ICBS 2026“基础科学与人工智能论坛”成功举行：双向赋能，共探未知
8月16日下午，2026国际基础科学大会（ICBS）“基础科学与人工智能论坛”在中关村AI北纬社区千人报告厅举行。国际基础科学大会主席、菲尔兹奖得主、求真书院院长丘成桐，北京中关村学院党委书记、院长、中关村人工智能研究院理事长刘铁岩，杜克大学数学系主任赵宏凯，北京大学博雅特聘教授文再文，北京中关村学院副院长秦涛出席论坛并作主旨报告。来自清华大学和中关村两院的多位青年学者参与科研分享。论坛由北京中关村学院刘畅主持。学者们围绕数学与人工智能、AI for Science、科学计算、优化算法、生成模型、复杂物理系统、基因组学等前沿方向展开深入交流。
思考，仍然是通往未知的道路
国际基础科学大会主席、菲尔兹奖得主、求真书院院长丘成桐首先致辞。丘先生提到技术的重大突破往往会推动科学产生革命性的变化。从望远镜、显微镜到今天的人工智能，新工具不断拓展着人类认识世界的边界。人工智能的发展同样有望对物理、化学、材料、医学等诸多领域产生深远影响。但越是在人工智能快速发展的今天，越需要重新认识“思考”的价值。
丘成桐先生特别寄语青年学生，不应因为人工智能拥有强大的信息处理和辅助能力，就减少主动思考的过程。人工智能能够帮助人类处理远超人脑存储能力的海量信息，也能够启发新的思路，但真正具有创造性的科学工作，仍然离不开人对自然的观察、理解与深入思考。“人工智能可以成为帮助你思考的工具，但是不能代替你思考。”他鼓励青年学生主动学习、善用人工智能，同时始终保持独立思考和探索未知的能力。面对人工智能可能替代部分职业的讨论，他认为不必过度担忧。正如计算机的出现催生了大量新的职业一样，人工智能的发展也将创造更多此前不存在的科学问题、产业机会和职业方向。
从数学到计算，从智能到科学
随后，北京中关村学院党委书记、院长，中关村人工智能研究院理事长刘铁岩在致辞中表示，本次论坛的三位主旨报告嘉宾虽然研究领域各有侧重，却恰好串起了一条“从数学到计算、从计算到智能、从智能到科学”的链条。
数学和人工智能从来不是彼此割裂的两个世界。人工智能近年来快速发展，但并非“空中楼阁”，其进一步突破仍然需要强大的基础科学工具作为支撑；与此同时，人工智能本身也正在成为新的科学工具，改变传统科研方法，推动科研范式发生变化。这也与北京中关村学院、中关村人工智能研究院所倡导的“极基础、极应用、极交叉”理念相呼应。
刘铁岩表示，基础研究不是应用研究的陪衬，应用研究也不仅仅是基础研究的“出口”。在科学前沿，二者往往互为因果：重要的应用需求可能牵引出新的基础问题，而基础科学的突破也可能在未来孕育巨大的社会价值和产业价值。许多真正重要的创新，则往往发生在不同学科彼此碰撞的边界。
他介绍，过去两年，中关村两院开展了近120项科研项目，形成了覆盖科学计算、生命科学和具身智能等方向的一系列成果，发表300余篇论文，孵化了10余家前沿师生创新创业公司企业。但刘铁岩强调，比这些数字更重要的是其背后的科研与育人模式：给予青年教师和青年学生更多信任与空间，让年轻人真正挑大梁、担重任，在探索中提出自己的问题、形成自己的判断、实现自己的科研理想。
PART 01
主旨报告
主旨报告环节。赵宏凯、文再文和秦涛三位教授分别从数学与人工智能的双向作用、人工智能参与数学研究的完整流程，以及AI for Science如何走向训练数据之外的未知三个核心问题展开报告。
数学 × AI
以不变应万变：
数学如何支撑人工智能走得更远
杜克大学数学系主任、Ruth F. DeVarney杰出教授、美国工业和应用数学学会会士 赵宏凯
数学是人类最古老的学科之一，人工智能则是今天发展最快的新兴技术之一。当二者相遇，会发生什么？赵宏凯以《数学与人工智能的交互与挑战》为题，从数学在现代科学技术中的基础作用出发，讨论数学、计算机与人工智能之间不断加深的互动关系。
在他看来，数学至少具有三重重要价值：它自身拥有抽象、严谨而富有美感的理论体系；它是自然科学与工程技术进行定量描述的重要语言和工具；更重要的是，数学训练塑造人的量化能力、逻辑推理能力以及洞察事物本质的思维方式。
现代科学研究面对的对象往往极其复杂。一瓶水中就包含数量惊人的水分子，真实的流体、材料、药物体系更加庞大，人类不可能逐个追踪每一个微观粒子。数学模型的价值，就在于将复杂世界压缩为可以分析、计算和推演的形式。——“一个方程胜过千言万语。”另一方面，拥有强大算力的计算机，本质上只能执行有限精度下的基础运算。如何把一个复杂科学问题转化为计算机能够高效、稳定求解的问题，背后依然需要模型、算法和数学理论的共同支撑。因此，在许多看似由计算机驱动的技术背后，数学往往扮演着“幕后英雄”的角色。进入人工智能时代，这种关系更加紧密。
赵宏凯指出，今天的大模型、生成模型和神经网络，本身建立在微积分、线性代数、概率统计、优化、随机方程等数学基础之上。与此同时，人工智能又向数学提出了一系列新的问题：为什么神经网络有效？如何理解其泛化能力？如何提高AI的可靠性和可解释性？如何设计更加高效、可持续的算法？特别是在飞机设计等高风险应用中，仅仅做到“绝大多数情况下正确”远远不够。如果不能理解模型为何做出判断，也无法控制剩余风险，AI就很难真正进入关键科学与工程场景。因此，人工智能越向前发展，对数学理论的需求可能越强。“好的数学训练+AI，一定比没有数学训练+AI更强大。”
AI × 数学
当AI进入数学研究：
从“师傅带徒弟”走向智能基础设施
北京大学博雅特聘教授、中国运筹学会副理事长 文再文
如果说数学正在帮助我们理解人工智能，那么人工智能又将怎样改变数学本身？文再文带来了团队近年来建设的智能数学推理引擎——ReasLab，并以“让数学和应用触手可及”为愿景，展示AI进入数学教育、数学研究与实际应用后的新图景。从应用数学的视角看，一个完整的研究过程往往包含三个核心环节：建模、算法和理论。研究者首先要从真实世界中提出值得解决的问题，再将问题转化为数学模型，设计算法，并通过理论证明和计算实验不断验证。
文再文认为，人工智能对数学研究真正重要的影响，并不只是“替人证明一道题”，而是有机会进入数学研究的完整工作流。围绕这一目标，ReasLab以大语言模型和多智能体协作为核心，将数学模型库、算法库、定理库与云端工作空间连接起来，覆盖问题理解、数学建模、算法设计、计算求解、形式化验证、代码生成和报告写作等环节。研究者可以让不同智能体分别承担调研、建模、算法、理论、实验与写作等任务，再由人进行目标判断和关键环节把控。
在形式化数学方面，AI带来的变化更加直观。传统数学证明主要以自然语言呈现，而形式化验证则尝试将数学定义、定理和证明转化为机器可以严格检查的语言。文再文团队正在探索利用AI将整本数学教材进行形式化处理，将其中的定义、定理和依赖关系转化为机器可验证的知识体系。这意味着，未来一篇数学论文或许不仅有供人阅读的自然语言版本，也可以同时拥有一套机器可检查的形式化版本；不同定理之间的关系，还能够进一步形成可视化的知识图谱。但AI并没有让数学家的工作变得无关紧要。恰恰相反，当“如何证明”越来越能够得到AI辅助后，“应该研究什么”“什么问题真正重要”“应该证明什么”反而变得更加关键。
在文再文看来，人工智能为数学研究带来的技术红利才刚刚开始。未来，如果数学中的模型、算法、定理、代码和知识体系能够进一步连接起来，一个面向AI for Math时代的新型数学基础设施或将逐渐形成。
AI for Science
AI最深远的价值，是帮助人类抵达未知
北京中关村学院副院长、智能科学技术学部负责人 秦涛
当AI进入科学研究，它最重要的价值是什么？是把一个过去需要几年完成的任务缩短到几天？还是更快地分析人类一生都无法读完的数据？秦涛认为，这些都只是开始。在题为《AI for Science——抵达未知的挑战》的报告中，他提出了一个更本质的问题：当人工智能真正走向科学前沿，它能不能“可信地抵达未知”？
随着AI不断解决已有问题，人类面对的未知并不会减少，反而可能快速增加。AlphaFold大幅推动了蛋白质结构预测，但蛋白质动态构象、相互作用、孤儿蛋白、无序蛋白等新的问题随之浮现。已知世界的边界越大，与未知世界接触的边界也越大。因此，真正面向科学发现的AI，不能只擅长处理与训练数据相似的问题。秦涛将科学未知理解为一个由近及远的连续谱：有些问题只是参数或环境超出了已有训练范围，有些问题面对的是训练集中从未出现过的新对象，还有一些问题甚至超出了现有科学范式。距离已知越远，传统机器学习所依赖的“训练和测试服从相同分布”的假设就越难成立。
如何让AI真正走向这些未知？秦涛从三个层面提出挑战：数据层面，需要突破既有实验和人类经验形成的数据边界；模型层面，需要建立跨尺度、跨组学、跨模态、跨领域的统一表征；科研闭环层面，则需要让AI预测与真实实验深度结合，让成功和失败的实验结果都能够重新进入模型，形成持续探索和迭代的闭环。围绕这些问题，他进一步介绍了北京中关村学院在AI for Science领域的一系列探索。在科学计算方面，MegaDFT尝试突破传统第一性原理计算的规模与效率限制，将可计算体系由数百原子推进至十万原子级；在跨领域科学基座模型方面，NatureLM尝试统一建模自然语言、小分子、蛋白质、核酸序列和材料等不同科学实体；FlexRibbon进一步将序列与三维结构纳入统一建模框架；HoloCell则面向虚拟细胞探索表观组、转录组和蛋白组的统一表征学习。这些工作的目标并非单纯追求模型指标，而是让AI真正进入药物研发、生命科学、材料设计等科学场景，并通过实验形成反馈闭环。
“AI最深远的价值，不只是更快回答已知的问题，而是帮助我们提出过去无法提出的问题，帮助我们观测到过去无法观测的问题，帮助我们设计不存在的新的对象。”AI可以让科学走得更快，但“可信”决定它最终能够走多远。真正的前沿，并不是模型多好地拟合已知，而是它能否负责任地探索未知。
PART 02
青年学者分享
三场主旨报告后，论坛进入青年学者分享环节。六位来自清华大学丘成桐数学科学中心和北京中关村学院的青年学者围绕基础科学与人工智能的交叉研究展开分享。分享内容既包括人工智能发展带来的新数学问题，以及运用数学和优化理论分析、改进人工智能模型，也包括人工智能在偏微分方程、可控核聚变和基因组研究中的应用。尽管研究对象不同，六场分享都体现出人工智能与基础科学的结合并不是把现有算法简单搬到新的对象上，而会暴露新的理论困难，并促使研究者重新思考模型、数据、证据与科学发现之间的关系。
AI提出了哪些新的数学问题？
清华大学丘成桐数学科学中心助理教授 何俊材
人工智能不仅能够帮助数学家解决问题，它本身也正在不断制造新的数学问题。何俊材以《New Mathematical Questions Raised by Artificial Intelligence: Scaling Laws and Barron Spaces》为题，从人工智能领域广为人知的Scaling Laws出发，追问一个更基础的问题：当数据、模型和算力增加时，为什么模型能力会呈现出某种稳定的经验规律？这些已经在实践中反复出现的现象，能否获得严格的数学解释？
他以Barron空间理论为代表，介绍如何借助逼近理论、微局部分析等数学工具研究神经网络的表达能力与逼近性质。今天AI领域已经出现了大量“先观察到现象，再寻找理论解释”的问题。这与物理学的发展历史有相似之处：新的现象不断出现，而数学需要进一步揭示现象背后的结构与规律。
从这个意义上说，AI带给数学的，也许不只是一个更强大的“解题者”，更是一个不断制造新问题的“提问者”。当经验规律已经奔跑在前，数学所要做的，是追问这些规律何以成立，并在纷繁的现象背后重新寻找结构与秩序。理解人工智能为何有效，本身正在成为数学前沿的一部分。
从AI4PDE走向AI4Fusion
北京中关村学院研究员、能源方向负责人 汪跃
天气预报、流体控制、可控核聚变等复杂物理问题，往往都可以通过偏微分方程进行描述。然而，当研究对象从理想化模型走向真实世界，问题会迅速变得复杂。汪跃以《从AI4PDE到AI4Fusion：新的挑战与机遇》为题，讨论AI如何从加速求解偏微分方程，进一步走向真实复杂物理系统。
真实场景中的观测往往是不完整的，已有物理模型也可能包含简化和近似；训练阶段能够获得的数据，与未来真正需要预测和控制的工况之间还可能存在巨大差异。以可控核聚变为例，实验装置中的等离子体具有高维、非线性、多尺度耦合等特征，从状态预测进一步走向控制，难度还会继续增加。因此，AI进入复杂物理系统不能停留在“把已有方程算得更快”。基于此，汪跃认为，更进一步的方向是让AI参与到物理问题的提出、验证和迭代过程中，将实验数据、物理知识和领域专家经验沉淀为可以复用、放大的“智能资产”，推动复杂科学与工业问题从单点攻关走向更具泛化能力的研发范式。
神经算子会“忘记”几何吗？
清华大学丘成桐数学科学中心助理教授 Angelica Aviles-Rivero
神经算子已经成为AI求解偏微分方程的重要工具，但当问题发生在不规则几何结构上时，随着网络不断加深，模型还能否始终“记住”最初的几何信息？
Angelica Aviles-Rivero在报告《Do Neural Operators Forget Geometry? The Forgetting Hypothesis in Deep Operator Learning》中提出了“Geometric Forgetting Hypothesis（几何遗忘假说）”。
研究发现，由于深层神经算子的全局混合机制和马尔可夫结构，随着网络深度增加，模型对几何信息的感知可能逐渐减弱。无论基于频谱还是Transformer的神经算子，都可能出现几何保真度下降，进而影响模型的准确性、稳定性与泛化能力。针对这一问题，团队提出了一种轻量级的“几何记忆注入”方法，在计算的中间阶段重新引入几何约束，以较小的额外成本帮助模型保持对几何结构的感知。
这一研究提出了一个值得重新思考的问题：对于处理真实物理世界的AI而言，几何信息也许不是一个可以被模型自行取舍的“附加特征”，而是实现鲁棒算子学习所必须保留的结构信息。
大模型时代，优化算法何去何从？
中关村两院研究员 张霄远
优化算法长期以来是人工智能的重要数学基础，而大模型的出现正在让两者的关系发生新的变化：一方面，我们可以利用大模型自动设计优化算法；另一方面，优化理论也在反过来帮助大模型提升训练效率和性能。
张霄远以《大模型时代的优化算法何去何从》为题，介绍了团队近期围绕“大模型×优化”开展的一系列研究探索。传统优化算法的设计高度依赖研究者的专业经验。以整数规划为例，一个成熟的求解器包含分支定界、切平面等诸多关键组件，而针对不同问题设计合适的分支策略，本身就是一个长期存在的难题。团队尝试将大模型引入这一过程，让AI参与算法和软件的自动迭代：从已有开源代码出发，根据实际求解效果不断生成、评估和改进新的算法策略。实验显示，AI自动迭代得到的算法在多个整数规划数据集上实现了平均约25%的效率提升。这意味着，大模型不仅可以“调用”人类已经设计好的工具，也开始有可能进入算法设计本身。更进一步，团队还探索让AI自主设计用于训练AI的优化器，在算法组件之间进行新的组合、搜索与验证。AI由此既成为优化算法服务的对象，也逐渐成为优化算法的设计者。
与此同时，张霄远也从数学优化的角度反过来审视大模型训练。针对大模型低秩后训练中存在的冗余更新问题，团队引入微分几何和纤维丛等数学工具，提出新的去冗余更新算法，在模型下降过程中只考虑有效方向上的更新变换，以提升优化效率，并进一步从理论上分析算法的收敛性质。
从“用优化训练AI”，到“用AI设计优化”，再到“用新的数学结构重新理解AI优化”，大模型与优化算法之间正在形成越来越紧密的双向互动。
从数学理解生成模型，也从数学控制生成模型
清华大学丘成桐数学科学中心助理教授 庞彤瑶
从GAN、VAE到今天广泛应用的Diffusion和Flow模型，生成式人工智能不断迭代。但一个生成模型为什么有效？怎样设计才能让它生成得更准确、更高效？当一个基础模型训练完成后，又该如何让它按照新的目标调整自己的生成分布？庞彤瑶以《Analysis and Control of Diffusion Models: From Pretraining to Post-Training and Posterior Sampling》为题，从数学视角讨论扩散模型从预训练到后训练，再到后验采样的完整链条。
在预训练阶段，扩散模型需要逐步将真实数据转化为简单噪声分布，再沿相反方向学习如何从噪声恢复数据。这个过程看似已经成为生成模型中的成熟范式，但其中仍然包含许多基础数学问题：正向扩散路径应该如何设计？不同时间阶段应该采用怎样的采样密度？需要多少采样步才能在生成精度与计算成本之间达到更好的平衡？这些问题不仅影响理论上的误差界，也直接决定模型实际生成的质量与速度。庞彤瑶介绍，团队尝试通过数学分析研究扩散路径对生成精度和采样复杂度的影响，希望从理论上为更强的基础生成模型提供设计依据。而在拥有一个预训练模型之后，新的问题随之出现：如果希望模型朝某个特定目标生成，又应该如何“控制”它？
她进一步介绍了两类路径：一类是通过强化学习进行后训练，让生成分布向给定奖励目标靠近；另一类则面向逆问题，通过后验采样，在不重新训练模型的情况下利用已有观测信息引导生成。表面上看，两者分别属于强化学习和科学计算中的不同问题，但从数学上都可以理解为：如何让已有的生成分布按照新的目标发生有控制的偏移。
从模型如何“生成”，到生成过程如何被“控制”，数学分析正在帮助人们进一步理解生成模型的内部机制，也为生成式人工智能从经验设计走向更加可解释、可分析的模型设计提供新的可能。
读懂生命的“语言”：用AI重新理解基因组
中关村两院AI for Science研究员 李秋熠
如果DNA是一种记录生命信息的语言，人工智能能否真正“读懂”它？李秋熠以《生成式基因组大模型Carbon》为题，介绍了北京中关村学院与Hugging Face联合开发的生成式基因组大模型Carbon，以及团队在DNA序列设计、基因组注释等方向上的探索。
近年来，从AlphaFold解决蛋白质结构预测问题，到AI进入基因组研究，生命科学正在成为AI for Science的重要前沿。与人类自然语言不同，DNA由有限的碱基组成，却形成了极其漫长而复杂的序列。一个人的基因组包含约30亿个碱基，如果直接按照单个碱基进行建模，将面临巨大的计算成本。Carbon试图首先突破这一效率瓶颈。李秋熠介绍，Carbon以30亿参数规模对标行业70亿参数标杆模型Evo2，在模型性能提升的同时，将计算效率提高275倍，希望降低基因组大模型对昂贵计算资源的依赖，让更多研究者能够使用先进的基因组AI工具。但效率只是第一步。李秋熠进一步提到，团队正在尝试从生物进化本身寻找新的模型思路。不同于自然语言从左到右生成的逻辑，DNA序列并不是被“书写”出来的，而是在漫长演化过程中经历突变和自然选择逐渐形成。基于这一认识，团队探索利用扩散模型模拟生物进化过程，并结合新的分词与精准掩码机制，在计算效率和单碱基层面的精细建模之间寻找平衡。
同时，AI也正在改变传统基因组注释的方法。传统基因注释高度依赖已知基因模板，通过寻找序列中的相似区域判断哪些片段可能具有基因功能。这种方法对于缺少参考数据、研究较少的物种存在明显局限。Carbon则尝试建立一种基于“语义理解”的基因注释方式——不是简单寻找“和已知基因长得像”的序列，而是让模型学习基因本身的“语法”，直接从DNA序列中识别可能具有生物学意义的区域。在此基础上，团队正在进一步建设Carbon Database，对大规模公开DNA数据进行统一注释，希望将原本缺少标注的大量基因组序列转化为可供AI和生物学研究使用的数据资源。
李秋熠将其比作一座等待进一步开采的“基因金矿”：AI可以帮助研究者发现此前没有被认识的潜在基因，而这些基因究竟承担怎样的生命功能，还需要更多生物学家进一步研究和验证。
从“读懂”DNA，到设计DNA，再到建设可以被更多研究者复用的基因组基础设施，AI正在打开理解生命语言的新入口。
结语
在已知与未知之间，重新理解人的位置
九场报告，从不同方向抵达了同一个问题的深处。
从数学为人工智能寻找更加坚实的理论基础，到人工智能进入数学家的研究工作流；从偏微分方程、复杂物理系统，到生成模型、优化算法与生命科学—— 一种更深刻的关系正在形成：基础科学与人工智能，正在彼此成为对方的问题，也彼此成为通往答案的路径。
一方面，人工智能正在把许多曾经遥不可及的事情变得可以计算、可以模拟、可以抵达。它可以在浩如烟海的数据中寻找规律，可以帮助数学家验证漫长的证明，可以模拟复杂的物理系统，也可以从亿万碱基中辨认生命留下的隐秘语法。那些曾经受限于人的时间、记忆和计算能力的问题，正在被重新打开。但另一方面，工具越强大，一些古老的问题反而重新回到我们面前：什么是理解？什么是创造？什么是值得追问的问题？当机器越来越擅长给出答案，人还应该做什么？
当人工智能越来越强大，“人”的价值或许并没有因此缩小，反而变得更加清晰。正如丘成桐先生在论坛开场时所说：“人工智能可以成为帮助你思考的工具，但是不能代替你思考。”AI可以让我们算得更快、看得更远，但决定科学向何处去的，仍然是人的好奇、判断、想象与创造。技术不断拓展的是能力的边界，而真正需要人回答的，是意义与方向的问题。
这或许也是基础科学与人工智能相遇最值得期待的地方：基础科学不断追问世界“是什么”与“为什么”，人工智能则以前所未有的能力帮助我们探索“还可能是什么”。一个向世界的深处追问，一个不断延伸人类抵达世界的方式。当二者交汇，我们得到的也许不仅是更快的算法、更大的模型和更多的科学发现，更可能是一次对“知识如何产生”“科学如何前进”，乃至“人在智能时代何以为人”的重新思考。未知不会因为人工智能的到来而终结。恰恰相反，当已知的疆域不断扩大，新的地平线也将不断显现。而科学之所以动人，或许正在于此：我们永远站在已知与未知的交界处，借助一切可以借助的工具向前一步；又始终保留属于人的那份好奇与追问，去决定下一步，为什么出发，又向何处而去。
未来，北京中关村学院、中关村人工智能研究院将继续携手国内外高校、科研机构和科学家，推动数学、人工智能与自然科学更加深入地交叉融合，让新的问题在学科边界上被发现，让新的方法在思想碰撞中生长，也让更多年轻人走到科学的最前沿。在不断延伸自身能力边界的同时，依然保有仰望星空的好奇、叩问未知的勇气，以及定义未来的创造力。
评论排行