ARTICLE · 1152427
李国杰院士:当AI越来越会猜,谁来证明它是对的?
单击上方“图灵人工智能”，选择“星标”公众号
您想知道的人工智能干货，第一时间送达
2026年，讨论人工智能的人大致分成两派。一派追问：模型还能变得多聪明？另一派追问：它什么时候能替人完成工作？李国杰院士提出了第三个问题：如果机器生成答案的速度，远远超过人类检验答案的速度，会发生什么？这个问题在聊天框里不那么显眼。
一段不准确的回答，通常还可以重新提问；但在材料合成、新药筛选、芯片设计和自动驾驶中，系统提出的每一个“好主意”，都可能进入昂贵甚至不可逆的现实流程。模型能在几秒钟里给出一万个候选分子，实验室却不能在几秒钟里完成一万次毒性、稳定性和临床验证。于是，过去被视为辅助环节的验证，开始反过来决定AI究竟能创造多少真实价值。
2026年发表的《AI for Science的前景、瓶颈和风险》，把这种矛盾推到他的思想中心：生成能力扩张，不等于科学发现同步扩张；在一些问题上，真正的危险不是机器“觉醒”，而是人类逐渐失去判断、纠偏和退出的能力。
这篇文章要讨论的，正是这一判断从哪里来。它不是一句赶时髦的“AI安全”口号。沿着李国杰院士的研究经历往回看，会发现一条出人意料的连续线索：他先研究如何把计算并行化，后来组织高性能计算机的工程化，再重新思考AI如何求解复杂问题，最后把注意力放在“答案如何被证成”上。如果说他的前半生在回答“我们能不能算得动”，那么近年的文章越来越接近另一个问题：算得动之后，怎样知道自己算对了、做对了，而且后果仍然可控？这个概括是本文对其思想历程的归纳，不是李国杰院士本人提出的命名。
一、一位做计算机的人，为什么如此在意“不好验证的问题”
研究李国杰院士，首先要把他的“师承”从泛泛的名人关系里辨认出来。他1968年毕业于北京大学，之后有近十年的工厂技术工作经历；1981年获中国科学院硕士学位，1985年获美国普渡大学博士学位，1987年回到中国科学院计算技术研究所。后来，他主持国家智能计算机研究开发中心的工作，参与曙光系列高性能计算机的研发和产业化，并曾任计算所所长。
比履历更重要的是，他在2010年的一场讲座里亲自说明了自己的学术来路：在计算所读硕士时，导师是夏培肃与韩承德；赴普渡大学攻读博士时，导师是华云生。黄铠教授在他赴美深造的过程中起过重要的引荐作用，孔祥重教授的阵列处理思想为他早期研究提供过材料与启发；这条
这不是从“硬件”简单转向“软件”。真正贯穿两段研究的，是复杂性：问题越来越大，而可用的时间、机器与能源始终有限。他在回忆博士论文时，给出的结论并不符合一般人对算力的直觉：并行处理可以加速某些组合搜索，但并不会神奇地把可求解问题的规模无限放大；意外的并行加速，也可能伴随某些条件下不如串行的风险。他还提醒学生，当实验结果与既有分析不一致时，不应把“不好看”的结果删掉，因为新问题可能就在异常里。
这两段话，几乎可以看成理解他近年AI思想的一把钥匙：资源扩张会改变问题的可处理性，但不能自动取消问题自身的复杂性；一个漂亮结果，如果没有经受反常条件的检验，就还不是可靠知识。当然，不能仅凭早年的研究方向，就断言他后来每一篇AI文章都是从博士论文直接推出来的。更谨慎的说法是：这些经历为他观察AI提供了一种稳定的工程视角——不要只看展示出来的最好结果，要追问它在什么条件下成立，在哪些条件下退化。
二、他对“算力崇拜”的批评，不是反对算力
李国杰院士近年一个容易被误读的判断是：AI突破主要不能简单归结为大算力，而与计算模型的转变有关。他在2024年的文章里提出，科技界不应只关注大语言模型，还要关注面向科学问题的大科学模型；研究也不能过早锁定单一路线。
这里需要拆开“算力”与“计算模型”。算力回答的是：给定一种方法，我们能在多大规模上运行它。计算模型回答的是：我们究竟把问题表示成什么、允许系统如何寻找答案、怎样利用数据和反馈改变方法本身。假设一家公司要设计一种新材料。如果只使用既定的方程和规则，增加算力，意味着能更快计算更多已知结构。但如果模型学会从大量已知材料中识别哪些结构更有希望，再把候选送去实验，那么变化就不只是“算得更快”，而是“搜索的路径变了”。这并不保证机器已经理解材料科学；它意味着同样的计算资源可能被用在更有希望的地方。
李国杰院士强调的，恰是这种从穷举空间到塑造搜索空间的转变。早年并行搜索告诉他，单纯多开几台机器，不能把组合爆炸抹掉；现代机器学习的吸引力，则在于它或许能利用数据中的结构，把原本毫无方向的搜索变成有偏向的探索。
这也解释了他为什么一方面反对“只要堆算力就行”的简单叙事，另一方面又在2026年公开强调，算力基础设施仍是智能基础设施的根基，而且需要芯片、整机、基础软件和应用协同。他要反对的不是计算资源本身，而是把资源数量误当成解决问题的全部原理。更准确地说，他关注的是一个乘法关系：计算资源决定能够尝试多少，模型与算法决定优先尝试什么，验证系统决定哪些尝试最终可以进入现实。任何一项接近零，其他两项再强，也难形成可靠的产业成果。这仍是本文的机制化概括，而非李国杰院士提出的数学公式。
三、他的第一条基本假设：智能并不首先等于“像人”
李国杰院士2025年的文章标题很大：《人工智能到底是一门什么学问？》但他并没有停留在学科归属的争论上。他梳理了AI常见的四种目标——像人一样思考、像人一样行动、理性地思考、理性地行动——随后把重心移向一个更实际的问题：AI是否能够成为解决复杂问题的新方法？在他看来，AI不必以完全复制人的心智为前提，才具有科学价值。它可以作为一种寻找解法、构造假设、辅助探索的“元级方法”。
“元级”听起来抽象，换成白话就是：它不只是替人做一道题，而是在帮助人类形成新的找题、猜解与改写方法的方法。这一判断背后有两类问题。第一类，问题已经说清楚了，但可能答案太多。比如设计电路、安排资源、预测分子结构，很多方案在纸面上都符合部分要求，却不可能逐一穷尽。这里最重要的是把搜索空间迅速收窄。
第二类，连“什么算好答案”都不完全确定。比如翻译一部古典小说，既要准确又要有文学性；设计城市交通政策，既要效率也要公平；决定一项科研方向，既要可做又要有意义。李国杰院士借用了规划学中“棘手问题”（wicked problems）的概念，将其称为边界模糊的“脏问题”。面对这类问题，答案往往不是简单的对错，而是随着目标、环境和价值标准改变。
这两类问题不能混成一种。“答案太多”主要是求解困难；“好坏标准会变”还包含评价困难。今天许多AI项目失败，正是把第二类问题伪装成第一类：先把真实目标缩成一个容易计算的分数，再让模型把这个分数刷到最高，最后发现现实没有因此变好。这一点对企业尤其重要。客服模型回复率提高，不等于客户问题得到解决；销售线索评分更高，不等于长期成交质量更好；药物候选分子的结合分数更漂亮，不等于它安全有效。技术团队以为自己在优化答案，组织实际需要重新审视的是：我们把什么错误地当成了答案？
四、他的第二条基本假设：科研不只是“发现”，还是制造可检验的知识
李国杰院士提出“智能化科研”（AI for Research，AI4R），一个关键用意是把视野从AI辅助基础科学，扩展到技术研究与工程设计。他认为，AI不仅可以帮助理解自然界，也可以参与芯片、电路、系统等技术对象的设计。这个扩展不是改一个英文缩写那么简单。
传统科研常把“发现自然规律”放在最中心的位置。工程研究则经常面对另一种问题：自然界并没有等着我们去发现一颗现成的CPU；芯片架构、材料组合、软件系统，是人要在物理限制、成本约束和使用要求之下创造出来的。
在这里，AI的角色不止是拟合一条规律，也可能是提出一个可行设计。机器先提出候选，模拟器筛掉明显错误的，形式验证工具检查可被严格描述的属性，实物测试再检验那些纸面上很难保证的性能。这个流程的关键不是“机器多有创意”，而是：生成一个设计，与使设计成为可信的技术知识，是两件事。
他2024年的表述还包含一种重要的开放态度：在智能化科研的某些阶段，研究者可能需要容忍暂时的黑箱和概率性结果。但“容忍黑箱”不应被理解成免除验证。较合理的读法是：在探索早期，不必因机理尚未完全解释而拒绝一切有用候选；在进入高风险应用时，则必须用与风险相称的验证把不确定性关进边界。
因此，他的AI4R不是一份“AI必将取代科学家”的宣言，更像对科研劳动重新分层：哪些环节可以大量生成，哪些环节需要物理实验，哪些判断必须保留给研究共同体和负责任的人。
五、最佳实践之一：曙光的价值，不只是造出一台更快的机器
把李国杰院士的思想放回他的实践，会看见两个性质不同、却能相互照亮的案例。第一个是曙光。中国科学院计算所的正式履历记载，他主持或组织了曙光1号、曙光1000、曙光2000和曙光3000等高性能计算机的研发，并曾负责曙光公司的经营与计算所的建设。这里有其直接领导与产业化实践的证据。
它起步时，还有一个经常被后来的“大模型叙事”遮住的战略选择。20世纪80年代末，日本第五代计算机的设想影响很大，许多人期待为逻辑推理和知识处理制造专门机器。李国杰院士后来回顾，中国的国家智能计算机研究开发中心没有照搬这条定制路线，而是选择相对通用的并行计算机，同时开展人工智能的基础与应用研究。2019年，他把“超算”概括为“算得快”，把“智能”概括为“算得巧”，并认为深度学习的发展让两条原本相对分开的路线发生了历史性会合。
这项选择的意义不是“当年已经预见了今天的大模型”。当时的算法、数据和芯片条件都不同。更合理的认识是：在智能的具体实现方式尚未稳定时，先建设能承接多种工作负载的计算平台，而不是把国家级研发资源一次性锁死在单一的智能定义上。这是一种面对技术路线不确定性的工程投资方法。
但我们不能为了“AI人物传记”好看，就把20世纪90年代的高性能计算机说成今天的大模型突破。曙光之于他的AI思想，更准确的作用是工程方法的先例。一台实验室里的机器，哪怕指标很亮眼，也未必成为产业能力。必须解决系统集成、应用适配、客户需求、供应与服务等问题，才会从论文和样机变成可被长期使用的基础设施。李国杰院士早年谈曙光产业工程时，强调过不能只卖一台计算机，还要以系统集成与应用软件带动产品发展。
这是一条常被AI产业忽略的经验：性能不是价值的自动兑现机制。一个模型的榜单成绩，与企业能否在真实业务中持续采用它，中间还隔着接口、工作流、可靠性、成本和责任。曙光时代需要把机器接入应用，智能时代则需要把模型接入可验证的决策流程。
这种历史对照有解释力，但不能反过来证明曙光直接造成了他今天的AI4S理论。个人实践与后来的思想之间存在连续的问题意识，不等于存在可以被史料直接证明的单一因果链。
六、最佳实践之二：启蒙证明了“生成—验证”如何联手，也提醒我们别把团队成果写错人
第二个案例是计算所的“启蒙”处理器芯片自动设计系统。
它与AI4R的关系非常直接：不是让模型写一段芯片宣传文案，而是尝试让机器从功能要求出发，自动产生处理器设计，并不断验证、调试、修复，直到电路满足已规定的逻辑要求。计算所公开材料明确指出，相关研究由陈云霁研究员带领的团队推进；后续“启蒙”全流程系统则由陈云霁、郭崎团队开展。因此，这不是李国杰院士本人设计“启蒙1号”芯片的个人功绩。
为什么仍要把它写进李国杰院士的思想分析？因为它是一个能够检验其判断的同机构工程样本，而非他的个人作品。“启蒙1号”采用的思路可以用三句话说清：让机器先生成电路候选；用明确的输入输出要求和验证机制找错误；再根据反馈修复设计。公开报告称，该团队在约五小时内完成了一个32位RISC-V处理器的前端设计，规模超过400万个逻辑门，实测性能相当于较早期的Intel 486，并完成流片。
这里真正值得研究的，不是“五小时造CPU”的速度感，而是可信度从哪里来。如果一个模型只是凭统计概率连续输出电路代码，芯片对错误的容忍度几乎为零；所以团队把自动验证放在设计方法的中央。换言之，在可靠性要求高的领域，生成能力要想进入工程，就必须与一个足够强的检验系统绑定。
同时也要看到边界。486级性能，不等于先进商用芯片性能；前端逻辑自动设计，不等于从需求、物理实现、制造良率到软件生态的全部产业链都已无人化。2025年的“启蒙”系统介绍称，多个软硬件环节已有自动化成果，而真正端到端的全流程自演化仍是其系统目标。机构新闻属于成果披露，不能代替独立的大规模生产验证。
正是在这种“有力但有限”的意义上，启蒙案例对李国杰院士的思想最有价值：它展示了一个可实现的局部闭环，也把更广阔领域的验证难题暴露出来。
七、从“能生成”到“能证成”：他近年最前瞻的一步
如果只看模型发布，AI的进步往往被描述成一个方向：答案越来越多、越来越快、越来越像样。李国杰院士提醒我们看另一个方向：答案越多，检验系统越可能被淹没。
在2026年的文章中，他把AI4S的核心瓶颈概括为验证不完备与科研目标漂移。以新材料为例，计算模型预测一种结构“可能稳定”，和它能被合成、能在生产条件下稳定存在、拥有可接受的成本与环境影响，是不同层级的事实；以药物为例，与靶点结合得好，也远远不是“可成为药品”的充分条件。只优化容易计算的代理指标，可能离真实目标越来越远。
这带出一个可以命名的产业问题：验证债务。当一个组织能低成本生产海量方案，却没有同步增加实验能力、质量团队、审计能力和失败记录，未被核实的假设会以“项目”“产品”“结论”的名义积累。它们表面上提高了创新速度，实际却把未来的纠错成本推高。“验证债务”是本文为阐释其思想所作的概念归纳，不是李国杰院士在原文中提出的术语。
他自己给出的治理框架，是按可验证性与不可逆决策区分任务：在既定范围内，能在采取下一步不可逆行动之前充分检验关键性质的，可视为较易自动化的一类；如果只能依靠局部测试、统计证据、同行共识和持续纠偏，就不能像验收普通软件功能一样，先盖一个“通过”章再完全交给机器。他分别把它们称作R1与R2问题。对R2问题，重要的不是声称零风险，而是限定部署范围、持续监测、设置门控，并保留审计、回滚和退出的可能。
请注意这个分类里最关键的时间词：进入下一个不可逆决策节点之前。
一份文献综述可以反复修改，一次化学合成可以在受控环境里小规模试验，但面向患者的临床给药、面向社会的自动驾驶部署，所承担的后果就不同。判断自动化程度，不能只问“模型准确率达到多少”，还必须问：“它犯错时损失是什么？能否在造成伤害前发现？能否退回上一步？谁有权叫停？”
这也是他所说“人类失去退出权”的具体含义。不是人类必须亲手执行每一步，而是当判断机制尚未成熟时，不能把现实系统做成无人能解释、无人能暂停、无人愿负责的黑箱。
他的政策建议也由此展开：建设自动化实验与测试平台，建立分层验证标准，让验证成果得到科研评价和资金支持，并推动共享数据库与跨机构互认。这些建议尚是主张，不应写成已经实现的国家制度；但它们指出了产业竞争可能改变的方向：谁拥有更大模型很重要，谁拥有更强的实验—验证—反馈基础设施，可能更决定科学智能能走多远。
八、他的思想形状：计算不再只是符号，更不是脱离现实的“答题”
2026年，李国杰院士又提出“计算机科学2.0”的讨论。他认为，经典计算机科学长期以符号、算法和程序执行为中心；而大模型、存算一体、模拟计算、神经形态计算等现象，迫使研究者更严肃地看待物理载体、能源、噪声、整体系统行为，以及任务环境对结果“可接受性”的判断。
这一步如果只读成“图灵机过时了”，就读歪了。大模型仍然运行在数字计算机上，神经网络也可以在传统计算框架中模拟；不是它们突破了可计算性的数学边界，而是过去只看程序与算术操作的视角，已不足以解释它们的工程表现、能耗代价和社会后果。李国杰院士要推动的是研究对象的扩大：从程序怎样一步步算，扩大到一个由芯片、数据、算法、能源、实验仪器、组织规则共同构成的系统怎样演化。
这个主张的强处在于，它让“算力”重新长出物理和制度的重量。一个模型理论上能完成某项任务，不等于它在给定能耗、延迟、成本和安全要求下可以长期运行；一个科研智能体理论上可以生成论文，不等于科学共同体已经拥有适合接纳、复核和追责这些结果的制度。
它的弱处也值得说清：CS2.0目前是一篇纲领性短论，不是一套已经完成形式化定义、经由广泛实验比较验证的新计算理论。它更像是研究议程的提示：把过去常被当成外部条件的物理与社会约束，重新放回计算科学内部。把这种提议直接宣布为“计算机科学已经换代”，既不符合证据，也降低了它真正的启发性。
在我看来，李国杰院士最近几年思想最有力量的地方，恰好是把三个问题连起来：什么值得算？怎样算得起？算出来之后，凭什么相信并采取行动？这三个问题分别对应科学目标、计算系统与验证治理。离开任何一环，AI都容易从“探索工具”退化成“高效制造未经核实结论的机器”。
九、跨界对标：把他放进全球AI思想谱系，究竟位于哪里
把一位研究者放入思想谱系，不是为他找几位名人陪衬，而是看他们在回答同一个问题时，采用了哪些不同前提。
先看理查德·萨顿的《苦涩教训》。萨顿强调，长期看，能持续利用增长算力的通用方法——尤其搜索与学习——比人工手工编码的领域知识更具扩展性。李国杰院士并不反对搜索和学习；他的并行搜索研究，恰恰比很多评论者更早触到“搜索”的工程硬边界。两者差异在于关注的终点：萨顿主要讨论何种方法会随着计算资源增长而持续提高能力；李国杰院士近年的问题则是，能力提高后，生成的东西能否在科学和社会中被可靠验收。
因此，两者不是简单的“堆算力派”与“反算力派”。萨顿为发现能力的扩展提供方法论警告，李国杰院士为能力进入现实世界补上验证约束。
再看哈萨比斯和DeepMind的科学智能实践。AlphaFold系列表明，大规模数据、模型架构与科学问题选择的结合，可以在生物结构预测上形成巨大突破；但结构预测成绩与实验确认、药物有效性之间依然有距离。DeepMind早期发布新冠病毒相关蛋白结构预测时，也明确指出预测尚未得到实验验证。
在这里，李国杰院士不是对AlphaFold路线唱反调，而是在追问成功样本之后的科研制度：当一个领域接连出现能大批量提出假说的模型，实验室的能力、论文审查标准和风险承受方式如何同步改造？DeepMind展现了“模型能把科学任务推进多远”；他的分析强调“科学系统能把模型成果接住多少”。
还有自动科研智能体。2025年，The AI Scientist-v2团队报告其自动生成的一篇论文被同行评审的研讨会接收。这是值得注意的里程碑，但“研讨会接收一篇论文”与“机器独立建立了可长期成立的重要科学理论”之间，还隔着结果复现、重要性评价和后续知识积累。李国杰院士抓住的，正是这一段不能凭演示视频或录用通知自动跨越的距离。
放进中国学者的思想坐标，差别会更鲜明。朱松纯教授追问的是“智能体为何行动”：若机器要进入开放的社会与物理世界，价值驱动、认知架构与人机对齐不能只靠更大的数据量替代。〔14〕李国杰院士不以构造统一认知架构为中心，而是追问机器已经开始行动之后，结果凭什么成立、责任如何安放。两人关心的不是同一个断点：前者更靠近智能生成的内在机制，后者更靠近知识与行动进入现实的验收机制。
王飞跃老师的平行智能则从复杂系统出发，以人工系统、计算实验和平行执行构造虚实互动，让模拟世界和真实世界相互校正。这与李国杰院士强调的持续验证有相通之处；但前者的主要问题是怎样让复杂系统在平行运行中形成反馈与控制，后者近年的锋芒是当反馈仍不能构成完备证明时，如何为不可逆行动设置边界。这种对照不是评价高下，更不能把“相通”写成两人共同提出了一套理论。
如果把全球AI讨论粗略分成“扩展能力”“理解智能”“接入真实世界”“治理后果”几种提问，李国杰院士的独特位置，就在计算系统与现实验证之间的接口。他不是以某个大模型架构称雄，也不是用一套心智哲学解释智能的本质；他从计算机体系结构、并行搜索与产业化经验出发，追问：什么样的机器、方法与制度，才能让AI从高分答案走向可被社会信任的知识和行动？
这是本文对其思想位置的归纳，不表示他与上述学者存在公开的正面论战，也不意味着其他路线忽视验证。
十、最值得认真讨论的边界：他哪些判断可能过强？
写李国杰院士，不能把“前瞻性”写成不可质疑。越是有启发性的判断，越要知道它在哪里可能需要修正。
第一，可验证性不是一条对所有任务都固定不变的线。一项科学任务，随着测量工具、数据共享、仿真精度与实验成本变化，可能从非常难验证变得相对容易。即便同一任务，在实验室小范围探索与社会大规模部署时，所需证据强度也不同。因此，R1/R2更宜看成按情境决定治理强度的框架，而不是给每个学科永久贴上的标签。
第二，“事前不能穷尽所有可能事故”与计算理论中严格的“半可判定”，不是一句话就能等同的概念。无人驾驶不可能在部署前枚举未来全部路况，这是有力的工程论证；若进一步断言某一具体系统的安全性属于严格数学意义上的半可判定问题，还需要说明问题如何形式化、输入空间与判定条件是什么。李国杰院士的警示方向值得重视，但理论类比不应代替严密证明。
第三，人类判断暂时不可替代，不等于它在所有环节永远更优。审稿、病理判断、材料筛选，都存在人类的疲劳、偏见和组织压力。合理目标不是把最后一关浪漫化为“人拍板就安全”，而是把责任明确、证据留痕、多方复核和机器监测共同设计出来。有些今天依赖人类终审的环节，将来可能被更可靠的自动验证替代；更重要的是保留让治理机制随证据更新的能力。
第四，语言模型的边界与智能的边界，也不能直接划等号。李国杰院士在2026年的公开发言中强调，仅靠基于Transformer的大语言模型几乎不可能通往真正的通用智能，科学发现需要超越语言。这个判断指出了语言文本对物理实验与行动经验的不足，但“仅靠”究竟排除哪些工具接入、环境交互和模型改造，必须说清。未来如果基于相近架构的系统通过工具、实验和反馈形成可靠的物理能力，那么关于“架构边界”的判断就需要修订。
第五，验证平台不只是技术设施，也是利益分配设施。谁制定基准，谁掌握实验设备，谁能负担高昂验证成本，谁有权宣布一种结果“足够好”，都可能成为新一轮权力集中点。如果只把验证基础设施理解成多买机器，而不设计开放标准、独立复核与中小团队的接入方式，“验证能力”也可能成为新的准入壁垒。这是对其政策主张的进一步延伸，不是李国杰院士在现有公开文本中已经证明的产业结果。
还有一个罕见的自我校正，值得与这些边界放在一起。李国杰院士在2026年回顾计算所发展时，肯定曙光、龙芯以及后续团队成果对人才和产业的作用，同时直言计算所迄今尚未提出可与RISC、TCP/IP或Transformer相提并论的根技术系统与平台。这是他的自我评议，不是对全部成果的外部定论；但它显示，他区分重要的国家产业能力与改写全球技术范式的原创根技术。不能因为一项实践意义重大，就替它认领尚未发生的世界级范式突破。
这些边界并不削弱他的核心贡献，反而让贡献更清晰：他没有替所有科学问题给出最后的数学证明；他要求AI时代的研究和产业界把“如何发现错误”提升到与“如何产生答案”同样重要的位置。
结语：AI时代更稀缺的，可能是有组织的怀疑
李国杰院士走过的路很长：从工厂技术员，到研究并行计算的学者；从主持高性能计算机研发和产业化，到重新思考智能化科研、计算机科学的边界与AI4S的风险。
他的思想并不容易用“算力派”“模型派”或“安全派”概括。贯穿其中的更深问题是：当复杂度持续上升，人类如何在有限资源下制造有用的计算能力；而当计算能力越来越强，又如何不把未经核实的结果误当成知识，不把不可控的系统误当成进步？
这也是为什么，他关于AI最前瞻的洞见，未必是预测哪一种模型获胜，而是看见下一场更难的竞争：生成能力可以迅速扩散，可验证的实验能力、可追溯的判断程序和可退出的治理结构却无法按同样速度复制。
算力决定我们能走多快。方法决定我们往哪里探索。验证决定我们是否真的抵达。
少数派 · 共同体成员登记
我们准备把 i少数派 从一个读的地方，变成一个深度思考的地方。
它不会很大——同侪之间的真实讨论有规模上限，超过这个数，讨论就会退化成转发。
这份表里有两道需要动脑子的题（第 9、10 题）。它们是这份表真正的内容，其余都是背景信息。请认真写那两题，我们会认真读。
3分钟填完。——i，是那个不肯被简化的我。
本文是基于公开资料的独立思想研究，不代表为个人、机构或产品背书。对李国杰院士观点的引述与对计算所团队成果的归属，均以所列公开材料为准；跨时期思想线索、产业影响推演与批评性讨论为本文作者的分析。
参考信息
以下资料按正文首次出现顺序列出。人物履历与正式师承以计算所官方资料和李国杰院士本人讲座为准；“启蒙”归于陈云霁、郭崎等计算所团队；“验证债务”“验证地图”及思想谱系定位为本文分析，不是李国杰院士原话。
〔1〕李国杰，《AI for Science的前景、瓶颈和风险》，《科技导报》2026年第44卷第14期，2026年7月28日，DOI：10.3981/j.issn.1000-7857.2026.05.00106。原刊：
https://castjournals.cast.org.cn/joweb/kjdb/CN/1296828788470477769 ；
中国科协之声摘录
https://www.ncsti.gov.cn/kjdt/ztbd/2026kxzndh/202608/t20260821_254175.html
〔2〕中国科学院计算技术研究所，《李国杰》（研究员／院士简历）
https://www.ict.ac.cn/sourcedb/cn/jssrck/200909/t20090917_2496654.html
〔3〕李国杰，《漫谈研究生的学习与科研》，2010年9月29日院士讲坛讲稿，中国科学院计算技术研究所文选PDF
https://ict.cas.cn/liguojiewenxuan_162523/wzlj/lgjxsbg/201912/P020191227654407335035.pdf
〔4〕李国杰，《智能时代呼唤新的科研方法》，《科技导报》2024年第42卷第10期，第40—45页，DOI：10.3981/j.issn.1000-7857.2023.12.01906。
原刊
https://castjournals.cast.org.cn/joweb/kjdb/CN/1242141080985084733
作者文章的媒体转载全文：
https://www.cww.net.cn/article?id=587857
〔5〕李国杰，《对人工智能基础设施的三点思考》，2026年7月10日光合组织智能计算应用大会发言，《中国科学报》记者受权整理；
科学网：https://news.sciencenet.cn/htmlnews/2026/7/568293.shtm
〔6〕李国杰，《人工智能到底是一门什么学问？》，《科技导报》2025年第43卷第20期，第17—24页，DOI：10.3981/j.issn.1000-7857.2025.07.00093。
原刊
https://castjournals.cast.org.cn/joweb/kjdb/CN/1212342499352375692 ；
刊物文章摘录：
https://www.ciste.org.cn/gjjsmy/dwjl/art/2025/art_fa33469365954c7cae77fa9079741d2d.html
〔7〕李国杰，《为发展我国高性能计算机产业而拼搏》，中国科学院计算技术研究所文选
https://www.ict.cas.cn/liguojiewenxuan_162523/wzlj/lgjsg/201912/t20191227_5476619.html ；
李国杰，《对智能超级计算机的几点认识》演讲整理，中国科学院计算技术研究所，2019年
https://ict.cas.cn/zjgd/201912/t20191203_5448619.html ；
李国杰，《总结历史经验，再创美好未来——计算所发展历程的点滴回忆》，2026年作者回顾文https://www.aisixiang.com/data/181617.html
〔8〕中国科学院计算技术研究所，《计算所处理器芯片全国重点实验室在芯片全自动设计研究方向取得重要进展》，团队负责人及“启蒙1号”方法、规模、性能说明：
https://ict.cas.cn/xwgg/jssxw/202604/t20260422_8189902.html
〔9〕中国科学院计算技术研究所处理器芯片全国重点实验室，《实验室联合软件所发布“启蒙”芯片全流程自动设计系统》，2025年10月21日：https://sklp.ict.ac.cn/xwzx/202510/t20251021_785126.html ；
中国科学院计算技术研究所，《“启蒙”处理器芯片软硬件全自动设计系统获世界互联网领先科技奖》，2025年相关机构报道
https://ict.cas.cn/xwgg/jssxw/202604/t20260422_8189766.html
〔10〕李国杰，《计算机科学2.0（CS2.0）初探》，《计算》2026年第2卷第1期，第5页，DOI：10.11991/cccf.202601001。
期刊页：https://cccf.hrbeu.edu.cn/cn/article/id/5b497a19-2597-44a1-8e84-d9368d2c96e0 ；
转载全文：https://04665u.npoall.com/news/itemid-226829.html
〔11〕Richard S. Sutton, “The Bitter Lesson,” 2019年3月13日，作者原文：https://www.incompleteideas.net/IncIdeas/BitterLesson.html
〔12〕Abramson 等，“Accurate structure prediction of biomolecular interactions with AlphaFold 3,” Nature, 2024：
https://www.nature.com/articles/s41586-024-07487-w ；
Google DeepMind，“Computational predictions of protein structures associated with COVID-19”，2020，关于预测尚未得到实验验证的说明：
https://deepmind.google/blog/computational-predictions-of-protein-structures-associated-with-covid-19/
〔13〕Sakana AI研究团队，“The AI Scientist-v2: Workshop-Level Automated Scientific Discovery via Agentic Tree Search,” 2025，论文预印本：https://arxiv.org/abs/2504.08066 ；
团队关于研讨会同行评审实验的说明：https://sakana.ai/ai-scientist-first-publication/
〔14〕北京通用人工智能研究院，《“为人文赋理，为机器立心”：朱松纯教授在图灵大会阐释“通用智能·人机共生”》，2023年：
https://www.bigai.ai/blog/news/acmturc2023/
〔15〕王飞跃等，《平行控制：数据驱动的计算控制方法》，《自动化学报》论文页https://www.aas.net.cn/article/id/17915 ；
中国科学院智能科学与技术科普工作协作组，《王飞跃教授“平行智能技术”报告》，2019年
https://istpa.cas.cn/gzdt/mtsm/201908/t20190827_304849.html
文章精选：