当科技界聚焦于人工智能（AI）在替代人类劳动力方面的潜力时，盛大集团创始人陈天桥提出了一个颇具颠覆性的观点：人类文明的进步并非源于对既有工作的效率提升，而在于发现全新的自然规律。这一论断直指当前通用人工智能（AGI）发展的核心争议——主流定义过度强调功能替代，却忽视了探索未知领域的根本价值。
OpenAI等机构将AGI定义为在经济价值工作中超越人类的系统，这种功能主义导向正主导着行业研发方向。但陈天桥认为，若AI仅满足于模仿人类行为或优化现有流程，将永远无法突破人类认知的边界。真正的突破性机遇蕴藏在"理科大模型"领域，其核心价值不在于生成文案或代码，而在于创造新知识——包括新定理、新材料、新药物等具有根本性创新的成果。
在医疗、工程等关键领域，99%的准确率并非技术指标，而是关乎生死存亡的商业底线。陈天桥指出，低一个百分点的可靠性可能导致数亿元研发经费的浪费，或错失关键药物的临床试验窗口。这种严苛要求与当前大模型在封闭测试环境中追求的高分形成鲜明对比，揭示出技术落地现实场景时面临的巨大挑战。
其旗下MiroMind公司正在通过BrowseComp等项目验证新范式。该项目摒弃在聊天测试中刷分的传统路径，转而构建基于"时间序列反复求证"的推理机制。这种设计要求系统在长链路任务中持续获取外部反馈，通过可审计的证据链逐步逼近真相，而非依赖一次性生成答案的赌博式策略。
陈天桥将现有AGI路径划分为三大流派：行为主义范式强调模仿人类表现，功能主义范式聚焦劳动力替代，能力分级范式追求泛化能力。但他认为这些路径都存在根本缺陷——现实世界没有标准答案，真正的智慧在于自主发现正确路径。其提出的"理科大模型"范式，要求系统具备可证伪假设生成、因果关系追踪、长期记忆累积等核心能力。
这种新范式对技术可靠性提出了近乎苛刻的要求：在300步复杂推理后仍需保持99%的整体正确率。陈天桥解释称，当前大模型单步推理准确率虽可达98%，但经过300步链式推导后成功率将骤降至0.23%。这种指数级衰减暴露出长链误差累积的致命弱点，而现实应用场景恰恰需要这种跨度推理能力。
为突破技术瓶颈，MiroMind将推理过程解构为逻辑生成与检验双层架构。生成层负责将复杂问题递归拆解为原子级操作，检验层则通过工具验证、仿真模拟等手段对每个推理步骤进行交叉验证。这种设计允许系统在局部错误时进行回退修正，而非全盘推翻重建，从而在组合爆炸的复杂度中保持可控性。
在工程实践中，BrowseComp项目已展现初步成果。该系统使用2350亿参数模型在特定任务中达到领先水平，其核心突破不在于分数提升，而在于验证了"反复求证"推理模式的可行性。这种模式要求模型在深度交互中持续获取环境反馈，将推理过程转化为可审计的证据链，为构建通用问题求解器奠定基础。
陈天桥借用佛经"大圆镜智"的意象，描绘其心目中的理想AGI——这个系统应如明镜般如实映照因果关系，不被语言修饰所迷惑，不满足于表面答案，而是执着追求事实真相。在AI技术被叙事泡沫包围的当下，这种回归本质的追求，或许正代表着技术发展的下一个转折点。
