问题——智能热潮下，“会生成”与“会发现”的差异更清晰 随着生成式技术写作、检索、编程辅助等场景快速普及，关于“通用智能”的讨论持续升温。一些观点倾向于用语言能力、考试测评分数等指标衡量智能水平，并据此推断“通用能力”已近在眼前。陈天桥在对话中指出，当前主流系统在文本生成、一致性表达和对话模拟上确实表现亮眼，但这些能力多发生在规则明确、反馈迅速的封闭场景中；而人类真正棘手的问题——衰老与疾病、能源安全、材料创新、气候变化等——往往处于变量众多、噪声强、反馈周期长的开放世界，无法仅靠“讲得通、写得好”得出可靠结论。 原因——从众效应与评价偏好，容易放大“语言即智能”的错觉 陈天桥认为，技术扩散常伴随从众和滞后：早期突破未必立刻被充分理解；一旦成为热点，社会注意力又容易集中到最直观、最易传播的展示上。语言生成能力天然更容易被感知，也更便于做评测、榜单与营销叙事，从而推动资本与人才快速涌入。此外，封闭任务里的“高分”容易被误读为对真实世界的“可迁移能力”，使技术路线与资源配置过度偏向内容生产、沟通效率等方向，而对基础科学与工程验证的投入相对不足。 影响——应用加速落地的同时，“科学发现型能力”成为下一处竞争高地 在他看来，语言生成系统会继续成为教育、办公、内容服务等行业的基础能力，像基础设施一样嵌入生产与生活，提升沟通与获取知识的效率。但更具战略价值的增量，可能来自“发现式智能”在科研与工程中的应用：目标不只是生成看似合理的答案，而是能提出可检验的假设、设计验证路径，并在外部世界的实验或观测中接受检验与修正。若涉及的能力取得突破，有望在药物研发、疾病机理研究、新材料筛选、能源体系优化等方向形成溢出效应，推动科研范式与产业创新链条的重塑。 对策——以“可验证”为核心，推动跨学科协同与长期投入 围绕“理科大模型”和“发现式智能”的设想，陈天桥强调两条关键路径：其一，评价体系要更突出“可验证性”。面对开放世界问题，应把实验数据、物理约束、因果推断和工程可行性纳入核心指标，减少只看文本一致性、凭主观判断“像不像”的倾向。其二，推动脑科学与智能技术相互促进。他提出，构建具备长期记忆等能力的系统，可能反向启发对人类记忆机制的理解；同时，智能工具也能成为脑科学研究的加速器，帮助处理复杂数据、提出候选机制与实验方案。 此外，他在对话中谈到创新动机，认为好奇心是长期探索的重要驱动力。面对基础研究周期长、商业化路径不确定的现实，开放共享与独立探索并行，可能更利于形成稳定的创新生态：研究者可以分享阶段性成果，也需要相对安静的环境进行长期试错与迭代。 前景——从“自圆其说”走向“外部验证”，决定下一阶段技术上限 结合业内趋势看，未来智能竞争的关键可能从“表达能力”转向“知识生产能力”，从“能说会写”转向“能解释、能预测、能验证”。在开放世界里，正确结论不是写出来的，而是被现实检验出来的。这意味着，下一阶段的突破不仅取决于算力与数据规模，也取决于对因果机制、实验闭环、数据质量与跨学科知识体系的整合能力。谁能率先建立“提出假设—设计验证—迭代模型”的闭环，谁就可能在科学与产业两端获得更持久的领先。
陈天桥的思考为智能科技的发展提供了新的切入点；从游戏产业到脑科学研究，再到智能技术探索，他的转型轨迹本身就体现为一条持续寻找突破的路径。他的观点也提醒我们，技术进步不仅依赖能力的提升，更依赖评价标准与问题框架的调整。当外界热衷追逐短期热点时，把目光放回长期难题、把“外部验证”作为目标，或许更能决定下一轮技术边界与产业方向。