问题——长链路推理的“可靠性”成为通用能力关键瓶颈。
近年来，业内常以参数规模、上下文窗口等指标衡量模型能力，相关系统在写作、问答、解题等任务上表现突出，多项评测刷新纪录。
然而，陈天桥在梳理趋势时提出警示：这类能力更多体现为语言生成与文本一致性优势，在封闭规则、对错可判、反馈即时的环境中更容易取得高分；而面向疾病、能源、材料、气候等现实难题，任务处于开放世界，变量复杂、噪声更大、反馈缓慢，“正确”必须由外部世界检验确认。
如何在漫长推理链条中维持可累积的正确性，成为影响通用推理走向产业深水区的核心难题。
原因——概率误差在多步推理中呈指数放大，单次“看起来对”难以保证端到端成功。
陈天桥以概率学解释“为什么要死磕300步”。
他提出将推理拆分为最小的“标准原子步”，每一步只完成单一逻辑动作，并能够被工具、仿真或数据验证。
在这一设定下，若单步正确率为98%，经过300步链式推理后，端到端成功率将显著衰减至极低水平。
其逻辑在于，多步骤推理会累积误差，一次偏离可能在后续步骤被不断放大，最终导致结论失真。
由此，单纯依靠“概率预测”的一次性生成方式，即便在短链条任务中表现亮眼，也可能难以满足长链路科学与工程问题对可靠性的苛刻要求。
影响——研发重点或从“更大规模”转向“更强验证”，行业竞争将更多体现为工程体系能力。
陈天桥的观点引出一个值得关注的趋势：通用推理能力不仅取决于“会不会说”，更取决于“能否持续正确”。
对企业与科研机构而言，这一变化意味着单纯堆叠算力与参数的边际收益可能递减，而可验证、可追溯、可审计的推理过程将成为更关键的能力指标。
对应用侧而言，若推理系统能够把每一步拆解为可检测的原子操作并持续纠错，将有望提升在药物筛选、工程仿真、复杂系统设计等领域的可用性与安全性，降低因错误推理带来的成本与风险。
同时，这也将推动相关标准、工具链和评测体系向“过程可信”演进，而不仅仅关注最终答案是否“像对”。
对策——以“生成层+检验层”构建闭环推理机制，把推理从“输出结果”转为“生产证据”。
针对长链路可靠性难题，陈天桥提出以工程化思路重构推理流程：一是“逻辑生成层”负责将复杂任务递归拆解为一系列原子步；二是“检验层”对每个原子步进行外部验证，可通过仿真、工具调用、数据库检索、实验数据等方式对其进行确认或否定。
在这一框架下，系统不再追求一次性给出“圆满答案”，而是以可证伪的假设为起点，在持续校验中推进推理。
为支撑上述机制，还需要具备可累积的长期记忆能力与自我纠错能力，使系统在多轮交互中记录证据、修正路径并沉淀可复用的可靠结论。
相关实践案例显示，通过反复的代理与环境交互、持续纠错，小规模参数模型在特定任务上也可能取得对更大模型的优势，折射出“工程闭环”对可靠性的提升作用。
前景——“可信推理引擎”或成下一阶段关键基础设施，工具链与验证体系将成为开发核心能力。
综合业内进展与陈天桥的判断，通用推理技术的演进可能呈现两个方向：一方面，面向开放世界的科学与工程问题，评价体系将更强调可验证性、可追溯性与稳定性，推动形成“过程驱动”的能力标尺；另一方面，开发者竞争力将更多体现在验证工具链、数据与仿真接口、审计与回放机制等系统工程能力上，而不仅是对自然语言提示的技巧化优化。
可以预期，随着更多行业将推理系统引入高风险、高成本的决策链条，围绕可靠性、安全性与责任边界的治理需求也将同步上升，促使产业在技术路线、测试标准与应用规范上加快形成共识。
当前AI领域正处于一个关键的认知转折点。
从"文科大模型"到"理科大模型"的转变，不仅是技术架构的升级，更是对AI本质功能的重新定义。
这一转变承认了现有大模型的局限性，同时为突破这些局限指明了方向。
未来的AGI不会是一个无所不能的通用系统，而是一个在特定领域内能够进行可靠、可验证推理的知识生产工具。
这样的AI，才能真正成为人类对抗重大科学难题的有力助手，将科学发现从"可能"变为"现实"。