见证未来：AI加速中的人类科技演化｜未来学读书会第九期
集智俱乐部 2026-11-13 14:30 日本
2026年11月15日（周日）下午14:00-16:00分享
导语
今年10月，OpenAI公开700余份AI数学手稿。当算力的“极速量产”撞上人类思维的“慢工细活”，陶哲轩等数学家警告：批量解题恐将掏空数学理解；独立顾问组更呼吁停止用封闭模型测试高等数学难题。答案潮水般涌现之后，谁来慢下来验证？
本期是未来学读书会第9期，上海人工智能实验室研究员徐兴成博士将以《见证未来：AI加速中的人类科技演化》为题，讨论一个核心问题：AI提出的成果，怎样成为可靠的科学知识？机器生成的证明如何接受检验？海量候选成果又如何被人类理解和使用？他将结合模型训练、科研智能体及数学与实验科学的案例，梳理从生成、验证到理解的科学工作流。
为系统梳理未来学领域的最新进展，集智俱乐部联合南京师范大学新闻与传播学院副研究员崔浩川、塔夫茨大学博士后章彦博共同发起「未来学」读书会，组织对该主题感兴趣的研究者与探索者共同研读前沿文献、交流研究思路。读书会将于2026年9月6日起，每周日14:00-16:00线上开展，持续约10周，包含主讲分享与讨论交流，并提供会后视频回放，诚邀相关领域研究者及跨学科兴趣者参与。
报告简介
AI 正在改变科学研究的方式。它不只回答问题时更快，也开始参与搜索、计算、证明、实验和结果验证。
本报告讨论一个核心问题：模型能力如何变成可靠的科学发现？
答案并不只取决于模型本身，科研还需要合适的工具、清晰的工作流程、可验证的环境，以及实验结果的持续反馈。AI 可以生成更多候选答案，但可靠的知识仍然需要验证、理解和共同体的消化。本报告系统展开AI对科研影响的理解。
分享大纲
大模型如何训练
大模型先通过海量文本学习通用表示，再学习遵循指令、满足人类偏好，并逐步进入数学推理和工具使用。
近几年的重要变化是：训练不再只依赖静态文本，也开始使用工具调用、实验环境和完整工作轨迹。模型因此从“会回答”逐步走向“会工作”。
Agent Harness 是什么
Harness 是模型外围的工作系统，包括上下文、工具、控制循环、权限、状态和日志。
模型决定下一步做什么，Harness 负责把行动变成可检查、可恢复的工作。好的科学智能体，需要把模型连接到论文、数据、模拟器、实验设备和验证器。
AI 如何加速数学研究
数学研究正在从个人使用 AI 辅助，发展到人机共同验证和批量产出成果。
Lean 等工具可以检查证明是否正确，但“证明正确”不等于“理解证明”。数学研究仍然需要解释、简化、教学和组织，让结果成为公共知识。
AI 如何加速其他科学
在物理、天气、生物医药和材料领域，AI 可以生成结构、预测性质、筛选候选并帮助选择下一次实验。
但不同领域的验证速度差异很大：证明可以秒级检查，材料合成需要实验，药物疗效需要长期临床研究。候选成果增加，但科学验证仍是挑战。
核心概念
模型训练：从文本到环境
早期训练主要学习文本中的规律。现在，模型也通过代码执行、数学判分、工具调用和实验反馈学习。训练环境越清晰、结果越容易验证，模型越容易获得可靠的改进信号。
科学工作流：生成与验证并重
AI 可以提出假设、证明、分子或材料，但生成只是开始。真正的科学流程还需要独立验证、实验、解释和数据回流。
RSI：有边界的自我改进
递归自我改进（RSI）是让 AI 修改自己的代码、提示或工作流，再通过后续任务检验改动是否有效。
当前前沿系统主要在固定预算、外部评测和人工监督下工作。它们能够优化研究代理，但不等于无约束地改造自己，也不等于智能爆炸。
Math 2.0：重新理解数学贡献
数学贡献不只包括最先得到答案，也包括验证、消化、组织、教学和提出新问题。研究者的责任，是把 AI 产物变成别人能够理解、使用和继续发展的知识。
科学共同体：新的稀缺资源
当论文、证明和候选成果越来越多，注意力、可靠验证、好问题和公共理解会变得更稀缺。科研信用也会更多流向提出问题、验证证据、解释结果和维护知识的人。
科学的社会价值
AI 科学可能扩大整个社会的发现能力，也可能让算力、数据与平台更加集中。最终需要回答的是：研究什么、由谁验证、谁从发现中受益，以及成果能否公平转化为公共福祉。
主讲人介绍
主讲人：徐兴成，北京大学数学学院博士，现任上海人工智能实验室研究员，入选上海市东方英才计划拔尖项目及上海市“科技创新行动计划”启明星项目。曾任阿里巴巴、蚂蚁集团罗汉堂研究科学家，拥有EB级大数据与机器学习实践经验。近期深度参与大模型后训练，联合主导智能体系统研发，并开展AI基础理论原创研究。相关成果发表于ICML、ACL、EMNLP、IJCAI、CVPR、Annals of Applied Probability、Scientific Data等会议与期刊。兼任上海交通大学人工智能学院博士生导师、上海科技大学行业导师。
参考文献
[1] KAPLAN J, MCCANDLISH S, HENIGHAN T, et al. Scaling laws for neural language models[EB/OL]. arXiv, 2020. https://arxiv.org/abs/2001.08361.
[2] WEI J, TAY Y, BOMMASANI R, et al. Emergent abilities of large language models[EB/OL]. arXiv, 2022. https://arxiv.org/abs/2206.07682.
[3] OpenAI. Learning to reason with LLMs[EB/OL]. OpenAI, 2024-09-12. https://openai.com/index/learning-to-reason-with-llms/.
[4] DeepSeek-AI. DeepSeek-R1: Incentivizing reasoning capability in LLMs via reinforcement learning[EB/OL]. arXiv, 2025. https://arxiv.org/abs/2501.12948.
[5] ZHANG J, HU S, LU C, et al. Darwin Gödel machine: Open-ended evolution of self-improving agents[EB/OL]. arXiv, 2025. https://arxiv.org/abs/2505.22954.
[6] ZHAO B, XU D, WU Y, et al. Recursive self-improvement of AI research agents[EB/OL]. arXiv, 2026. https://arxiv.org/abs/2609.26457.
[7] TAO T. Embracing change and resetting expectations[EB/OL]. Microsoft AI Anthology, 2023. https://unlocked.microsoft.com/ai-anthology/terence-tao/.
[8] TAO T. Math 2.0[EB/OL]. What's new, 2026-10-10. https://terrytao.wordpress.com/2026/10/10/math-2-0/.
[9] ABRAMSON J, ADLER J, DUNGER J, et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3[J/OL]. Nature, 2024, 630: 493-500. https://doi.org/10.1038/s41586-024-07487-w.
[10] ZENI C, PINSLER R, ZÜGNER D, et al. A generative model for inorganic materials design[J/OL]. Nature, 2025, 639: 624-632. https://doi.org/10.1038/s41586-025-08628-5.
[11] OpenAI. Mathematical manuscripts and supporting proof artifacts[EB/OL]. GitHub, 2026. https://github.com/openai/math.
[12] Stanford HAI. AI Index Report: Science[R/OL]. Stanford University, 2026. https://hai.stanford.edu/ai-index/2026-ai-index-report/science.
报告简介
AI 正在改变科学研究的方式。它不只回答问题时更快，也开始参与搜索、计算、证明、实验和结果验证。
本报告讨论一个核心问题：模型能力如何变成可靠的科学发现？
答案并不只取决于模型本身，科研还需要合适的工具、清晰的工作流程、可验证的环境，以及实验结果的持续反馈。AI 可以生成更多候选答案，但可靠的知识仍然需要验证、理解和共同体的消化。本报告系统展开AI对科研影响的理解。
分享大纲
大模型如何训练
大模型先通过海量文本学习通用表示，再学习遵循指令、满足人类偏好，并逐步进入数学推理和工具使用。
近几年的重要变化是：训练不再只依赖静态文本，也开始使用工具调用、实验环境和完整工作轨迹。模型因此从“会回答”逐步走向“会工作”。
Agent Harness 是什么
Harness 是模型外围的工作系统，包括上下文、工具、控制循环、权限、状态和日志。
模型决定下一步做什么，Harness 负责把行动变成可检查、可恢复的工作。好的科学智能体，需要把模型连接到论文、数据、模拟器、实验设备和验证器。
AI 如何加速数学研究
数学研究正在从个人使用 AI 辅助，发展到人机共同验证和批量产出成果。
Lean 等工具可以检查证明是否正确，但“证明正确”不等于“理解证明”。数学研究仍然需要解释、简化、教学和组织，让结果成为公共知识。
AI 如何加速其他科学
在物理、天气、生物医药和材料领域，AI 可以生成结构、预测性质、筛选候选并帮助选择下一次实验。
但不同领域的验证速度差异很大：证明可以秒级检查，材料合成需要实验，药物疗效需要长期临床研究。候选成果增加，但科学验证仍是挑战。
核心概念
模型训练：从文本到环境
早期训练主要学习文本中的规律。现在，模型也通过代码执行、数学判分、工具调用和实验反馈学习。训练环境越清晰、结果越容易验证，模型越容易获得可靠的改进信号。
科学工作流：生成与验证并重
AI 可以提出假设、证明、分子或材料，但生成只是开始。真正的科学流程还需要独立验证、实验、解释和数据回流。
RSI：有边界的自我改进
递归自我改进（RSI）是让 AI 修改自己的代码、提示或工作流，再通过后续任务检验改动是否有效。
当前前沿系统主要在固定预算、外部评测和人工监督下工作。它们能够优化研究代理，但不等于无约束地改造自己，也不等于智能爆炸。
Math 2.0：重新理解数学贡献
数学贡献不只包括最先得到答案，也包括验证、消化、组织、教学和提出新问题。研究者的责任，是把 AI 产物变成别人能够理解、使用和继续发展的知识。
科学共同体：新的稀缺资源
当论文、证明和候选成果越来越多，注意力、可靠验证、好问题和公共理解会变得更稀缺。科研信用也会更多流向提出问题、验证证据、解释结果和维护知识的人。
科学的社会价值
AI 科学可能扩大整个社会的发现能力，也可能让算力、数据与平台更加集中。最终需要回答的是：研究什么、由谁验证、谁从发现中受益，以及成果能否公平转化为公共福祉。
主讲人介绍
主讲人：徐兴成，北京大学数学学院博士，现任上海人工智能实验室研究员，入选上海市东方英才计划拔尖项目及上海市“科技创新行动计划”启明星项目。曾任阿里巴巴、蚂蚁集团罗汉堂研究科学家，拥有EB级大数据与机器学习实践经验。近期深度参与大模型后训练，联合主导智能体系统研发，并开展AI基础理论原创研究。相关成果发表于ICML、ACL、EMNLP、IJCAI、CVPR、Annals of Applied Probability、Scientific Data等会议与期刊。兼任上海交通大学人工智能学院博士生导师、上海科技大学行业导师。
参考文献
[1] KAPLAN J, MCCANDLISH S, HENIGHAN T, et al. Scaling laws for neural language models[EB/OL]. arXiv, 2020. https://arxiv.org/abs/2001.08361.
[2] WEI J, TAY Y, BOMMASANI R, et al. Emergent abilities of large language models[EB/OL]. arXiv, 2022. https://arxiv.org/abs/2206.07682.
[3] OpenAI. Learning to reason with LLMs[EB/OL]. OpenAI, 2024-09-12. https://openai.com/index/learning-to-reason-with-llms/.
[4] DeepSeek-AI. DeepSeek-R1: Incentivizing reasoning capability in LLMs via reinforcement learning[EB/OL]. arXiv, 2025. https://arxiv.org/abs/2501.12948.
[5] ZHANG J, HU S, LU C, et al. Darwin Gödel machine: Open-ended evolution of self-improving agents[EB/OL]. arXiv, 2025. https://arxiv.org/abs/2505.22954.
[6] ZHAO B, XU D, WU Y, et al. Recursive self-improvement of AI research agents[EB/OL]. arXiv, 2026. https://arxiv.org/abs/2609.26457.
[7] TAO T. Embracing change and resetting expectations[EB/OL]. Microsoft AI Anthology, 2023. https://unlocked.microsoft.com/ai-anthology/terence-tao/.
[8] TAO T. Math 2.0[EB/OL]. What's new, 2026-10-10. https://terrytao.wordpress.com/2026/10/10/math-2-0/.
[9] ABRAMSON J, ADLER J, DUNGER J, et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3[J/OL]. Nature, 2024, 630: 493-500. https://doi.org/10.1038/s41586-024-07487-w.
[10] ZENI C, PINSLER R, ZÜGNER D, et al. A generative model for inorganic materials design[J/OL]. Nature, 2025, 639: 624-632. https://doi.org/10.1038/s41586-025-08628-5.
[11] OpenAI. Mathematical manuscripts and supporting proof artifacts[EB/OL]. GitHub, 2026. https://github.com/openai/math.
[12] Stanford HAI. AI Index Report: Science[R/OL]. Stanford University, 2026. https://hai.stanford.edu/ai-index/2026-ai-index-report/science.
报告简介
报告简介
AI 正在改变科学研究的方式。它不只回答问题时更快，也开始参与搜索、计算、证明、实验和结果验证。
本报告讨论一个核心问题：模型能力如何变成可靠的科学发现？
答案并不只取决于模型本身，科研还需要合适的工具、清晰的工作流程、可验证的环境，以及实验结果的持续反馈。AI 可以生成更多候选答案，但可靠的知识仍然需要验证、理解和共同体的消化。本报告系统展开AI对科研影响的理解。
分享大纲
分享大纲
大模型如何训练
大模型先通过海量文本学习通用表示，再学习遵循指令、满足人类偏好，并逐步进入数学推理和工具使用。
近几年的重要变化是：训练不再只依赖静态文本，也开始使用工具调用、实验环境和完整工作轨迹。模型因此从“会回答”逐步走向“会工作”。
Agent Harness 是什么
Harness 是模型外围的工作系统，包括上下文、工具、控制循环、权限、状态和日志。
模型决定下一步做什么，Harness 负责把行动变成可检查、可恢复的工作。好的科学智能体，需要把模型连接到论文、数据、模拟器、实验设备和验证器。
AI 如何加速数学研究
数学研究正在从个人使用 AI 辅助，发展到人机共同验证和批量产出成果。
Lean 等工具可以检查证明是否正确，但“证明正确”不等于“理解证明”。数学研究仍然需要解释、简化、教学和组织，让结果成为公共知识。
AI 如何加速其他科学
在物理、天气、生物医药和材料领域，AI 可以生成结构、预测性质、筛选候选并帮助选择下一次实验。
但不同领域的验证速度差异很大：证明可以秒级检查，材料合成需要实验，药物疗效需要长期临床研究。候选成果增加，但科学验证仍是挑战。
核心概念
核心概念
模型训练：从文本到环境
早期训练主要学习文本中的规律。现在，模型也通过代码执行、数学判分、工具调用和实验反馈学习。训练环境越清晰、结果越容易验证，模型越容易获得可靠的改进信号。
科学工作流：生成与验证并重
AI 可以提出假设、证明、分子或材料，但生成只是开始。真正的科学流程还需要独立验证、实验、解释和数据回流。
RSI：有边界的自我改进
递归自我改进（RSI）是让 AI 修改自己的代码、提示或工作流，再通过后续任务检验改动是否有效。
当前前沿系统主要在固定预算、外部评测和人工监督下工作。它们能够优化研究代理，但不等于无约束地改造自己，也不等于智能爆炸。
Math 2.0：重新理解数学贡献
数学贡献不只包括最先得到答案，也包括验证、消化、组织、教学和提出新问题。研究者的责任，是把 AI 产物变成别人能够理解、使用和继续发展的知识。
科学共同体：新的稀缺资源
当论文、证明和候选成果越来越多，注意力、可靠验证、好问题和公共理解会变得更稀缺。科研信用也会更多流向提出问题、验证证据、解释结果和维护知识的人。
科学的社会价值
AI 科学可能扩大整个社会的发现能力，也可能让算力、数据与平台更加集中。最终需要回答的是：研究什么、由谁验证、谁从发现中受益，以及成果能否公平转化为公共福祉。
主讲人介绍
主讲人介绍
主讲人：徐兴成，北京大学数学学院博士，现任上海人工智能实验室研究员，入选上海市东方英才计划拔尖项目及上海市“科技创新行动计划”启明星项目。曾任阿里巴巴、蚂蚁集团罗汉堂研究科学家，拥有EB级大数据与机器学习实践经验。近期深度参与大模型后训练，联合主导智能体系统研发，并开展AI基础理论原创研究。相关成果发表于ICML、ACL、EMNLP、IJCAI、CVPR、Annals of Applied Probability、Scientific Data等会议与期刊。兼任上海交通大学人工智能学院博士生导师、上海科技大学行业导师。
参考文献
参考文献
[1] KAPLAN J, MCCANDLISH S, HENIGHAN T, et al. Scaling laws for neural language models[EB/OL]. arXiv, 2020. https://arxiv.org/abs/2001.08361.
[2] WEI J, TAY Y, BOMMASANI R, et al. Emergent abilities of large language models[EB/OL]. arXiv, 2022. https://arxiv.org/abs/2206.07682.
[3] OpenAI. Learning to reason with LLMs[EB/OL]. OpenAI, 2024-09-12. https://openai.com/index/learning-to-reason-with-llms/.
[4] DeepSeek-AI. DeepSeek-R1: Incentivizing reasoning capability in LLMs via reinforcement learning[EB/OL]. arXiv, 2025. https://arxiv.org/abs/2501.12948.
[5] ZHANG J, HU S, LU C, et al. Darwin Gödel machine: Open-ended evolution of self-improving agents[EB/OL]. arXiv, 2025. https://arxiv.org/abs/2505.22954.
[6] ZHAO B, XU D, WU Y, et al. Recursive self-improvement of AI research agents[EB/OL]. arXiv, 2026. https://arxiv.org/abs/2609.26457.
[7] TAO T. Embracing change and resetting expectations[EB/OL]. Microsoft AI Anthology, 2023. https://unlocked.microsoft.com/ai-anthology/terence-tao/.
[8] TAO T. Math 2.0[EB/OL]. What's new, 2026-10-10. https://terrytao.wordpress.com/2026/10/10/math-2-0/.
[9] ABRAMSON J, ADLER J, DUNGER J, et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3[J/OL]. Nature, 2024, 630: 493-500. https://doi.org/10.1038/s41586-024-07487-w.
[10] ZENI C, PINSLER R, ZÜGNER D, et al. A generative model for inorganic materials design[J/OL]. Nature, 2025, 639: 624-632. https://doi.org/10.1038/s41586-025-08628-5.
[11] OpenAI. Mathematical manuscripts and supporting proof artifacts[EB/OL]. GitHub, 2026. https://github.com/openai/math.
[12] Stanford HAI. AI Index Report: Science[R/OL]. Stanford University, 2026. https://hai.stanford.edu/ai-index/2026-ai-index-report/science.
活动预告
活动预告
⏰ 时间：2026年11月15日（周日）下午14:00-16:00
📍 线上：腾讯会议
📍直播：集智俱乐部微信视频号、B站账号同步直播
感兴趣的朋友请扫码报名加入读书会，报名后可进入学员群参与交流讨论。
直播信息
报名读书会：「未来学」
报名读书会：「未来学」
集智俱乐部联合南京师范大学新闻与传播学院副研究员崔浩川、塔夫茨大学博士后章彦博共同发起「未来学」读书会，组织对该主题感兴趣的研究者与探索者共同研读前沿文献、交流研究思路。
读书会自2026年9月6日起，每周日14:00-16:00线上开展，持续约10周，包含主讲分享与讨论交流，并提供会后视频回放，诚邀相关领域研究者及跨学科兴趣者参与。
扫描海报中二维码报名参加读书会
报名方式
第一步：微信扫码填写报名信息。
扫码报名
第三步：添加运营助理微信，拉入对应主题的读书会社区（微信群）。
PS：我们鼓励围绕复杂系统、人工智能及相关具体问题的深入探讨。为保证讨论质量，请避免发表脱离本期读书会主题、缺乏实证基础或过于空泛的哲学思辨类内容。
若讨论内容明显偏离主题，经主持人提醒后仍未调整，为维护整体学习环境，我们将不得不将该成员请出讨论群，并根据其实际参与进度，对未参与部分按比例办理退费。
感谢您的理解与配合，让我们共同营造一个专注、深入、有收获的共学空间。
加入社区可享核心资源
成为会员即可解锁完整学习生态，包括：线上实时问答、全部课程录播回看、独家资料共享、高质量社群交流、第一手信息同步，以及通过参与共创任务获取积分等权益。
特色退费与激励机制
我们提供以下两种途径，让您的投入获得实际回馈：
任务达标退费路径
认领并合格完成任意两期字幕任务，即可退还全额报名费，并额外获得集智专属周边奖励。
运营成长激励路径
合格完成一个字幕任务后，可申请成为运营助理。在读书会项目顺利结项后，将退还学费。表现优异者，还有机会获得额外的奖学金。
相关内容推荐
相关内容推荐
1.「未来学」读书会推荐阅读材料
扫描下方二维码可跳转至集智斑图网站阅读文章：《拯救2050:未来学》读书会推荐阅读材料。
往期公众号相关内容推
加速经典算法效率，突破现实技术瓶颈：图神经网络与组合优化读书会启动
全新读书会启动：组队研读翻译复杂科学神书，开启“一种新科学”
面向未来的科学学读书会：探索开放科学范式，揭示科学不平等的起源
人工智能会取代物理学家吗？| 集智-凯风复杂系统论坛全天回顾
地球系统科学新范式：复杂科学与人工智能交叉前沿 | 读书会启动
点击“阅读原文”，报名读书会
本文转载自微信公众号「集智俱乐部」，查看原文。版权归原作者所有，如有侵权请联系删除。