递归元智能

我们构建了一个递归式 AI，它能创造自己的科学仪器，将其转化为一个由庞大智能体生态所栖居的世界，进而在这个世界中，跨越广阔而高度非线性的可能物理未来空间进行推理。AI 集群持续运转，直到数万条轨迹收敛为人类可用的机制性原理，提炼出若干支配层级超材料失效的核心设计原则。这项工作的核心要义在于：AI 能够构建出使自身下一层级推理成为可能的空间；一种表征成为仪器，仪器成为可执行的世界，而这个世界又成为更高层智能的基底，形成一个递归循环。智能通过构建新的思考空间并改进自身思维而增长。

由初始智能体集合所创造的世界，随后被数百个 AI 智能体所栖居。它们探索一个广阔的设计宇宙，其中化学组成保持不变，而架构创造功能：层层嵌套、相互交织的结构之中再含结构，构成一个极其复杂的设计空间。在这里，同样的组成材料可以表现出截然不同的行为，取决于物质被置于何处、如何连接，以及有序与无序如何在各个尺度上分布。架构为一个本已高度非线性且路径依赖的问题增添了组合自由度，尤其当我们考察材料如何变形、在极端压力下如何动态响应以及如何失效时，更是如此。

每一次断裂都会改变拓扑结构、重新分配力，并创造一个新的状态。级联效应源自材料自身不断演化的状态。从这种复杂性中，浮现出一个极为紧凑且反复出现的结果：层级结构本身并不决定性能；决定性的变量在于，架构如何组织力在损伤累积过程中被承载和重新分配的路径。当材料被分配到主导的承载结构中时，增益便出现了。几何秩序的布置决定了失效是通过较小事件逐步推进，还是同步崩溃。这开启了一个具有惊人缺陷容忍度的区间，伴随着真实的权衡取舍和现实世界的工程意义。

AI 的核心发现是：要使材料具有损伤韧性，可以通过塑造架构来实现——一旦失效开始，材料便被驱动经过一系列保持功能的 states。关键点在于动力学——每一次断裂都会改写拓扑结构，重新分配力和能量，并创造一个新的状态。完整的响应是一种路径依赖的演化，伴随着雪崩式事件和不可分离的相互作用，其中某一设计选择的效果取决于其他选择。

令人瞩目的是，AI 在该问题上所展现出的科学认知水平。AI 持有一个关于演化世界的生成模型，能够跳出当前状态，推演替代性的未来，比较漫长的因果历史，识别出改变可达轨迹的干预措施，并将这些历史压缩为一小组生成性不变量。这与基于模型的因果推理、反事实模拟、认知解耦和时间抽象相关联。

更深层的推理

对可能发生之事、历史如何展开，以及其中哪些隐藏机制始终保持不变的推理。由此得出的原理意义深远：架构能够编程失效的演化。几何赋予我们一种方式，去塑造物理系统在损伤下如何穿越其可能的未来状态。这反过来又将一个庞大的非线性空间转化为强大的设计抓手：塑造物质在损伤下的未来轨迹，使功能得以在失效过程中深入持久。

但在我看来，或许最有趣的是，更大的影响在于人类认知视野的拓展。科学通过扩展心智所能容纳之物而进步。仪器延伸感知，计算延伸运算，而这样的系统则延伸了我们在抽象之前所能遍历的因果可能性空间的规模。

群体栖息地

AI 可以栖居于数千种替代方案之中，追踪数量庞大的可能历史，并带回足够紧凑、可供我们推理的机制。这为科学创造了一种延展认知的形式。我们有效的科学智能融合了模型、可执行世界、持久证据以及人工研究者群体。机器规模的探索可以被压缩为人类规模的理解。这些原理我们可以与之辩论、加以推广、据此制造，并用于设计下一个实验。

递归具有强大的力量；最初的智能体定义了一个科学世界，而这个世界成为共享认知。其他当前与未来的智能体探索它、添加证据、通过同一持久工具检索并构建进一步的研究。这创造了一个思维的飞轮——答案通向工具，工具通向世界，世界通向生态，而每一步都是可编辑的产物，作为进一步改进的基础。智能通过智能体所构建之物而复利增长，在科学中引发智能爆炸：设计者构建可能性空间，其他设计者在此空间中推理、实验与发现。

流经可能性空间

在一般层面上，学习与发现是在约束之下穿越可能性空间的流动。在反向传播中，流动在指定损失下穿过参数空间。在强化学习中，它通过奖励与环境耦合。在一个完全自主的科学系统中，这种流动变得自反。系统超越了内部状态更新，构建、操纵并修复那些可执行世界——正是这些世界定义了它的目标、变量与问题究竟是什么。

普遍的模式是可能性、约束、后果与记忆之间反复出现的耦合。流动创造结构，结构又重定向流动。当这一循环从参数扩展到策略、再到表征、再到工具与世界时，智能不再局限于某一个固定空间；它开始创造下一个可供其思考的空间。

演化叙事

从RNN到LSTM再到Transformer（以及后来的循环Transformer和其他变体）的演进，可以读作一部关于智能将持久性置于何处、允许何处发生变化、以及如何将结构从一个计算周期传递到下一个周期的历史。RNN将过去压缩为一个不断演化的隐藏状态；LSTM引入门控机制，在更长的时间跨度上保留选定信息；Transformer使先前的token可以作为上下文被直接寻址，并在这一持久基底上持续重新计算关系。循环Transformer复用稳定的计算算子，同时表征通过反复传递而演化。

递归自演化智能将这一原理从模型的内部架构扩展到更广的范围，并融合多种杠杆来创造指涉性更新。

表征、记忆、工具、科学仪器、可执行世界，乃至整个智能体社会，都可以成为持久且不断演化的基底，将一轮认知的产物承载到下一轮。每个周期都能稳定已学到的东西，将其转化为推理的新对象，并在其上打开更大的可能性空间。

因此，智能获得了一种持久性与可塑性并存的多尺度架构：快速过程进行探索，较慢的结构进行积累，而认知的输出成为后续认知出发的不变量。这赋予了递归真正的力量，因为一旦一个系统能够体验一个世界，它就能构建编码所学内容的结构，通过那些结构进行推理，经由后果修正它们，并反复创造新的层级，让进一步的智能得以在其上运作。

光明的未来

科学人工智能是我们拥有的最强大的积极力量之一。它拓展了人类的认识边界——让我们得以遍历成千上万种可能的历史，发明出我们永远无暇亲手建造的新仪器，并提炼出足够简洁、可供理解、检验和制造的机制。对科学家而言，这成为探索世界的新仪器、新的显微镜、新的工具、一种深入洞察世界并理解世界的新方式。我想不出还有什么比理解自然、并运用这种力量创造新的工程解决方案更符合人性的了——这些方案改善我们的生活与文明，让我们走得更远。

我们才刚刚踏上一段激动人心的旅程，而科学超级智能或许会从一个过程中涌现：复杂的活动生成稳定的抽象，这些抽象又成为更高层次推理的构建单元。随着物质智能被解锁，大量早期研究正变得越来越相关。

例如，控制论和非线性物理学提供了连贯的理论基础；例如，一个系统只有能够生成足够的内部多样性，才能应对复杂的环境，而在某些情形下，它甚至能重组那些使其保持稳定的机制本身。反复的交互可以生成稳定的形式，这些形式成为下一轮推理的“对象”，而过程之网络则可以自我闭合，构成一个连贯的组织层次。

在物理学中，大量自由度可以坍缩为少数集体变量，而这些集体变量又会反过来组织低层。远离平衡态时，持续流动能够稳定此前并不存在的宏观有序。综合起来，这暗示了一种非常特定的标度关系：高维活动产生一个稳定的不变量。这个不变量成为一个有效变量，压缩了复杂性。

这个变量成为一份契约，新的推理层可以立于其上，并在其上方创造一个新的动力学空间。这种递归并非简单的重复，而是创造新的推理基底层级。一个空间被压缩为一条原理，那条原理又在其上方打开一个更大的空间。这确实构成了科学超级智能的深层基础：我们反复生成那个使更宏大的推理成为可能的框架本身。

参考文献与注释