科學(xué)智能白皮書2025

專家委員會(huì)委員（按姓氏拼音字母排序）步文博復(fù)旦大學(xué)漆遠(yuǎn)復(fù)旦大學(xué)、上?？茖W(xué)智能研究院龔新高復(fù)旦大學(xué)沈維孝復(fù)旦大學(xué)金亞秋復(fù)旦大學(xué)吳力波復(fù)旦大學(xué)、上?？茖W(xué)智能研究院彭慧勝?gòu)?fù)旦大學(xué)張人禾復(fù)旦大學(xué)研究團(tuán)隊(duì)第一章徐增林復(fù)旦大學(xué)、上?？茖W(xué)智能研究院程遠(yuǎn)復(fù)旦大學(xué)、上海科學(xué)智能研究院楊燕青上?？茖W(xué)智能研究院徐燕上海科學(xué)智能研究院第二章邱錫鵬復(fù)旦大學(xué)付彥偉復(fù)旦大學(xué)王守巖復(fù)旦大學(xué)第三章朱雪寧復(fù)旦大學(xué)高衛(wèi)國(guó)復(fù)旦大學(xué)李穎洲復(fù)旦大學(xué)第四章向紅軍復(fù)旦大學(xué)季敏標(biāo)復(fù)旦大學(xué)劉智攀復(fù)旦大學(xué)曹風(fēng)雷上?？茖W(xué)智能研究院第五章應(yīng)天雷復(fù)旦大學(xué)郁金泰復(fù)旦大學(xué)程遠(yuǎn)復(fù)旦大學(xué)、上海科學(xué)智能研究院朱思語(yǔ)復(fù)旦大學(xué)、上?？茖W(xué)智能研究院彭漢川復(fù)旦大學(xué)徐書華復(fù)旦大學(xué)第六章李昊復(fù)旦大學(xué)、上?？茖W(xué)智能研究院張宏亮復(fù)旦大學(xué)第七章第八章吳力波復(fù)旦大學(xué)、上?？茖W(xué)智能研究院唐世平復(fù)旦大學(xué)胡安寧復(fù)旦大學(xué)周葆華復(fù)旦大學(xué)吳肖樂(lè)復(fù)旦大學(xué)傅曉明復(fù)旦大學(xué)文少卿復(fù)旦大學(xué)楊慶峰復(fù)旦大學(xué)湯維祺復(fù)旦大學(xué)第九章應(yīng)天雷復(fù)旦大學(xué)吳文婷施普林格·自然張嘉慧施普林格·自然RebeccaDargie施普林格·自然JohnPickrell施普林格·自然數(shù)據(jù)支持巨蓉施普林格·自然黃玨珺施普林格·自然陳佳怡施普林格·自然VivekAggarwal施普林格·自然項(xiàng)目協(xié)調(diào)徐曉創(chuàng)復(fù)旦大學(xué)楊燕青上?？茖W(xué)智能研究院王曉夏施普林格·自然丁思嘉施普林格·自然張瑤瑤施普林格·自然排版設(shè)計(jì)趙新武施普林格·自然SouNakamura施普林格·自然第一章序言 2.發(fā)展與態(tài)勢(shì) 3.數(shù)據(jù)分析 1.從大語(yǔ)言模型走向自主智能體 2.具身智能 3.腦機(jī)接口 第三章數(shù)學(xué) 4.科學(xué)計(jì)算 5.復(fù)雜系統(tǒng) 第四章物質(zhì)科學(xué) 第五章生命科學(xué) 3.神經(jīng)科學(xué) 第六章地球與環(huán)境科學(xué) 2.環(huán)境科學(xué) 3.生態(tài)科學(xué) 第七章工程科學(xué) 3.微電子 第八章人文社會(huì)科學(xué) 2.人文科學(xué) 第九章展望與政策1.未來(lái)挑戰(zhàn)與研究方向 2.政策框架 113232第一章序言科學(xué)智能白皮書2025第一章序言1.定義與范式面向科學(xué)研究的人工智能（AI)創(chuàng)新和人工智能驅(qū)動(dòng)的科學(xué)研究的總和可被定義為科學(xué)智能（AIforScience,AI4S），是體現(xiàn)了人工智能創(chuàng)新與科學(xué)研究雙向促進(jìn)與深度科學(xué)研究促進(jìn)人工智能創(chuàng)新。傳統(tǒng)科研范式大致可分為經(jīng)驗(yàn)歸納（實(shí)驗(yàn)科學(xué)）、理以及數(shù)據(jù)密集型科學(xué)2。實(shí)驗(yàn)科學(xué)由自然現(xiàn)象和實(shí)驗(yàn)結(jié)果歸納出一般性規(guī)律，但沒(méi)有抽象出經(jīng)驗(yàn)規(guī)律背后的普適理論。理論科學(xué)基于自然現(xiàn)象或?qū)嶒?yàn)結(jié)果，提煉科學(xué)問(wèn)題并形構(gòu)建普適理論，但難以在復(fù)雜系統(tǒng)中實(shí)驗(yàn)驗(yàn)證。計(jì)算科學(xué)以科學(xué)模型為基礎(chǔ)，通過(guò)數(shù)值方法模擬復(fù)雜系統(tǒng)，但需要簡(jiǎn)化模型以及提發(fā)現(xiàn)統(tǒng)計(jì)關(guān)聯(lián)，一定程度上避免了提出科學(xué)假設(shè)，但無(wú)法發(fā)現(xiàn)因果關(guān)系，且難以分析低質(zhì)量數(shù)據(jù)和發(fā)現(xiàn)復(fù)雜系統(tǒng)中的規(guī)律。當(dāng)前的科學(xué)研究主要面臨系統(tǒng)復(fù)雜性的挑戰(zhàn)，相互關(guān)聯(lián)的自然、技術(shù)和人類系統(tǒng)受到跨時(shí)間和空間尺度作用力的影響，導(dǎo)致復(fù)雜的相互作用和涌現(xiàn)行為1。傳統(tǒng)科學(xué)研究方法難以應(yīng)對(duì)這些復(fù)雜性挑戰(zhàn)，迫切需要新的科學(xué)研究方法。針對(duì)復(fù)雜數(shù)據(jù)中的因果關(guān)系，發(fā)展了一系列新的因果推斷方法。針對(duì)高質(zhì)量科學(xué)數(shù)據(jù)缺乏問(wèn)題，如大氣數(shù)據(jù)、天文數(shù)據(jù)等，發(fā)展了生成式人工智能技術(shù)，如擴(kuò)散模型和大語(yǔ)言模型。針對(duì)處理復(fù)雜系統(tǒng)的局限性，發(fā)展了融合先驗(yàn)知識(shí)的深度學(xué)習(xí)，將先驗(yàn)知識(shí)嵌入深度神經(jīng)網(wǎng)絡(luò)，在增強(qiáng)模型可解釋性的同時(shí)，顯著提高模型的泛化能力，如物理信息神經(jīng)網(wǎng)絡(luò)3。人工智能創(chuàng)新重塑傳統(tǒng)科學(xué)研究過(guò)程，加速科學(xué)發(fā)現(xiàn)。人工智能通過(guò)融合數(shù)據(jù)和先驗(yàn)知識(shí)的模型驅(qū)動(dòng)、假設(shè)生成與驗(yàn)證、自動(dòng)與智能化實(shí)驗(yàn)以及跨學(xué)科合作等方式，加速科學(xué)發(fā)現(xiàn)。傳統(tǒng)科學(xué)發(fā)現(xiàn)以實(shí)驗(yàn)觀察和理論如物理定律。人工智能則采用模型驅(qū)動(dòng)的方式，從大規(guī)模數(shù)據(jù)中自動(dòng)發(fā)現(xiàn)隱藏的規(guī)律，第一章序言科學(xué)智能白皮書20255454傳統(tǒng)科學(xué)發(fā)現(xiàn)從大規(guī)模解空間中生成候選假設(shè)并驗(yàn)證，效率低且難以找到高質(zhì)量解4。人工智能憑借強(qiáng)大的數(shù)據(jù)處理和分析能力，可以更有效地探索解空間，生成高質(zhì)量的候選假設(shè)。例如，在純數(shù)學(xué)領(lǐng)域，機(jī)器學(xué)習(xí)可以輔助數(shù)學(xué)家發(fā)現(xiàn)新的猜想和定理5?？茖W(xué)研究依賴于實(shí)驗(yàn)評(píng)估理論。傳統(tǒng)的實(shí)驗(yàn)設(shè)計(jì)和優(yōu)化方法依賴人工經(jīng)驗(yàn)和反復(fù)試錯(cuò)，成本高且效率低，如材料合成以及核聚變。人工智能與機(jī)器人技術(shù)結(jié)合可以實(shí)現(xiàn)實(shí)驗(yàn)的自動(dòng)化設(shè)計(jì)與執(zhí)行，并根據(jù)實(shí)時(shí)數(shù)據(jù)調(diào)整實(shí)驗(yàn)參數(shù)，優(yōu)化實(shí)驗(yàn)流程和候選對(duì)象?？傊斯ぶ悄芸梢杂行д喜煌瑢W(xué)科的數(shù)據(jù)和知識(shí)，打破學(xué)科壁壘，促進(jìn)多學(xué)科深度融合，解決學(xué)科的挑戰(zhàn)性問(wèn)題。跨學(xué)科合作不僅拓展了各學(xué)科的研究邊界，還催生了計(jì)算生物學(xué)、量子機(jī)器學(xué)習(xí)、數(shù)字人文等1.P.Berens.etal.AIforscience:anemergingagenda.arXivPreprint,/abs/2303.04217v1(2023).2.T.Hey.etal.TheFourthParadigm:Data-IntensiveDiscovery,Microsoft(2009).3.Raissi,M.etal.Physics-informedneuralnetworks:adeeplearningframeworkforsolvingforwardandinverseproblemsinvolvingnonlinearpartialdifferentialequations.J.Comput.Ph4.Griffin,C.etal.Anewgoldenageofdiscovery:seizingtheAIforscienceopportunity.Technicalreport,/deepmind-media/DeepM/Assets/Docs/a-new-age-of-discovery_nov-5.Davies,A.etal.Advancingmathematic2.發(fā)展與態(tài)勢(shì)2.1最新進(jìn)展隨著深度學(xué)習(xí)、生成模型與強(qiáng)化學(xué)習(xí)等技術(shù)的突破，人工智能不僅能從海量數(shù)據(jù)中識(shí)別人類難以察覺(jué)的復(fù)雜模式，更展現(xiàn)出自主提出科學(xué)假設(shè)、設(shè)計(jì)實(shí)驗(yàn)方案、優(yōu)化研究AlphaFold31突破性地實(shí)現(xiàn)了對(duì)幾乎所有分子類型的蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)，提高了蛋白-配體相互作用預(yù)測(cè)的準(zhǔn)確度，為新藥研發(fā)、疫GraphCast模型2、華為“盤古”大模型3、復(fù)旦大學(xué)“伏羲”大模型4等AI氣象模型顯著提升了全球天氣預(yù)報(bào)能力，實(shí)現(xiàn)更長(zhǎng)時(shí)間尺度、更高精度的天氣預(yù)測(cè)。普林斯頓等離子物理實(shí)驗(yàn)室利用強(qiáng)化學(xué)習(xí)優(yōu)化等離子體控制，解決撕裂不穩(wěn)定性問(wèn)題，加速核聚變能源的實(shí)現(xiàn)5。加州大學(xué)伯克利分校和勞倫斯伯克利國(guó)家實(shí)驗(yàn)室利用機(jī)器人執(zhí)行實(shí)驗(yàn)，機(jī)器學(xué)習(xí)規(guī)劃實(shí)驗(yàn)并結(jié)合主動(dòng)學(xué)習(xí)優(yōu)化實(shí)驗(yàn)過(guò)程，研發(fā)用于無(wú)機(jī)粉末固態(tài)合成的自動(dòng)實(shí)驗(yàn)2.2前沿科學(xué)問(wèn)題與突破路徑2.2.1如何構(gòu)建跨尺度的科學(xué)智能模型科學(xué)研究涉及從原子尺度到宏觀系統(tǒng)的跨尺度建模，但當(dāng)前AI模型通常僅適用于單一尺度，缺乏有效的多尺度耦合機(jī)制。為了解決這一挑戰(zhàn)，可以從以下幾個(gè)方利用物理模型與AI的耦合建模，將已知的物理規(guī)律嵌入到AI模型中構(gòu)建跨尺度關(guān)聯(lián)，打造“灰盒模型”，提高模型的可信度和計(jì)算效率。開(kāi)發(fā)跨尺度、多模態(tài)統(tǒng)一的神經(jīng)網(wǎng)絡(luò)架構(gòu)，用于從微觀到宏觀的統(tǒng)一建2.2.2如何提升AI模型在科學(xué)研究中的泛化性模型可能無(wú)法學(xué)習(xí)到有效的特征，難以適應(yīng)新的領(lǐng)域或任務(wù)，限制了其在實(shí)際科學(xué)問(wèn)題為了解決這一挑戰(zhàn)，可以從以下幾個(gè)方利用生成式模型生成高質(zhì)量科學(xué)數(shù)據(jù)，補(bǔ)充數(shù)據(jù)稀缺領(lǐng)域的樣本多樣性。通過(guò)預(yù)訓(xùn)練跨領(lǐng)域基礎(chǔ)模型，結(jié)合小樣本學(xué)習(xí)技術(shù)，快速適應(yīng)新任務(wù)或?qū)W科場(chǎng)景2.2.3如何利用AI拓展科學(xué)發(fā)現(xiàn)的創(chuàng)新邊界AI目前仍局限于已有知識(shí)的重組與推理，主要通過(guò)對(duì)已有數(shù)據(jù)的模式識(shí)別和重組來(lái)生成結(jié)果，而缺乏真正的創(chuàng)造性思維?？茖W(xué)研究往往涉及跨學(xué)科的知識(shí)和數(shù)據(jù)，AI模型在整合不同領(lǐng)域的知識(shí)時(shí)存在困難。如何使其真正參與科學(xué)假設(shè)的提出和驗(yàn)證，仍是為了解決這一挑戰(zhàn)，可以從以下幾個(gè)方構(gòu)建跨學(xué)科知識(shí)圖譜、因果推理和生成模型，整合多領(lǐng)域知識(shí)庫(kù)，使AI能夠從已有知識(shí)中提取洞察并提出新穎的科學(xué)假設(shè)。建立強(qiáng)化學(xué)習(xí)驅(qū)動(dòng)的AI輔助實(shí)驗(yàn)設(shè)計(jì)、數(shù)據(jù)分析、理論建模的閉環(huán)系統(tǒng)，實(shí)現(xiàn)自動(dòng)化科學(xué)發(fā)現(xiàn)。開(kāi)發(fā)可視化工具與交互界面，將AI生成的假設(shè)映射為可解釋的科學(xué)邏輯鏈，支持領(lǐng)域?qū)＜疫M(jìn)行修正與理論完善。1.Abramson,J.etal.AccuratestructurepredictionofbiomolecularinteractionswithAlphaFold3.Nature2.RemiLametal.,Learningskillfulmedium-range3.Bi,K.etal.Accuratemedium-rangeglobalweatherforecastingwith3Dneuralnetworks.Nature619,533–538(2023).4.Chen,L.etal.FuXi:acascademachinelearningforecastingsystemfor15-dayglobalweatherforecast.npjClim.Atmos.Sci.6,190(5.Seo,J.etal.Avoidingfusionplasmatearinginstabilitywithdeepreinforcementlearning.Nature6.Nathan,J.S.etal.AnautonomouslaboratoryfortheacceleratedsynthesisofnovelmaterialsNature624,86–91(2024).3.數(shù)據(jù)分析本研究中，人工智能（AI）相關(guān)領(lǐng)域數(shù)學(xué)、物質(zhì)科學(xué)、生命科學(xué)、地球與環(huán)境ResearchIntelligence）《自然》AI相關(guān)出版物數(shù)量、引用量以及自然指數(shù)（Nature2015-2024年全球AI相關(guān)出版物進(jìn)行了系統(tǒng)性分析。數(shù)據(jù)結(jié)果顯示，AI和AI4S研究正經(jīng)歷規(guī)模擴(kuò)張與范式變革的雙重突破。加速井噴AI4S領(lǐng)域的學(xué)術(shù)出版物總量快速增長(zhǎng)。力推動(dòng)了AI研究整體的井噴態(tài)勢(shì)。如圖1.1所示，全球AI論文數(shù)量在過(guò)去十年間激增近三倍——從30.89萬(wàn)篇增至95.45萬(wàn)篇，年均增長(zhǎng)率為13.7%。2020年是一個(gè)重要加速點(diǎn)，前后相較，年均增長(zhǎng)率從10.9%躍升至16.0%。同期AI核心領(lǐng)域論文占比提升了6.4個(gè)百分點(diǎn)，這源于AI4S論文的2020后年則以19.3%的速度擴(kuò)張。其中，工程科學(xué)和生命科學(xué)最為突出，年均增長(zhǎng)升至16.1%和28.9%。物排名前五的國(guó)家/地區(qū)格局發(fā)生了轉(zhuǎn)變（圖1.2）。中國(guó)增長(zhǎng)勢(shì)頭尤為顯著，出版越歐盟，居全球首位，2022年超越歐盟和美國(guó)的總和。印度也展現(xiàn)出明顯的追趕態(tài)為美國(guó)的1/32024年提升至8.51萬(wàn)篇，幾乎與美國(guó)（8.57萬(wàn)篇）齊平。 0——AI4S總量0 0第一章序言科學(xué)智能白皮書20257676 0 03.2美國(guó)高質(zhì)優(yōu)勢(shì)仍存，中國(guó)引領(lǐng)應(yīng)用創(chuàng)新從科研質(zhì)量上看，美國(guó)仍保持優(yōu)勢(shì)。如圖1.3所示，基于自然指數(shù)追蹤的高質(zhì)量前沿研究期刊發(fā)表的AI相關(guān)論文引用量，美國(guó)始終保持領(lǐng)先地位，2020年達(dá)到30.28萬(wàn)次。中國(guó)的崛起頗具顛覆性，引用量從至2024年，中國(guó)的AI相關(guān)論文球總量的40.2%，實(shí)現(xiàn)了對(duì)美國(guó)（占全球總量的42.9%）的快速追趕。需要指出的是，由于引用數(shù)據(jù)隨著時(shí)間推移而積累，盡管目前統(tǒng)計(jì)顯示2020年后引用數(shù)據(jù)趨勢(shì)下降有中國(guó)在AI應(yīng)用領(lǐng)域的創(chuàng)新同樣體現(xiàn)了從“跟隨者”到“引領(lǐng)者”的跨越。圖1.4聚焦于專利、政策文檔與臨床試驗(yàn)中的引用數(shù)據(jù)。中國(guó)憑借持續(xù)高速增長(zhǎng)，于2016年檔與臨床試驗(yàn)中的引用占比高達(dá)41.6%，遙遙領(lǐng)先。同樣，由于引用數(shù)據(jù)隨著時(shí)間推移而積累，目前統(tǒng)計(jì)顯示近年引用數(shù)據(jù)趨勢(shì)下降有所失真，但大體不影響國(guó)別間比較趨勢(shì)3.3AI4S國(guó)別優(yōu)勢(shì)各異，中美仍是最重要科研合作伙伴2024年AI出版物領(lǐng)域構(gòu)成揭示了不同國(guó)家/地區(qū)在AI4S研究方向上的優(yōu)勢(shì)和特點(diǎn)（圖1.5）。美國(guó)、歐盟和英國(guó)聚中國(guó)以工程科學(xué)（38.9%）為主導(dǎo)，物質(zhì)科度則形成工程科學(xué)（25.9%）為主，人文社7.4%5.5%38.9%35.0%6.7%33.0%6.9%3.2%20.6%32.8%24.8%2.8%7.4%5.5%38.9%35.0%6.7%33.0%6.9%3.2%20.6%32.8%24.8%2.8%5.4%9.4%25.9%15.3%10.8%5.4%9.4%25.9%15.3%10.8%第一章序言科學(xué)智能白皮書20259898數(shù)據(jù)顯示，AI和AI4S的全球合作依舊穩(wěn)步攀升。國(guó)際合作的AI出版物總量從物總量從2.99萬(wàn)篇躍升至9.48萬(wàn)篇，均增長(zhǎng)了三倍左右（圖1.6）。AI出版物的中美合作在2020年到達(dá)頂峰后有所下滑，但依舊是全球規(guī)模最大的雙邊合作。至202同期，中國(guó)與歐盟、英國(guó)、加拿大及澳大利亞的科研紐帶顯著增強(qiáng)，中歐合作從20150國(guó)際合作AI出版物數(shù)量國(guó)際合作AI4S出版物數(shù)量廠圖1.7｜AI出版物國(guó)際合作趨勢(shì)-中國(guó)vs美國(guó)（前五國(guó)家/地區(qū)2015-2024,單位：篇）3.4AI4S引領(lǐng)范式變革：哪些AI技術(shù)學(xué)科革命，其核心特征是領(lǐng)域科學(xué)和AI方法的深度融合與適配。通過(guò)科學(xué)家提出關(guān)鍵如今，大語(yǔ)言模型（LLMs）已經(jīng)成為物質(zhì)科學(xué)、生命科學(xué)、社會(huì)科學(xué)等領(lǐng)域的通用科研工具。強(qiáng)化學(xué)習(xí)方法在工程系統(tǒng)控制、數(shù)學(xué)定理證明及物理模擬等復(fù)雜場(chǎng)景中占據(jù)主導(dǎo)地位。計(jì)算機(jī)視覺(jué)技術(shù)在生命科學(xué)和地球環(huán)境領(lǐng)域滲透顯著。此外，分布式學(xué)習(xí)、圖神經(jīng)網(wǎng)絡(luò)、可解釋AI和邊緣智能在不同學(xué)科中均得到廣泛應(yīng)用。AI技術(shù)圖譜揭示了一個(gè)根本性轉(zhuǎn)變：AI不僅是科學(xué)研究中可用工具集的擴(kuò)展和創(chuàng)新，更是推動(dòng)科學(xué)范式變革的“元技術(shù)”。一場(chǎng)AI4S革命，正在重塑人類科學(xué)發(fā)現(xiàn)的未來(lái)圖景。圖1.8｜科學(xué)智能中最獲青睞的AI技術(shù)（2015-2024）物理信息機(jī)器學(xué)習(xí)物理信息機(jī)器學(xué)習(xí)數(shù)據(jù)共享多尺度建模逆向設(shè)計(jì)圖神經(jīng)網(wǎng)絡(luò)邊緣計(jì)算符號(hào)回歸數(shù)據(jù)共享多尺度建模逆向設(shè)計(jì)圖神經(jīng)網(wǎng)絡(luò)邊緣計(jì)算符號(hào)回歸多模態(tài)大模型虛擬現(xiàn)實(shí)聯(lián)邦學(xué)習(xí)多模態(tài)大模型虛擬現(xiàn)實(shí)聯(lián)邦學(xué)習(xí)基于主體的模型基于主體的模型復(fù)雜系統(tǒng)復(fù)雜系統(tǒng)混合精度算法隨機(jī)梯度下降方法大語(yǔ)言模型混合精度算法隨機(jī)梯度下降方法大語(yǔ)言模型物質(zhì)科學(xué)物質(zhì)科學(xué)泛化能力泛化能力策略優(yōu)化策略優(yōu)化圖神經(jīng)網(wǎng)絡(luò)分布式學(xué)習(xí)圖神經(jīng)網(wǎng)絡(luò)分布式學(xué)習(xí)生成模型生成模型擴(kuò)散模型擴(kuò)散模型因果推斷因果推斷邊緣智能循環(huán)神經(jīng)網(wǎng)絡(luò)啟發(fā)式算法非凸優(yōu)化邊緣智能強(qiáng)化學(xué)習(xí)模型分割人工智能輔助臨床決策模型分割模型壓縮生命科學(xué)演化模擬生命科學(xué)多模態(tài)大模型多模態(tài)大模型從頭設(shè)計(jì)隨機(jī)森林從頭設(shè)計(jì)隨機(jī)森林基礎(chǔ)模型基于主體的模型基礎(chǔ)模型基于主體的模型可解釋人工智能圖像處理可解釋人工智能圖像處理遺傳算法數(shù)據(jù)增強(qiáng)遺傳算法數(shù)據(jù)增強(qiáng)大語(yǔ)言模型計(jì)算機(jī)視覺(jué)大語(yǔ)言模型計(jì)算機(jī)視覺(jué)生態(tài)系統(tǒng)動(dòng)態(tài)模擬物理約束生態(tài)系統(tǒng)動(dòng)態(tài)模擬物理約束跨尺度建模模型可解釋性跨尺度建模模型可解釋性第二章全球AI核心領(lǐng)域出版物從2015年方面優(yōu)勢(shì)顯著，印度加速追趕，總量已超越美國(guó)，接近歐盟。從數(shù)據(jù)分析和關(guān)鍵詞詞云看，研究主題呈雙聚焦：科學(xué)智能白皮書2025圖2｜AI核心領(lǐng)域出版物總量、國(guó)家趨勢(shì)（單位：千篇）與關(guān)鍵詞詞云（2015-2024）5004504003503002502000mn總量中國(guó)歐盟美國(guó)印度英國(guó)806040200可解釋性可解釋性智能體極端風(fēng)險(xiǎn)檢索增強(qiáng)生成智能體極端風(fēng)險(xiǎn)檢索增強(qiáng)生成博弈論深度推理博弈論深度推理動(dòng)態(tài)異構(gòu)冗余架構(gòu)動(dòng)態(tài)異構(gòu)冗余架構(gòu)前沿模型第二章AI前沿科學(xué)智能白皮書20251.從大語(yǔ)言模型走向自主智近年來(lái)，以大語(yǔ)言模型（LLM)1-3為代表的人工智能(AI)技術(shù)快速發(fā)展，已在多個(gè)領(lǐng)域展現(xiàn)出先前技術(shù)所不具備的涌現(xiàn)能力。借助千億級(jí)參數(shù)規(guī)模，大語(yǔ)言模型不僅實(shí)現(xiàn)了海量知識(shí)整合和邏輯推理能力的突破，還展現(xiàn)出向通用人工智能演進(jìn)的巨大潛力，具有重要的研究和應(yīng)用價(jià)值。學(xué)術(shù)界與工業(yè)界紛紛將目光聚焦于大語(yǔ)言模型的相關(guān)研究，力圖突破計(jì)算復(fù)雜度高、安全對(duì)齊難、可解釋性弱等短板。與此同時(shí)，隨著訓(xùn)練數(shù)據(jù)、算力資源逐漸面臨增長(zhǎng)瓶頸，研究者正積極尋找繼續(xù)提升模型能力的第二擴(kuò)展定律，推動(dòng)模型向知識(shí)增強(qiáng)4、多模態(tài)融合5,6和深度推理7,8方向演進(jìn)，逐步催生出具備自主學(xué)習(xí)和決策能力的智能體系統(tǒng)9。這一趨勢(shì)不僅拓寬了人工智能的應(yīng)用邊界，更為實(shí)現(xiàn)真正意義上的通用人工智能(AGI)奠定了堅(jiān)實(shí)以大語(yǔ)言模型為核心的人工智能技術(shù)正邁入全新發(fā)展階段。在訓(xùn)練數(shù)據(jù)和算力資源二擴(kuò)展定律”，即從訓(xùn)練階段的規(guī)模效應(yīng)延伸到推理階段，通過(guò)模型架構(gòu)革新與軟硬件協(xié)同設(shè)計(jì)，實(shí)現(xiàn)參數(shù)效率的指數(shù)級(jí)提升10，進(jìn)而大幅降低訓(xùn)練和推理的能耗。這一戰(zhàn)略轉(zhuǎn)變?yōu)槌掷m(xù)推動(dòng)模型能力升級(jí)提供了新路徑。在技術(shù)演進(jìn)方面，研究者聚焦于多個(gè)前1.2.1知識(shí)增強(qiáng)：為彌補(bǔ)大語(yǔ)言模型長(zhǎng)尾或領(lǐng)域知識(shí)不足、內(nèi)在知識(shí)難以動(dòng)態(tài)更新等問(wèn)題，檢索增強(qiáng)生成技術(shù)4通過(guò)對(duì)外部知識(shí)庫(kù)的充分利用，使得模型能夠快速獲取專業(yè)知識(shí)和最新信息，有效提升了大語(yǔ)言模型的應(yīng)用面和輸出內(nèi)容的可信度。Gemini為代表的多模態(tài)大模型5,6通過(guò)跨模態(tài)對(duì)齊技術(shù)，實(shí)現(xiàn)了視覺(jué)、語(yǔ)音、文本等多模態(tài)信息的高效整合，大幅拓寬了模型應(yīng)用DeepSeekR18為代表的推理模型，在解題回答中引入類似人類“思考—反思”的推理機(jī)制，用更長(zhǎng)推理時(shí)間換取更高質(zhì)量答案，在數(shù)學(xué)、科學(xué)和編程等復(fù)雜任務(wù)上取得顯著4）自主智能體：多智能體系統(tǒng)9依托大語(yǔ)言模型的認(rèn)知與推理能力，通過(guò)自主感知、任務(wù)規(guī)劃、記憶系統(tǒng)及外部工具調(diào)用，顯著提升了任務(wù)完成效率和系統(tǒng)協(xié)同能力。5）安全可信：大語(yǔ)言模型安全可信研究正沿著"可解釋性增強(qiáng)-價(jià)值對(duì)齊校準(zhǔn)-可信評(píng)估體系"三位一體的技術(shù)路徑縱深突在應(yīng)用層面，這些技術(shù)的突破正在引領(lǐng)人工智能邁向爆發(fā)性應(yīng)用期。業(yè)界正積極將大語(yǔ)言模型及其衍生技術(shù)推廣至辦公助手、不斷拓寬實(shí)際應(yīng)用邊界。當(dāng)前的技術(shù)革新和應(yīng)用實(shí)踐預(yù)示著未來(lái)通用人工智能將不斷向更高層次演進(jìn)，為全球產(chǎn)業(yè)轉(zhuǎn)型和社會(huì)發(fā)展1.3前沿科學(xué)問(wèn)題和突破路徑高效架構(gòu)、全模態(tài)模型、情感認(rèn)知和群體智能等方向進(jìn)行探索和突破，解決各自獨(dú)特的1）探索更高效且更通用的模型推理能力提升方法。優(yōu)化強(qiáng)化學(xué)習(xí)策略與獎(jiǎng)勵(lì)信號(hào)設(shè)計(jì)，提高模型的學(xué)習(xí)與搜索效率，并利用人類反饋不斷自我修正，突破復(fù)雜問(wèn)題推理和長(zhǎng)序列生成挑戰(zhàn)，并將模型推理能力推廣至更廣闊的實(shí)際應(yīng)用場(chǎng)景中。2）尋找可以支撐模型能力提升的下一代擴(kuò)展定律。在預(yù)訓(xùn)練和推理階段的擴(kuò)展定律之外，探索多智能體協(xié)作、物理世界交互和動(dòng)態(tài)知識(shí)更新等下一代擴(kuò)展方向。3）設(shè)計(jì)軟硬一體的高效模型架構(gòu)。利用分布式訓(xùn)練、混合精度計(jì)算及專用硬件加速技術(shù)，加速模型訓(xùn)練和推理速度，使得大模型能夠更快地響應(yīng)實(shí)時(shí)任務(wù)需求，提升整4）設(shè)計(jì)支持理解和生成的統(tǒng)一全模態(tài)模型。突破支持高效理解和生成的全模態(tài)模型架構(gòu)，優(yōu)化跨模態(tài)特征的融合與對(duì)齊，解決細(xì)粒度感知不足、幻覺(jué)頻現(xiàn)以及空間能力欠缺等問(wèn)題，為世界模型奠定基礎(chǔ)。5）探索大模型情感感知和認(rèn)知調(diào)控技術(shù)。突破大模型的性格化和擬人化技術(shù)，增強(qiáng)大模型的跨模態(tài)情感感知能力，實(shí)現(xiàn)情境自適應(yīng)的個(gè)性化情感調(diào)控機(jī)制，實(shí)現(xiàn)擬人化6）構(gòu)建基于多智能體協(xié)作的自組織群體智能。探索復(fù)雜場(chǎng)景下的多智能體深度集成和自組織協(xié)作機(jī)制，構(gòu)建可擴(kuò)展的智能體協(xié)作框架，為未來(lái)人機(jī)共生智能化社會(huì)提供為更快地邁向通用人工智能，研究者需要突破上述大語(yǔ)言模型前沿科學(xué)問(wèn)題，推動(dòng)未來(lái)人工智能技術(shù)在科學(xué)研究、數(shù)字經(jīng)濟(jì)等1.OpenAIetal.GPT-4TechnicalReport.(22.Touvron,H.etal.LLaMA:Openandefficientfoundationlanguagemodels.ArXivpreprint3.Sun,T.etal.MOSS:Anopenconversationallarge4.Lewis,P.etal.Retrieval-augmentedgenerationforknowledge-intensiveNLPtasks.ArXivpreprintunderstandingacrossmillionsoftokensofcontext.6.Zhan,J.etal.AnyGPT:UnifiedmultimodalLLMwithdiscretesequencemodelin7.Zeng,Z.etal.Scalingofsearchandlearoadmaptoreproduceo1fromreinforcement(2024).reasoningcapabilityinLLMsviareinforcement9.Xi,Z.etal.Theriseandpoten11.Ma,X.etal.Safetyatscale:Acomprehensivesurveyoflargemodelsafety.ArXivpreprint2.具身智能2.1背景具身智能是基于物理本體感知和行動(dòng)的智能系統(tǒng)，通過(guò)與環(huán)境交互感知信息、規(guī)劃任務(wù)、做出決策并控制本體完成任務(wù)，產(chǎn)生智能行為并持續(xù)演進(jìn)。具身智能需可信、行為符合人類價(jià)值并能自我進(jìn)化。2.2最新進(jìn)展具身智能技術(shù)近年來(lái)取得突破性進(jìn)展，在感知、決策、控制及商業(yè)化應(yīng)用等方面實(shí)現(xiàn)重大提升。高精度傳感器增強(qiáng)了智能體的環(huán)境感知能力，融合感知與推理的動(dòng)態(tài)四維世界模型提升了對(duì)復(fù)雜環(huán)境的理解與適應(yīng)性，而強(qiáng)化學(xué)習(xí)與深度學(xué)習(xí)的 PhysicalIntelligence的π02實(shí)現(xiàn)了從 視覺(jué)與語(yǔ)言輸入直接生成機(jī)器人動(dòng)作的能力。FigureAI推出的Helix3是全球首 系統(tǒng)架構(gòu)4，為智能機(jī)器人控制提供了全 新范式。人形機(jī)器人正加速演進(jìn)，特斯拉Optimus二代5在工業(yè)與服務(wù)領(lǐng)域逐步 Technologies公司的NEOGamma7等 多功能家務(wù)機(jī)器人展現(xiàn)出強(qiáng)大的實(shí)用能力，推動(dòng)機(jī)器人在日常生活中的應(yīng)用。此外，具身智能在醫(yī)療、神經(jīng)科學(xué)和虛擬現(xiàn)實(shí)等領(lǐng)域?qū)崿F(xiàn)重要突破。復(fù)旦大學(xué)加福民團(tuán)隊(duì)開(kāi)發(fā)腦脊接口技術(shù)，讓癱瘓者重獲行走能力；復(fù)旦大學(xué)類腦院構(gòu)建千億級(jí)神經(jīng)元數(shù)字孿生平臺(tái)8，推動(dòng)神經(jīng)調(diào)控應(yīng)用發(fā)展；VR技術(shù)與具身智能結(jié)合，增強(qiáng)沉浸體驗(yàn)，推動(dòng)未來(lái)人機(jī)交互革新。具身智能正邁向產(chǎn)業(yè)化，賦能醫(yī)療、制造、家用機(jī)器人及虛擬現(xiàn)實(shí)等多個(gè)領(lǐng)域。2.3前沿科學(xué)問(wèn)題和突破路徑2.3.1基礎(chǔ)模型現(xiàn)有具身智能基礎(chǔ)模型的泛化能力有限，難以適應(yīng)不同物體類別、場(chǎng)景和任務(wù)。如何提升跨本體、跨場(chǎng)景、跨任務(wù)的泛化能力，實(shí)現(xiàn)通用具身智能，是關(guān)鍵科學(xué)問(wèn)研發(fā)新一代具身基礎(chǔ)模型，重點(diǎn)探索視覺(jué)-語(yǔ)言對(duì)齊（VLA）和雙系統(tǒng)大模型。VLA通過(guò)對(duì)齊視覺(jué)與語(yǔ)言信息，提升機(jī)器人對(duì)指令的理解與執(zhí)行能力。雙系統(tǒng)模型由反應(yīng)系統(tǒng)和推理系統(tǒng)組成，分別負(fù)責(zé)即時(shí)響應(yīng)與深度推理，以提升機(jī)器人決策能力。應(yīng)用包括人機(jī)交互、機(jī)器人自主導(dǎo)航等，但在多模態(tài)學(xué)習(xí)與系統(tǒng)復(fù)雜度方面仍面臨挑戰(zhàn)，需要在效率與復(fù)雜度之間找到平衡。2.3.2數(shù)據(jù)引擎具身智能系統(tǒng)的數(shù)據(jù)獲取和融合仍面臨數(shù)據(jù)質(zhì)量參差不齊、數(shù)據(jù)標(biāo)注成本高、跨模態(tài)數(shù)據(jù)同步性不足等問(wèn)題，限制了模型的泛化和適應(yīng)性。研發(fā)多源異構(gòu)數(shù)據(jù)采集與融合技術(shù)，構(gòu)建高質(zhì)量數(shù)據(jù)引擎。推動(dòng)統(tǒng)一的數(shù)據(jù)采集與多模態(tài)融合平臺(tái)建設(shè)，確保數(shù)據(jù)標(biāo)準(zhǔn)化與時(shí)間同步，促進(jìn)開(kāi)放數(shù)據(jù)集生態(tài)建設(shè)。多模態(tài)數(shù)據(jù)融合技術(shù)利用深度學(xué)習(xí)與融合算法整合視覺(jué)、觸覺(jué)、聽(tīng)覺(jué)等信息，增強(qiáng)智能系統(tǒng)在復(fù)雜環(huán)境中的感知與決策能力，提高系統(tǒng)的適應(yīng)性和可靠性。2.3.3交互能力目前的具身智能交互方式仍顯生硬，難以實(shí)現(xiàn)自然流暢的人機(jī)交互。如何提升具身智能的情感感知和交互能力，使其更自然、更人性化，是核心科學(xué)問(wèn)題。研究情感計(jì)算與多模態(tài)交互技術(shù)，優(yōu)化具身智能體的互動(dòng)體驗(yàn)。通過(guò)融合視覺(jué)、聽(tīng)覺(jué)和觸覺(jué)信息，提高交互的沉浸感與效率。面對(duì)實(shí)時(shí)性與穩(wěn)定性的挑戰(zhàn)，需要確保系統(tǒng)能夠快速響應(yīng)，同時(shí)保持穩(wěn)定數(shù)據(jù)傳輸。任務(wù)規(guī)劃與執(zhí)行層面，要求智能體具備自主探索與決策能力，優(yōu)化數(shù)據(jù)獲取、模型泛化和實(shí)時(shí)性。個(gè)性化與泛化性的平衡也是關(guān)鍵，需減少數(shù)據(jù)依賴，增強(qiáng)對(duì)不同用戶和環(huán)境的適應(yīng)能力。2.3.4本體研制現(xiàn)有具身智能硬件在靈活性、感知精度和適應(yīng)性方面仍存在局限，難以滿足復(fù)雜任務(wù)的需求。如何打造兼具敏捷性與適應(yīng)性的物理載體，是亟待解決的科學(xué)問(wèn)題。研發(fā)融合仿生結(jié)構(gòu)、智能感知與先進(jìn)驅(qū)動(dòng)技術(shù)的新型具身智能硬件。利用多種傳感器（視覺(jué)、觸覺(jué)、聽(tīng)覺(jué)等）實(shí)現(xiàn)環(huán)境感知和自身狀態(tài)監(jiān)測(cè)。視覺(jué)感知依賴相機(jī)與LiDAR進(jìn)行物體識(shí)別和深度感知，觸覺(jué)傳感器提供力反饋與紋理感知，聽(tīng)覺(jué)模塊通過(guò)語(yǔ)音識(shí)別處理聲音信號(hào)。運(yùn)動(dòng)控制方面，采用路徑規(guī)劃、動(dòng)力學(xué)模型和協(xié)調(diào)控制方法，確保高效任務(wù)執(zhí)行。同時(shí)，柔性電子與新型聚合物材料可提升感知精度，并通過(guò)集成設(shè)計(jì)增強(qiáng)數(shù)據(jù)采集能力和設(shè)備性能。2.3.5可信機(jī)制具身智能的決策透明性和安全性仍存在較大挑戰(zhàn)，智能體行為是否符合人類價(jià)值觀、如何防范惡意操控和數(shù)據(jù)隱私泄露，是核心問(wèn)題。構(gòu)建完善的可信評(píng)估與增強(qiáng)體系，以保障具身智能的可靠性。重點(diǎn)研究風(fēng)險(xiǎn)感知與價(jià)值對(duì)齊技術(shù)，使智能體的行為符合倫理規(guī)范和社會(huì)價(jià)值觀。針對(duì)醫(yī)療、通信、娛樂(lè)等領(lǐng)域的應(yīng)用，需加強(qiáng)安全防護(hù)機(jī)制，防范數(shù)據(jù)隱私泄露、惡意操控和未經(jīng)授權(quán)訪問(wèn)等風(fēng)險(xiǎn)。同時(shí)，法律與倫理層面需要完善法規(guī)框架，以應(yīng)對(duì)數(shù)據(jù)所有權(quán)、責(zé)任追究等問(wèn)題，防止技術(shù)濫用帶來(lái)的倫理困2.3.6具身智能評(píng)估當(dāng)前的具身智能評(píng)估體系尚不完善，缺乏統(tǒng)一基準(zhǔn)，難以全面衡量智能體的控制能力、任務(wù)規(guī)劃能力和泛化能力。如何建立科學(xué)合理的評(píng)估體系，是關(guān)鍵挑戰(zhàn)。研發(fā)系統(tǒng)化的具身智能評(píng)估框架，以更全面地衡量智能體的能力。需解決多方面問(wèn)題，包括：現(xiàn)有評(píng)估方法偏重單一模態(tài)，忽略跨模態(tài)融合效果；智能體的泛化能力評(píng)估尚不充分；持續(xù)學(xué)習(xí)評(píng)估需解決災(zāi)難性遺忘問(wèn)題；模擬環(huán)境與真實(shí)世界的差距影響評(píng)估準(zhǔn)確性；多機(jī)協(xié)同任務(wù)的同步問(wèn)題仍待優(yōu)化；高層次決策任務(wù)與低層次執(zhí)行任務(wù)的綜合評(píng)估體系亟待建立。未來(lái)需跨學(xué)科合作，構(gòu)建更完善的評(píng)估框架，以促進(jìn)具身智能技術(shù)的發(fā)展與落地應(yīng)第二章AI前沿科學(xué)智能白皮書2025transferwebknowledgetoroboticcontrol.ArXiv2.PhysicalIntelligence,π:Avision-languageflowmodelforgeneralrobotcReport(2024).3.FigureAI,Helix:Avision-lageneralisthumanoidcontrol(2025).4.NVIDIA,GR00TN1:generalisthumanoidrobots.TechnicalReport(5.Tesla,Optimus.Available:https://www.tesla.com/6.StanfordUniversity,MobileALOHA:Learningbimanualmobilemanipulationwithlow-bodyteleoperation(2023)www.1x.tech/neo(2025)8.Lu,W.etal.Imitatingandexploringthehumanbrain'srestingandtask-performingstatesviabraincomputing:scalingandarchitecture.Nat.S3.腦機(jī)接口3.1背景腦機(jī)接口技術(shù)為腦科學(xué)研究提供了全新的因果研究范式，并為腦疾病治療開(kāi)辟了靶向干預(yù)新路徑。此外，該技術(shù)的發(fā)展不僅將驅(qū)動(dòng)人工智能技術(shù)突破生物智能解析瓶頸，還將為類腦智能與具身智能的理論演進(jìn)提供新路徑，同時(shí)通過(guò)搭建人-機(jī)-環(huán)境智能融合接口系統(tǒng)，為構(gòu)建可持續(xù)的智能社會(huì)生態(tài)系統(tǒng)奠定技術(shù)基礎(chǔ)。通過(guò)建立大腦與外部設(shè)備的直接通信連接，腦機(jī)接口技術(shù)實(shí)現(xiàn)了神經(jīng)活動(dòng)的記錄、解碼與刺激功能。當(dāng)前，腦機(jī)接口正深度整合神經(jīng)科學(xué)與人工智能技術(shù)，其發(fā)展軌跡已從單向的神經(jīng)信息解析、神經(jīng)調(diào)控信息寫入，加速向腦機(jī)雙向交互及腦智融合方向演進(jìn)。3.2最新進(jìn)展神經(jīng)信息運(yùn)動(dòng)解碼研究已取得顯著進(jìn)展1，科學(xué)家們正在探索基于神經(jīng)活動(dòng)的言語(yǔ)、情感及意識(shí)解碼技術(shù)2,3。基于神經(jīng)信息解碼建立疾病相關(guān)生物標(biāo)記，為抑郁癥等精神疾病的藥物研發(fā)與神經(jīng)調(diào)控精準(zhǔn)治療提供了重要應(yīng)用依據(jù)4。神經(jīng)調(diào)控技術(shù)通過(guò)光、聲、電、磁等物理手段及化學(xué)方式調(diào)節(jié)神經(jīng)活動(dòng)，其中經(jīng)顱磁刺激加速療法為抑郁癥治療提供了創(chuàng)新性解決方案，超聲神經(jīng)調(diào)控在阿爾茨海默癥等疾病治療領(lǐng)域展現(xiàn)出廣闊應(yīng)用前景，光遺傳學(xué)技術(shù)已進(jìn)入人體臨床試驗(yàn)階段5，動(dòng)能神經(jīng)調(diào)控則可能成為未來(lái)新型神經(jīng)調(diào)控手段6。通過(guò)整合神經(jīng)信息解碼技術(shù)與神經(jīng)調(diào)控及神經(jīng)反饋機(jī)制，腦機(jī)接口可以實(shí)現(xiàn)高精度的外部設(shè)備控制或腦功能精準(zhǔn)調(diào)控7，不僅使癱瘓患者恢復(fù)運(yùn)動(dòng)功能成為可能，更為抑郁癥等精神疾病治療提供了全新路徑，實(shí)現(xiàn)了癱瘓患者重新行走8、抑郁癥治療9突破。美敦力公司研發(fā)的自適應(yīng)閉環(huán)腦深部電刺激系統(tǒng)10已在歐美地區(qū)進(jìn)入臨床應(yīng)用階段，該系統(tǒng)通過(guò)實(shí)時(shí)監(jiān)測(cè)與動(dòng)態(tài)調(diào)控神經(jīng)環(huán)路活動(dòng)，顯著提升了帕金森病等神經(jīng)系統(tǒng)疾病的治療效果。這一進(jìn)展標(biāo)志著腦機(jī)交互精準(zhǔn)神經(jīng)調(diào)控技術(shù)正式邁入臨床應(yīng)用新紀(jì)元。當(dāng)前人工智能技術(shù)的迭代升級(jí)正推動(dòng)腦機(jī)接口研究邁向認(rèn)知增強(qiáng)的新維度，突破性方向?？茖W(xué)家融合腦機(jī)接口技術(shù)成智能體，發(fā)現(xiàn)虛擬控制網(wǎng)絡(luò)中的激活狀態(tài)準(zhǔn)確預(yù)測(cè)了真實(shí)老鼠大腦中測(cè)得的神經(jīng)活動(dòng)，虛擬大鼠智能體能夠模仿完成真實(shí)大鼠的所有復(fù)雜任務(wù)，甚至可以完成新的任務(wù)11。這項(xiàng)突破不僅為解析運(yùn)動(dòng)控制的神經(jīng)機(jī)制提供了全新研究范式，更預(yù)示著“腦智融合科學(xué)”這一交叉學(xué)科的誕生，其在智能機(jī)器人、自學(xué)習(xí)神經(jīng)調(diào)控系統(tǒng)、腦啟發(fā)智能系統(tǒng)構(gòu)建等方面具有重要應(yīng)用前腦機(jī)接口歷經(jīng)五十年發(fā)展，實(shí)現(xiàn)了從單向神經(jīng)信號(hào)解析到雙向信息交互腦機(jī)接口范式轉(zhuǎn)換，并向腦功能與智能融合方向持續(xù)突破。多模態(tài)神經(jīng)調(diào)控與解碼算法融經(jīng)計(jì)算與AI融合推動(dòng)腦機(jī)接口技術(shù)向認(rèn)知增強(qiáng)技術(shù)發(fā)展，而交互維度將跨越神經(jīng)信號(hào)解析至認(rèn)知交互，物理接口擴(kuò)展至虛擬現(xiàn)實(shí)、智能環(huán)境等多模態(tài)協(xié)同。神經(jīng)機(jī)制、神經(jīng)技術(shù)與人工智能深度融合的發(fā)展趨勢(shì)預(yù)示著腦機(jī)接口技術(shù)正式邁入智能增強(qiáng)與認(rèn)知重塑的新階段。3.3前沿科學(xué)問(wèn)題和突破路徑人腦作為大規(guī)模的復(fù)雜動(dòng)力系統(tǒng)，其網(wǎng)絡(luò)化連接模式、動(dòng)態(tài)時(shí)變特性和非線性交互機(jī)制，構(gòu)成了神經(jīng)解碼與編碼技術(shù)實(shí)現(xiàn)可靠性和穩(wěn)定性的核心挑戰(zhàn)。如何實(shí)現(xiàn)神經(jīng)集群復(fù)雜功能的特異性調(diào)控？針對(duì)興奮性/抑制性神經(jīng)元、感覺(jué)/運(yùn)動(dòng)神經(jīng)元等特定神經(jīng)群體，通過(guò)跨時(shí)空尺度的神經(jīng)信息解碼與編碼研究，結(jié)合超聲、光學(xué)等技術(shù)手段建立從單神經(jīng)元到神經(jīng)環(huán)路層級(jí)的毫秒級(jí)時(shí)間精度與微米級(jí)空間分辨率的神經(jīng)功能監(jiān)測(cè)調(diào)控體系，將為神經(jīng)疾病與精神障礙治療提供特異性神經(jīng)調(diào)控解決方案。如何實(shí)現(xiàn)神經(jīng)元物理與化學(xué)交互作用的精準(zhǔn)調(diào)控？腦功能實(shí)現(xiàn)機(jī)制不僅涉及神經(jīng)元電活動(dòng)及神經(jīng)環(huán)路動(dòng)態(tài)互作，更依賴于分子層面的調(diào)控要素（包括神經(jīng)遞質(zhì)、受體蛋白、離子通道等）。通過(guò)整合分子調(diào)控網(wǎng)絡(luò)與神經(jīng)刺激技術(shù)體系，可在多維度實(shí)現(xiàn)神經(jīng)系統(tǒng)的分層精準(zhǔn)調(diào)控，進(jìn)而達(dá)成更高效、更精細(xì)的全腦神經(jīng)功能干預(yù)目如何實(shí)現(xiàn)腦功能動(dòng)態(tài)過(guò)程的精準(zhǔn)調(diào)控？建立基于神經(jīng)生理與神經(jīng)遞質(zhì)等信息的疾病特異性生物標(biāo)記體系，構(gòu)建神經(jīng)環(huán)計(jì)算-控制功能的智能神經(jīng)調(diào)控芯片，最終形成具備神經(jīng)信息實(shí)時(shí)感知、動(dòng)態(tài)建模與智能決策能力的閉環(huán)腦機(jī)交互系統(tǒng)，實(shí)現(xiàn)神經(jīng)核團(tuán)、神經(jīng)環(huán)路功能動(dòng)態(tài)自適應(yīng)調(diào)控。如何實(shí)現(xiàn)腦智融合自學(xué)習(xí)策略？將多模態(tài)神經(jīng)信息編碼框架與具身智能大模型進(jìn)行深度融合，通過(guò)構(gòu)建自然化人機(jī)交互學(xué)習(xí)范式，將顯著增強(qiáng)智能體的自主決策能力與環(huán)境適應(yīng)性。通過(guò)動(dòng)態(tài)自學(xué)習(xí)機(jī)制實(shí)現(xiàn)神經(jīng)信息解碼與功能重編程，不僅能驅(qū)動(dòng)實(shí)體機(jī)器人及智能設(shè)備的精準(zhǔn)操控，還可建立虛擬世界中智能體間的多模態(tài)交互通道，最終形成具備沉浸式體驗(yàn)與實(shí)時(shí)神經(jīng)與認(rèn)知功能響應(yīng)能力的腦智融合系tetraplegiausinganeurallycontrolledroboticarm.2.Chang,EF.Brain-computerinterfacesforrestoring3.Vansteensel,MJ.etal.Fullyimplantedbrain-computerinterfaceinalocked-InpatientwithALS.4.Wu,W.etal.Anelectroencephalographicsignaturepredictsantidepressantresponseinmajordepression.Nat.Biotechnol.38,439-447(2020).5.Sahel,JA.etal.Partialrecoveryofvisualfunctioninablindpatientafteroptogenetictherapy.Nat.Med.6.Yang,M.etal.IntermittentvibrationinducessleepviaanallatostatinA-GABAsignalingpathwayandprovidesbroadbenefitsinAlzheimersdisease7.Herron,J.etal.Theconvergenceofneuromodulationandbraincomputerinterfaces.8.Lorach,H.etal.Walkingnaturallyafterspinalcord9.Alagapan,S.etal.Cingulatedynamicstrackdepressionrecoverywithdeepbrainstimulation.10.Oehrn,CR.etal.ChronicadaptivedeepbrainstimulationversusconventionalstimulationinParkinson'sdisease:ablindedrandomizedfeasibilitytrial.Nat.Med.30,3345-3356(2024).11.Aldarondo,D.etal.Avirtualrodentpredictsstructureofneuralactivityacrossbehaviours.4.AI內(nèi)生安全4.1背景面對(duì)新一輪生成式人工智能浪潮，如何兼顧發(fā)展與安全已成為國(guó)際社會(huì)的共性難題1：一方面，AI系統(tǒng)在數(shù)據(jù)采集、模型訓(xùn)練到實(shí)際部署推理全生命周期均存在安全漏洞，現(xiàn)有安全防護(hù)體系在應(yīng)對(duì)新型威脅時(shí)往往出現(xiàn)系統(tǒng)性失效；另一方面，大模型智能體技術(shù)范式快速演進(jìn)，其依托AI系統(tǒng)軟件將基礎(chǔ)大模型的生成內(nèi)容轉(zhuǎn)換為作用于數(shù)字或物理世界的行為，若缺少安全管控，將導(dǎo)致AI生成內(nèi)容風(fēng)險(xiǎn)向物理域、社會(huì)域快速外溢。因此，將內(nèi)生安全理念融入基礎(chǔ)大模型研發(fā)、AI系統(tǒng)軟件設(shè)計(jì)和訓(xùn)練部署全過(guò)程，是構(gòu)建自主可控的內(nèi)生智能防護(hù)體系的關(guān)鍵2。4.2最新進(jìn)展AI系統(tǒng)全生命周期均面臨嚴(yán)峻安全挑戰(zhàn)：數(shù)據(jù)采集階段，投毒攻擊通過(guò)注入噪聲或惡意樣本，誤導(dǎo)模型學(xué)習(xí)；訓(xùn)練階段，通過(guò)植入模型后門，使其具備隱蔽功能；推理階段，對(duì)抗樣本、模型幻覺(jué)和風(fēng)險(xiǎn)內(nèi)容生成已成為主要威脅。超大規(guī)模參數(shù)、極深網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)大模型生成行為可解釋性差、安全對(duì)齊內(nèi)生性不強(qiáng)，易遭受越獄、提示詞注入、隱蔽后門等對(duì)抗誘導(dǎo)3。當(dāng)前多采用的“外部加固”策略難以適應(yīng)AI系統(tǒng)的動(dòng)態(tài)演進(jìn)和模型復(fù)雜特性。當(dāng)前AI安全領(lǐng)域尚未形成完備理論框架，缺乏對(duì)智能系統(tǒng)自身安全能力的度量方法。另一方面，基礎(chǔ)大模型行為所具有的非預(yù)設(shè)性，使得前沿AI系統(tǒng)或帶來(lái)重大紅線風(fēng)險(xiǎn)：國(guó)內(nèi)外已關(guān)注到前沿AI系統(tǒng)已突破自我復(fù)制4、欺騙5等紅線能力邊界。因此，需通過(guò)AI內(nèi)生安全理論原始創(chuàng)新，建立內(nèi)生治理與外部管控相結(jié)合的安全體4.3前沿科學(xué)問(wèn)題和突破路徑4.3.1AI內(nèi)生安全理論AI內(nèi)生安全需在模型設(shè)計(jì)之初嵌入安全機(jī)制，實(shí)現(xiàn)“安全即特性”目標(biāo)，例如：通過(guò)自適應(yīng)機(jī)制自動(dòng)調(diào)整模型參數(shù)；結(jié)合可信執(zhí)行環(huán)境保護(hù)分布式訓(xùn)練隱私安全。構(gòu)建AI系統(tǒng)內(nèi)生安全架構(gòu)，整合可信計(jì)算、零信任框架是重要研究方向。突破路徑：傳統(tǒng)安全范式試圖通過(guò)“封堵查殺”的被動(dòng)防御手段干預(yù)外因，無(wú)法化解系統(tǒng)構(gòu)造缺陷引發(fā)的本源性矛盾。動(dòng)態(tài)異構(gòu)冗余架構(gòu)6將安全屬性從代碼的脆弱性轉(zhuǎn)向架構(gòu)的確定性，使內(nèi)生安全矛盾在系統(tǒng)層實(shí)現(xiàn)演進(jìn)轉(zhuǎn)化或動(dòng)態(tài)和解2。動(dòng)態(tài)異構(gòu)冗余架構(gòu)通過(guò)多模型集成、異構(gòu)算法模型、多態(tài)執(zhí)行體與策略化調(diào)度機(jī)制的深度融合，使攻擊者難以捕捉穩(wěn)定的攻擊界面；通過(guò)算法異構(gòu)化部署、模型動(dòng)態(tài)遷移及特征空間重構(gòu)，打破攻擊所需的靜態(tài)環(huán)境假設(shè)，增強(qiáng)AI系統(tǒng)在復(fù)雜環(huán)境中的穩(wěn)定性和安全性7。4.3.2AI系統(tǒng)安全評(píng)估與防護(hù)現(xiàn)有安全評(píng)估依賴靜態(tài)測(cè)試和對(duì)抗攻擊實(shí)驗(yàn)，難以全面評(píng)估開(kāi)放環(huán)境下AI系統(tǒng)的安全性。為持續(xù)監(jiān)測(cè)通用大模型的安全風(fēng)險(xiǎn)，發(fā)展自動(dòng)化、覆蓋面廣、風(fēng)險(xiǎn)發(fā)現(xiàn)能力強(qiáng)的AI動(dòng)態(tài)安全評(píng)測(cè)技術(shù)尤為重突破路徑：構(gòu)建自動(dòng)化安全評(píng)估工具，法，探索通用安全標(biāo)準(zhǔn)；研究面向內(nèi)生安全的大模型風(fēng)險(xiǎn)靶向挖掘技術(shù)，發(fā)現(xiàn)代表性風(fēng)險(xiǎn)用例，形成風(fēng)險(xiǎn)數(shù)據(jù)庫(kù)；研究基礎(chǔ)大模型內(nèi)容風(fēng)險(xiǎn)控制機(jī)制，包括算法、內(nèi)容規(guī)范，防治AI產(chǎn)生破壞性的虛假信息。4.3.3前沿AI系統(tǒng)風(fēng)險(xiǎn)感知與治理面向前沿AI系統(tǒng)的紅線風(fēng)險(xiǎn)，研制主動(dòng)風(fēng)險(xiǎn)感知技術(shù)，建模智能體行為失控機(jī)制，形成系統(tǒng)化、實(shí)操性強(qiáng)的風(fēng)險(xiǎn)評(píng)估體系，對(duì)預(yù)警和治理前沿AI系統(tǒng)至關(guān)重突破路徑：研究工具交互、環(huán)境感知、思維推理、記憶增強(qiáng)等優(yōu)化方法，動(dòng)態(tài)激發(fā)基礎(chǔ)大模型潛能，主動(dòng)感知風(fēng)險(xiǎn)紅線突破點(diǎn)；從大模型、訓(xùn)練數(shù)據(jù)和系統(tǒng)軟件出發(fā)，研究面向大模型關(guān)鍵危險(xiǎn)能力的抑制方法，實(shí)現(xiàn)面向紅線的大模型行為編輯與對(duì)齊方法，構(gòu)建具備智能風(fēng)險(xiǎn)感知能力的AI系統(tǒng)軟件。1.Bengio,Y.etal.Managingext2.鄔江興.論網(wǎng)絡(luò)空間內(nèi)生安全問(wèn)題及對(duì)策.中國(guó)科學(xué):信3.Ma,X.etal.Safetyatscale:Acomprehensivesurveyoflargemodelsafety.arXivpreprintarXiv:4.Pan,X.etal.FrontierAIsystemshavesurpassedtheself-replicatingredline.arXivpreprintarXiv:5.Meinke,A.etal.Frontiermodelsarecapabl(2024).6.吳鋌等.基于執(zhí)行體劃分的防御增強(qiáng)型動(dòng)態(tài)異構(gòu)冗余架7.Wei,D.etal.Mimicwebapplicationstechnologybasedondhrarchitectur.InternationalConferenceonArtificialIntelligenceandIntelligent第三章2015至2024年間，全球數(shù)學(xué)領(lǐng)域AI出版物從2.12萬(wàn)篇增至4.12萬(wàn)篇，呈現(xiàn)近兩倍增長(zhǎng)（圖3）。中國(guó)于2017年后持續(xù)超越歐盟與美國(guó)；印度2020年后增長(zhǎng)加速，逐步拉近與美國(guó)的差距。在基礎(chǔ)理論、模型設(shè)計(jì)以及算法層面，數(shù)學(xué)是AI理論和創(chuàng)新之基礎(chǔ)。在運(yùn)籌優(yōu)化、科學(xué)計(jì)算和復(fù)雜系統(tǒng)等領(lǐng)域，數(shù)學(xué)和AI深度融合，協(xié)同創(chuàng)新。數(shù)據(jù)分析和關(guān)鍵詞詞云顯示，強(qiáng)化學(xué)習(xí)、循環(huán)神經(jīng)網(wǎng)絡(luò)、生成模型和擴(kuò)散模型等關(guān)鍵詞最被這一領(lǐng)域科學(xué)家看重，體現(xiàn)了底層理論創(chuàng)新和跨學(xué)科科學(xué)智能白皮書2025圖3｜數(shù)學(xué)領(lǐng)域AI出版物總量、國(guó)家趨勢(shì)（單位：千篇）與關(guān)鍵詞詞云（2015-2024）4540252050mn總量中國(guó)歐盟美國(guó)印度英國(guó)86420策略優(yōu)化循環(huán)神經(jīng)策略優(yōu)化循環(huán)神經(jīng)泛化能力泛化能力強(qiáng)化學(xué)習(xí)混合精度算法反問(wèn)題強(qiáng)化學(xué)習(xí)混合精度算法反問(wèn)題因果推斷生成模型函數(shù)空間擴(kuò)散模型因果推斷生成模型函數(shù)空間擴(kuò)散模型數(shù)值模擬數(shù)值模擬隨機(jī)梯度下降方法科學(xué)計(jì)算非凸優(yōu)化啟發(fā)式算法圖神經(jīng)網(wǎng)絡(luò)隨機(jī)梯度下降方法科學(xué)計(jì)算非凸優(yōu)化啟發(fā)式算法圖神經(jīng)網(wǎng)絡(luò)第三章數(shù)學(xué)科學(xué)智能白皮書20251.基礎(chǔ)理論以數(shù)學(xué)為視角，利用數(shù)學(xué)理論與數(shù)值方法推動(dòng)人工智能理論的發(fā)展，其研究可分為三大層面：人工智能基礎(chǔ)理論、模型設(shè)計(jì)以在人工智能（AI)基礎(chǔ)理論方面，核心問(wèn)題之一是分析深度學(xué)習(xí)模型的表達(dá)能力。數(shù)學(xué)工具如函數(shù)空間、逼近論和數(shù)值分析為揭示神經(jīng)網(wǎng)絡(luò)內(nèi)在的非線性結(jié)構(gòu)提供了方法論支持，并奠定了模型穩(wěn)定性和泛化能力的理論基礎(chǔ)。研究者借助這些工具構(gòu)造出如巴倫空間、變分空間等由神經(jīng)網(wǎng)絡(luò)誘導(dǎo)的函數(shù)空間，從而量化網(wǎng)絡(luò)表達(dá)能力。同時(shí)，通用近似定理證明通過(guò)加寬或者加深前饋神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近緊集上任意連續(xù)函數(shù)。尤其是在逼近本質(zhì)低維的高維函數(shù)時(shí)，神經(jīng)網(wǎng)絡(luò)可以有效回避高維維度災(zāi)難問(wèn)題，這在一定程度上解釋了深度學(xué)習(xí)處理復(fù)雜模式的能力。對(duì)于其他網(wǎng)絡(luò)結(jié)構(gòu)，數(shù)學(xué)同樣發(fā)揮著作用：圖神經(jīng)網(wǎng)絡(luò)（GNN）的信息傳播和聚合過(guò)程可通過(guò)圖論和圖拉普拉斯算子的譜分析來(lái)解釋；將深度學(xué)習(xí)模型視作動(dòng)力系統(tǒng)，通過(guò)微分方程和穩(wěn)定性理論分析循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的隱藏狀態(tài)演化，不僅揭示其長(zhǎng)序列穩(wěn)定性，也預(yù)示激活函數(shù)選擇不當(dāng)時(shí)可能引起的梯度消失風(fēng)險(xiǎn)；動(dòng)力系統(tǒng)中的平衡點(diǎn)、吸引子和分岔理論進(jìn)一步為神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中的動(dòng)態(tài)行為提供理論支撐，指在人工智能模型設(shè)計(jì)方面，數(shù)學(xué)理論指導(dǎo)著網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)、學(xué)習(xí)范式等。例如，擴(kuò)散模型的架構(gòu)根植于概率論和隨機(jī)過(guò)程，其正向過(guò)程利用馬爾可夫鏈逐步注入高斯噪聲使數(shù)據(jù)退化，逆向過(guò)程則依賴參數(shù)化條件概率逐步剝離噪聲實(shí)現(xiàn)重構(gòu)，構(gòu)成一個(gè)可逆隨機(jī)過(guò)程。這樣的設(shè)計(jì)在確保生成樣本多樣性的同時(shí)，也保證了高質(zhì)量的重構(gòu)。此外，RNN利用遞歸結(jié)構(gòu)捕捉時(shí)序數(shù)據(jù)的動(dòng)態(tài)特性，其狀態(tài)更新可用差分或微分方程描述，而殘差網(wǎng)絡(luò)（ResNet）則通過(guò)引入跨層“捷徑”聯(lián)結(jié)，緩解深層網(wǎng)絡(luò)中梯度消失問(wèn)題，其理論分析依賴于線性代數(shù)和微分方程，從在人工智能算法實(shí)現(xiàn)層面，數(shù)學(xué)不僅體現(xiàn)在數(shù)據(jù)預(yù)處理、損失函數(shù)構(gòu)造上，也貫穿于優(yōu)化算法設(shè)計(jì)。數(shù)據(jù)預(yù)處理方面，通過(guò)統(tǒng)計(jì)建模與樣本生成技術(shù)改善數(shù)據(jù)質(zhì)量：針對(duì)進(jìn)行參數(shù)估計(jì)并采用概率插補(bǔ)；面對(duì)類別不平衡，可利用過(guò)采樣或線性插值在特征空間內(nèi)擴(kuò)充少數(shù)類樣本，從而增強(qiáng)模型魯棒性。損失函數(shù)設(shè)計(jì)中，正則化方法（如L1正則化促進(jìn)稀疏性、L2正則化限制參數(shù)幅度）起到控制模型復(fù)雜度和防止過(guò)擬合的作用，此外還可依據(jù)神經(jīng)網(wǎng)絡(luò)誘導(dǎo)的新型函數(shù)空間設(shè)計(jì)專門的正則項(xiàng)。優(yōu)化算法和數(shù)值算法分析皆依賴于數(shù)學(xué)理論，不僅有助于訓(xùn)練過(guò)程的高效實(shí)現(xiàn)，還可以為模型部署提供支持，例如利用張量分解降低計(jì)算復(fù)雜度，或通過(guò)拓本部分的前沿科學(xué)問(wèn)題可以分為兩類，一類聚焦于揭示人工智能模型結(jié)構(gòu)內(nèi)蘊(yùn)的數(shù)學(xué)理論；另一類著眼于人工智能算法分析。第一類前沿科學(xué)問(wèn)題通過(guò)先分析一般簡(jiǎn)單深度神經(jīng)網(wǎng)絡(luò)模型的表達(dá)能力，再分析復(fù)雜常用模型的表達(dá)能力，為模型的可解釋性奠定第二類中的關(guān)鍵前沿科學(xué)問(wèn)題之一是泛化性。正則化、隱式正則化理論研究已經(jīng)為模型泛化性奠定了基礎(chǔ)，進(jìn)一步將求解問(wèn)題的數(shù)學(xué)理論融入算法設(shè)計(jì)，有望得到具有一定總之，數(shù)學(xué)為深度學(xué)習(xí)和人工智能中的可解釋性、泛化性及新型算法開(kāi)發(fā)提供了堅(jiān)實(shí)的理論支撐。未來(lái)的前沿研究將進(jìn)一步探索數(shù)學(xué)與人工智能各層面之間的深度融合，1.Barron,A.R.Universalapproximationboundsfor2.Cybenko,G.Approximationbysuperpositionsofasigmoidalfunction.Mat3.E,W.Thedawninmathematics,Not.Am.Math.Soc4.Engl,H.W.etal.Regularizationofinverseproblems.MathematicsanditsApplications,375,(1996).5.Pereverzyev,S.V.Anintroductiontoartificialintelligencebasedonreproduspaces.SpringerNature(2022).6.Zhou,D.X.Universalityofdeepconvolutionalneuralnetworks.Appl.Comput.Harmon.Anal.48,2.優(yōu)化優(yōu)化是人工智能的核心驅(qū)動(dòng)力之一，貫穿于模型訓(xùn)練、參數(shù)調(diào)整、性能提升等整個(gè)過(guò)程，并廣泛應(yīng)用于人工智能的各個(gè)分支，如監(jiān)督學(xué)習(xí)中的參數(shù)優(yōu)化，無(wú)監(jiān)督學(xué)習(xí)的結(jié)以及自然語(yǔ)言處理中大語(yǔ)言模型的分布式優(yōu)機(jī)器學(xué)習(xí)中的大多數(shù)任務(wù)可以被建模成一個(gè)優(yōu)化問(wèn)題，然后通過(guò)設(shè)計(jì)算法尋找好的參數(shù)以實(shí)現(xiàn)模型在特定任務(wù)上的良好表現(xiàn)。因此隨著人工智能的蓬勃發(fā)展，最優(yōu)化方法也得到了廣泛研究。利用梯度信息的隨機(jī)梯度法和小批量隨機(jī)梯度法等是最基礎(chǔ)也是最重要的一類方法，適用于大規(guī)模數(shù)據(jù)集的訓(xùn)練。進(jìn)一步地，帶有動(dòng)量的隨機(jī)梯度法在參數(shù)更新中通過(guò)累積歷史信息，能夠加快收斂雜的一些自適應(yīng)優(yōu)化算法，則利用二階信息這些方法在運(yùn)行過(guò)程中，還可以巧妙結(jié)合概率統(tǒng)計(jì)方法，以應(yīng)對(duì)訓(xùn)練過(guò)程中的噪聲、數(shù)據(jù)分布偏差及其他不確定性因素。此外，遺傳算法和粒子群優(yōu)化等啟發(fā)式算法在解決某些高維非凸問(wèn)題時(shí)展現(xiàn)了較好的魯棒性，貝葉斯優(yōu)化則成功應(yīng)用于深度學(xué)習(xí)中的模型超參數(shù)調(diào)優(yōu)、機(jī)器學(xué)習(xí)算法的自動(dòng)化調(diào)參，以對(duì)于凸優(yōu)化問(wèn)題，大多數(shù)梯度類算法能夠收斂到全局最優(yōu)；而對(duì)于機(jī)器學(xué)習(xí)中更常見(jiàn)的非凸優(yōu)化問(wèn)題，在光滑性、弱凸性或PL條件等假設(shè)下，能夠建立收斂到穩(wěn)定點(diǎn)甚至全局最優(yōu)點(diǎn)的理論結(jié)果。優(yōu)化動(dòng)力學(xué)、神經(jīng)正切核以及隱式正則化等理論則試圖揭示深度學(xué)習(xí)在實(shí)踐中取得成功的原因，并探究其泛化性的理論保障。對(duì)于大規(guī)模問(wèn)題的分布式優(yōu)化算法，不僅需要關(guān)心其計(jì)算復(fù)雜度或者迭代復(fù)雜度，通信復(fù)雜度對(duì)提高計(jì)算效率也人工智能的發(fā)展對(duì)優(yōu)化也有促進(jìn)作用，特別是大語(yǔ)言模型強(qiáng)大的生成能力。傳統(tǒng)的優(yōu)化建模依賴專家經(jīng)驗(yàn)，而大語(yǔ)言模型能夠利用專家知識(shí)，將自然語(yǔ)言描述的業(yè)務(wù)問(wèn)題轉(zhuǎn)化為優(yōu)化模型，并調(diào)用求解器進(jìn)行求解。例如，在物流路徑優(yōu)化任務(wù)中，模型可自動(dòng)識(shí)別關(guān)鍵變量、約束條件和目標(biāo)函數(shù)，并生成混合整數(shù)規(guī)劃模型。然后通過(guò)調(diào)用Gurobi、CPLEX等求解器，直接生成可執(zhí)行的優(yōu)化代碼，實(shí)現(xiàn)對(duì)實(shí)際場(chǎng)景任務(wù)的高效求解。此外，大規(guī)模求解器中往往有許多啟發(fā)傳統(tǒng)的方法一般是人工編寫，或者自定義搜索空間然后進(jìn)行調(diào)參，這兩種方法都費(fèi)時(shí)費(fèi)力，并且效果局限于所定義的搜索空間。相比之下，大語(yǔ)言模型可以借鑒已有知識(shí)，編寫許多非常高效的啟發(fā)式規(guī)則，并極大提升算法性能。例如，在旅行商、車輛路由等問(wèn)題中，常用遺傳算法中的啟發(fā)式規(guī)則可以使用大語(yǔ)言模型進(jìn)行編寫；而在可滿足性問(wèn)題中，主流CDCL算法中的啟發(fā)式規(guī)則也可以總的來(lái)講，優(yōu)化在人工智能的發(fā)展過(guò)程中起著不可或缺的作用，而人工智能的發(fā)展反過(guò)來(lái)又能促進(jìn)優(yōu)化建模以及優(yōu)化算法的設(shè)計(jì)。不過(guò)盡管當(dāng)前已經(jīng)取得了非常矚目的進(jìn)展，未來(lái)仍面臨許多挑戰(zhàn)與機(jī)遇,前沿科學(xué)問(wèn)題包括如下幾個(gè)方面。首先，結(jié)合實(shí)際計(jì)算架構(gòu)發(fā)展高效的算法是一個(gè)需要不斷與時(shí)俱進(jìn)的研究主題。當(dāng)前優(yōu)化方法以一階算法為主，而能否發(fā)展高效的二階算法同樣值得探究。對(duì)于一些特定的問(wèn)題，比如大模型中長(zhǎng)序列、稀疏獎(jiǎng)勵(lì)下的強(qiáng)化學(xué)習(xí)策略優(yōu)化問(wèn)題，如何設(shè)計(jì)高效的方法仍然還有很大的空間。另外，盡管大模型已經(jīng)初顯對(duì)優(yōu)化建模與算法設(shè)計(jì)的促進(jìn)作用，但是如何設(shè)計(jì)運(yùn)作可控的機(jī)制還需要更加深入的研究。理論方面，機(jī)器學(xué)習(xí)中優(yōu)化算法的泛化性研究在理想情形下已經(jīng)有了一些進(jìn)展，但是離對(duì)實(shí)際應(yīng)用產(chǎn)生有效的促進(jìn)作用仍有很長(zhǎng)的路要1.Bottou,L.etal.Optimizationmethodsforlarge-2.Ahmed,T.etal.Unveilingthepotentialoflanguagemodelsinformulatingmath3.Romera-Paredes,B.etal.Mathematicaldiscoveriesfromprogramsearchwithlargelanguagemod3.統(tǒng)計(jì)統(tǒng)計(jì)學(xué)作為數(shù)據(jù)科學(xué)的基礎(chǔ)，為人工智它通過(guò)數(shù)據(jù)分析、模型構(gòu)建和優(yōu)化算法，幫助人工智能系統(tǒng)應(yīng)對(duì)不確定性、提取特征并實(shí)現(xiàn)高效決策。統(tǒng)計(jì)學(xué)中的收斂性質(zhì)分析和統(tǒng)計(jì)推斷，為人工智能模型的可解釋性和可靠性提供了堅(jiān)實(shí)理論。概率論和信息論在解釋模型不確定性、構(gòu)建優(yōu)化理論上具有決定作用；而線性回歸、廣義線性模型與高維數(shù)據(jù)建模方法等統(tǒng)計(jì)工具，則成為機(jī)器學(xué)習(xí)和深度學(xué)習(xí)構(gòu)建模型的重要基石。此外，統(tǒng)計(jì)學(xué)在數(shù)據(jù)預(yù)處理、特征選擇與模型評(píng)估中也發(fā)揮著指導(dǎo)作用，為人工智能性能提升提供保障。與此同時(shí)，深度學(xué)習(xí)、生成模型、強(qiáng)化學(xué)習(xí)等現(xiàn)代技術(shù)的興起，又使統(tǒng)計(jì)學(xué)與人第三章數(shù)學(xué)科學(xué)智能白皮書2025深度神經(jīng)網(wǎng)絡(luò)仍處于經(jīng)驗(yàn)階段，其內(nèi)在機(jī)理和理論證明常被視為“黑箱”。因此，如何基于統(tǒng)計(jì)理論刻畫神經(jīng)網(wǎng)絡(luò)的收斂速度最小化是目前該領(lǐng)域的前沿問(wèn)題?？山柚菂?shù)回歸理論，以最小二乘或凸損失構(gòu)建收斂速對(duì)于擴(kuò)散模型、生成對(duì)抗網(wǎng)絡(luò)等生成模型，其統(tǒng)計(jì)性質(zhì)的理論基礎(chǔ)仍較薄弱。目前相關(guān)的前沿科學(xué)問(wèn)題包括兩個(gè)方向：一方面，如何評(píng)價(jià)生成模型估計(jì)無(wú)條件分布的效果，是一個(gè)重要課題?？苫谖稚固咕嚯x等赫爾德類概率度量手段，建立分布估計(jì)誤差界，評(píng)估生成器