应模块生长。脉冲神经网络和类脑算法若只模拟积分—阈值—不应期，仍未触及生物智能的核心。真正值得追问的是：算法能否在与环境持续作用中生长出新的内部表征，而不是在固定架构中反复调参。

这三类涌现对应三条不同研究路线：算子极限路线解决深层架构何以稳定，结构压缩路线解决科学规律何以显化，行为—记忆路线解决智能体何以持续学习。未来的科学智能若要具有发现能力，必须使三者发生耦合：稳定的架构极限提供可计算底座，结构压缩机制提供规律生成能力，连续学习和记忆机制提供开放环境适应性。

三、存在性理论的边界：低维结构存在，不等于低维结构可识别

关于大模型有限维表示的讨论揭示了一个关键区别：证明真实算子可以分解为有效有限维部分与快速衰减的无穷维残差，只能说明有限层神经网络在原则上可能承载数据中的主要信息；但科学智能真正需要的是算法能够从未知数据中识别这个有限维结构。存在性理论回答“为什么可能”，构造性理论回答“如何找到”。当前领域恰恰缺少后者。

洛伦兹吸引子的例子说明了问题的本质。对于已知方程，人们可以事先知道系统内蕴维度，并解释为什么高维神经网络只是把低维动力结构嵌入到更高维空间中以获得更丰富的计算表征。但对于未知实验数据，研究者并不知道真实变量有哪些、变量之间如何组合、哪些观测只是噪声、哪些局部结构具有物理意义。此时，低维流形假设仍然过于粗糙；真正困难的是内蕴维度、有效坐标、局部图册、奇异结构和物理变量之间的可识别性。

这一点也解释了为什么“最简网络架构”问题比通常想象得更深。网络可以被压缩，不等于已找到数据的最简科学表达；参数量可以减少，不等于已经识别了本质变量。科学智能需要的不是经验剪枝意义上的小模型，而是能够把有效有限维知识空间与无效冗余表示区分开的结构化压缩。换言之，最简架构问题应被重新表述为：在给定误差、置信度和物理约束条件下，如何确定能表达目标科学机制的最小结构复杂度。

这一路线与已有的稀疏动力学识别、Koopman嵌入、神经算子和物理信息学习相互关联[5-8,11,12]，但又不能被其中任何一类方法完全覆盖。稀疏识别强调解析项选择，神经算子强调函数空间映射，物理信息学习强调方程约束，Koopman路线强调非线性动力系统的线性化坐标。研讨提出的更强问题是：这些方法能否共同服务于“有效有限维知识子空间”的自动发现，并在未知数据、小样本和跨参数条件下给出可验证的结构解释。

四、白盒化不是解释黑盒，而是重构有效知识空间

可解释性通常被理解为对黑盒模型的事后解释，例如注意力可视化、局部特征重要性或案例归因；而高风险场景更需要内生可解释模型，这一点已成为机器学习安全与可信研究的重要论题[4]。但面向科学智能，这种解释仍然不够。科学研究要求的不只是知道模型为什么给出某个答案，而是知道模型内部是否形成了可对应于科学变量、结构关系和因果机制的表示。白盒化的真正目标，应是把网络内部的有效计算过程重构为可审查的知识空间。

研讨中提出的门控机制思路具有方法论价值。门控不是简单的网络技巧，而是可能成为“内部量追踪器”：在计算过程中记录哪些变量、哪些神经元、哪些通道、哪些低维坐标对目标输出起作用，并进一步识别构成有效知识空间的关键表征。如果门控能够与语义对齐、稀疏约束、几何约束和物理量纲约束结合，它就可能从工程模块上升为白盒化机制。

但必须避免把门控机制过度拔高为已经解决可解释性的方案。神经网络的精度分析、可信度分析和内蕴结构分析目前都缺少统一理论。逼近论、信息几何、动力系统、核方法等视角各自描述了网络行为的一个侧面，却尚不能给出整体运作机制。更关键的是，平均意义上的误差收敛不能保证逐点可靠；局部异常、极端样本和跨工况扰动可能在整体误差很低时仍然造成灾难性偏差。

因此，科学智能的白盒化应至少包含三层要求。第一，结构可见：模型应能显式给出其采用的低维变量、约束关系和主导机制。第二，误差可界：模型应能提供任务相关的逐点误差、置信区间和失效边界，而非仅给出全局平均性能。第三，机制可转写：模型内部形成的有效结构应能在一定条件下转化为符号表达、守恒关系、方程项或可验证程序。只有满足这三层要求，科学智能才可能从“可解释输出”走向“可审查发现”。

五、可信度应内生于网络，而不是事后附加的概率标签

当前许多科学AI系统在输出结果之后再给出置信度或不确定性估计，但这种做法常常只是在黑盒结果外部附加一个概率标签，并未回答不确定性在模型内部如何产生、如何传播、如何累积、如何与数据噪声和模型随机性区分。研讨中提出的“神经元层面均值—方差传递”提供了一条更根本的路线：让每个神经元不仅输出预测值，也输出该预测的不确定性，使置信度成为计算过程的内生变量。

这一设想的重要性在于，它把可信度从事后评估推进到架构层设计。科学智能面对的很多任务天然具有小样本、强噪声和高风险特征，例如医学诊断、工业装备感知、核反应堆监测、复杂化学过程控制等。对于这些任务，用户真正需要的不是单一预测值，而是“在什么条件下可信、在什么区域可能失效、哪些输入扰动会改变结论”。如果不确定性不能逐层传播，就无法判断模型输出的可靠性来自数据证据、物理约束还是偶然拟合。

未来可考虑把概率神经元、贝叶斯权重、不确定性门控和物理可允许空间结合起来[13,14]：数据层区分观测噪声与信号结构，模型层传播参数不确定性和表征不确定性，任务层输出与物理约束一致的置信区间。这样的架构不是为了让模型“看起来更谨慎”，而是为了让模型在科学任务中具备拒答、降级、请求补充观测和提示失效机制的能力。

六、神经—符号—形式化验证闭环：科学发现需要可证明的生成

数学推理自动化和偏微分方程机器证明的讨论，给出了科学智能最清晰的一种闭环形态；近期基于大语言模型的程序搜索和自动几何证明也表明，生成模型与外部验证器结合是更可靠的发现路线[16,17]：神经网络或大语言模型负责发散式构造，符号计算负责确定性代数和表达式推导，形式化证明负责最终逻辑背书。这一路线的关键不在于宣称AI可以替代数学家，而在于重新划分机器发现中的功能边界。

在偏微分方程研究中，辅助函数、测试函数、极值原理、分部积分和积分恒等式构造包含大量组合搜索。类似的“神经候选—符号凝练”思想也出现在符号回归与深度模型蒸馏研究中[9,10]。人类专家依靠直觉筛选候选路径，传统符号计算则容易陷入组合爆炸。AI的价值在于扩大搜索空间并生成候选结构；符号计算的价值在于对候选恒等式进行绝对准确的代数验证；形式化证明的价值在于保证整体论证链条不被自然语言幻觉污染。类似地，在复杂性分类、非交换代数几何、高维量子自旋代数分类等问题中，AI可以启发新的构造路径，但完备性和正确性仍必须交由形式化系统或严格证明流程确认。

更深层的问题是神经系统与符号系统的表示边界。并非所有复杂结构都适合立即转写为符号表达，也并非所有任务都应由神经网络承担。一个合理的未来架构应遵循“神经的归神经，符号的归符号”：高维感知、弱结构探索和候选生成由神经系统完成；可压缩关系、代数恒等式、守恒律和逻辑链条由符号系统完成；证明、反例搜索和一致性检查由形式化系统完成。真正的难点不是把三者拼接起来，而是建立自动判断机制：什么时候应该继续神经搜索，什么时候可以符号化，什么时候必须进入形式化验证。

这一闭环也提示科学智能的评价标准需要改变。若一个系统只能给出看似正确的答案，而不能给出可复算、可验证、可反驳的生成路径，它还不是科学发现系统。科学智能应当输出的不只是结论，还应包括候选构造、计算验证、失效条件和形式化证据。

七、物理约束不是损失函数装饰，而是可允许空间的架构性边界

科学智能在工业感知、等离子体动力学、复杂制造、三维场景生成和具身智能中的应用，集中暴露出一个问题：仅靠数据相关性学习，很容易被噪声、时空不对齐、虚假吸引子和跨工况分布漂移欺骗。因此，物理约束不能只是损失函数中的软惩罚项，而应成为模型输出空间、隐空间和数据融合层的硬边界。

对于等离子体和多尺度动力系统，降阶模型若只追求低维压缩，可能破坏守恒结构并降低跨参数泛化能力；物理信息学习和神经算子研究已说明，约束、算子学习与跨参数泛化需要被联合考虑[5,6,11,12]。更合理的路径是构造物理守恒约束下的非线性子流形，使维度压缩不以牺牲机制一致性为代价。对于工业感知和弱特征重建，化学燃烧机理、热力学约束、物理演化方程和工艺本体应被嵌入数据融合过程，使模型输出被限制在物理规律允许的波动范围之内。对于三维生成和具身交互，几何重建若不能支持碰撞、分割、变形和仿真，就难以成为面向真实物理世界的智能表示。

这说明，科学智能的底层架构应从“数据到答案”转向“数据到受约束机制”。物理约束、几何拓扑约束和领域本体不是外部知识库，而是决定模型可泛化性的结构边界。特别是在小样本科学任务中，模型无需也不可能全息模拟物理世界；更现实的方式是把参数映射强制压缩到含有物理约束的低维隐空间中，剥离无效稀疏特征，仅保留能够形成真实函数关系的核心子空间。

八、类脑与量子启发的真正问题：突破遍历式计算和无记忆学习

量子计算和类脑智能常被泛化地视为未来方向，但研讨中更有价值的观点在于：二者分别对应当前AI底层架构的两个根本限制。量子启发计算试图突破传统计算以遍历和显式搜索为基础的瓶颈；类脑连续学习试图突破深度网络缺乏长程记忆、自适应模块生长和开放环境学习能力的瓶颈。

量子计算的潜在意义不应被简单理解为“算得更快”。它真正可能改变的是高维态之间的连接方式，尤其可能为信息几何、自然梯度和高维优化提供不同于经典硬件的实现平台。但量子系统的稳定性、规模化和算法适配性仍未解决，因此短期内更可行的方向，是在经典GPU框架下借鉴量子纠缠、态叠加和高维关联的思想，发展新的非局部表征、并行搜索和几何优化机制。

类脑智能同样需要去除表层化想象。脉冲神经网络若只是采用积分—阈值形式，尚不能说明其具有真正的生物智能机制。生物智能的核心在于持续交互中形成世界模型、长期保持记忆、根据任务增长内部模块，并在环境变化中持续更新策略；灾难性遗忘研究也提示，当前神经网络的持续学习能力仍是基础瓶颈[15]。未来科学智能若要具备开放发现能力，就必须将连续学习、长期记忆、结构生长和目标导向纳入架构设计，而不是仅靠更大的预训练模型覆盖更多知识。

九、面向未来的底层架构：五个可攻关方向

第一，发展随机算子化的大模型理论。现有算子极限和Lipschitz半径框架将工程经验提升为数学表述，但真实网络包含参数初始化、随机优化、门控扰动和数据噪声。未来需要建立随机系统下的谱半径、稳定性、收敛性和泛化性理论，并进一步把这些理论转化为可操作的架构设计准则。核心问题不是“怎样验证一个模型是否稳定”，而是“怎样从稳定性要求反推网络结构”。

第二，建立有效有限维知识子空间发现算法。低维流形假设只有在可识别、可构造、可验证时才具有科学意义。未来应围绕内蕴维度估计、局部坐标构造、奇异结构识别、物理变量对齐和最简表达搜索建立统一框架，使神经网络从拟合器变成结构探测器。

第三，构造内生不确定性的可信科学网络。应把均值—方差传递、概率神经元、门控置信度、数据噪声分解和物理约束投影结合起来，使网络能够给出逐点可信度、跨工况置信区间和失效边界。高风险科学与工程任务不应只要求准确率，而应要求模型说明“何时不可靠”。

第四，形成神经—符号—形式化验证的发现闭环。在数学、PDE、代数结构分类、复杂约束求解和科学程序生成中，应以大模型提供候选构造，以符号计算执行确定性化简，以形式化证明或可执行验证器给出最终确认。该闭环的关键突破口是表示转换：如何把神经网络发现的隐式结构转化为符号对象，并判断其是否足以进入证明链条。

第五，发展物理约束和领域本体驱动的科学智能系统。工业智能、等离子体、复杂装备感知、社会模拟和具身交互都表明，科学智能必须把机理、知识、数据和决策作为统一系统处理。未来架构应在感知层嵌入物理一致性，在隐空间嵌入几何拓扑约束，在决策层嵌入领域本体与因果边界，在验证层嵌入可复算的证据链。

十、结语：科学智能的下一步是把“发现”变成可计算对象

科学智能目前最值得警惕的倾向，是把模型规模、数据规模和工程集成误认为科学发现能力。大模型可以扩大搜索空间，却不能自动带来严格推理；神经网络可以逼近复杂函数，却不能自动说明其识别了什么机制；物理信息学习可以注入约束，却不能天然解决可解释性和可信度；类脑与量子启发提供想象力，却不能跳过数学建模和工程验证。

真正的突破应发生在底层算法架构层面：把发现过程分解为可计算、可压缩、可验证的环节，把有效有限维知识空间作为科学智能的核心中介，把神经生成、符号表达、形式化验证和物理约束组织成闭环系统。这样的科学智能不再只是回答问题，而是生成候选机制、说明适用条件、提供验证证据，并在失败时暴露自身边界。

因此，未来科学智能的关键问题不是“模型能否更像科学家”，而是“科学发现中的哪些环节可以被形式化为算法对象”。当结构识别、置信传播、符号凝练、物理约束和严格验证能够在同一架构中协同运行时，人工智能才可能从经验拟合工具转化为真正的科学发现基础设施。

参考资料与文献

[1] 中国科学技术大学. 第三期“瀚海策源荟”数智启元前沿科学与战略范式主题沙龙会议纪要. 2026.

[2] 中国科学技术大学. 第三期研讨会二次研讨会议纪要. 2026.

[3] LeCun Y, Bengio Y, Hinton G. Deep learning. Nature, 2015, 521: 436–444.

[4] Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 2019, 1: 206–215.

[5] 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, 2019, 378: 686–707.

[6] Karniadakis G E, Kevrekidis I G, Lu L, Perdikaris P, Wang S, Yang L. Physics-informed machine learning. Nature Reviews Physics, 2021, 3: 422–440.

[7] Brunton S L, Proctor J L, Kutz J N. Discovering governing equations from data by sparse identification of nonlinear dynamical systems. Proceedings of the National Academy of Sciences, 2016, 113(15): 3932–3937.

[8] Lusch B, Kutz J N, Brunton S L. Deep learning for universal linear embeddings of nonlinear dynamics. Nature Communications, 2018, 9: 4950.

[9] Udrescu S-M, Tegmark M. AI Feynman: A physics-inspired method for symbolic regression. Science Advances, 2020, 6(16): eaay2631.

[10] Cranmer M, Sanchez-Gonzalez A, Battaglia P, Xu R, Cranmer K, Spergel D, Ho S. Discovering symbolic models from deep learning with inductive biases. Advances in Neural Information Processing Systems, 2020, 33: 17429–17442.

[11] Lu L, Jin P, Pang G, Zhang Z, Karniadakis G E. Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators. Nature Machine Intelligence, 2021, 3: 218–229.

[12] Li Z, Kovachki N, Azizzadenesheli K, et al. Fourier Neural Operator for Parametric Partial Differential Equations. International Conference on Learning Representations, 2021.

[13] Gal Y, Ghahramani Z. Dropout as a Bayesian approximation: Representing model uncertainty in deep learning. Proceedings of the 33rd International Conference on Machine Learning, 2016: 1050–1059.

[14] Blundell C, Cornebise J, Kavukcuoglu K, Wierstra D. Weight uncertainty in neural networks. Proceedings of the 32nd International Conference on Machine Learning, 2015: 1613–1622.

[15] Kirkpatrick J, Pascanu R, Rabinowitz N, et al. Overcoming catastrophic forgetting in neural networks. Proceedings of the National Academy of Sciences, 2017, 114(13): 3521–3526.

[16] Romera-Paredes B, Barekatain M, Novikov A, et al. Mathematical discoveries from program search with large language models. Nature, 2024, 625: 468–475.

[17] Trinh T H, Wu Y, Le Q V, He H, Luong T. Solving olympiad geometry without human demonstrations. Nature, 2024, 625: 476–482.