论文标题:
Guojun Liao: Accelerating Returns and the Missing Layer in Scientific Discovery
发表日期:
2026年06月
发表单位:
University of Texas at Arlington
原文链接:
https://arxiv.org/pdf/2606.26359v1.pdf
加速回报的数学本质：从指数增长到耦合系统
库兹韦尔提出的“加速回报”听起来像一句科幻台词：技术越进步，进步得越快，最后像坐上了火箭。但这篇论文没有停留在“听起来很猛”这一步，而是先把它翻译成了一个更朴素的数学图景：如果一个量的增长速度和它自身规模成正比，那它就会呈指数增长。说人话就是，今天多一点，明天就能拿这一点再生一点，利滚利，滚着滚着就不像话了。不过，论文真正想强调的并不是“指数增长”本身，而是它背后的正反馈。比如算力更强，会让芯片设计更快、软件优化更快、实验验证更快；这些更快的结果又反过来继续提升算力。单看一个领域，像是一个变量在狂奔；放到多个领域一起看，就变成了一群变量互相拉车、互相拽着往前冲。图1：加速回报的耦合系统示意。论文把 compute、AI、脑科学、材料等多个技术领域看成彼此影响的子系统，核心不是单点爆发，而是系统之间的“互相喂饭”。论文把这个想法写成了一个很经典的耦合系统：每个技术领域都可以有自己的增长率，但更重要的是它们之间存在交叉项。比如计算能力会推动人工智能，人工智能又会反过来推动计算能力。只要这些交叉项不是摆设，而是真能产生实际帮助，那么系统的主导增长率就会被抬高。换句话说，不是某个领域单独变强，而是整个技术网络一起变强。公式图：耦合增长模型。这里的 X 代表多个技术变量组成的向量，M 是增长矩阵，矩阵里的对角线表示各领域自己的增长速度，非对角线表示“你帮我、我帮你”的交叉促进项。这个写法的好处是把“加速回报”从口号变成了可分析的动力系统。当然，论文也没有把这件事说得过于浪漫。它很老实地提醒：耦合不等于必然爆炸。要让加速回报真的发生，至少得满足几件事。第一，跨领域帮助必须是真的，不是“看起来很会”。第二，知识和工具要能低摩擦流动，不然 A 领域的成果到了 B 领域就像快递丢了件。第三，系统得足够模块化，方便复用和重组。第四，物理、组织、能源这些现实限制还在，指数增长不可能无限持续，很多时候只是某个阶段看起来像指数。所以，这篇论文对“加速回报”的处理其实很克制：它不是在鼓吹“技术永远飞升”，而是在说技术系统在某些条件下确实会进入互相促进的加速区间。这个判断很重要，因为它让后面的讨论有了地基——先承认技术会越来越快，再问一个更尖锐的问题：快，究竟快在哪儿？
“执行”与“发现”的鸿沟：为什么加速解决不了框架问题？
这篇论文最有意思的地方，恰恰不是“加速回报”本身，而是它指出：加速能提高执行能力，却不自动带来科学发现能力。这话听着有点扎心，但很像现实。因为“会做题”和“会出题”根本不是一回事。前者是把已知框架里的任务做得更快更准，后者是判断框架本身是不是该换了。论文借用了一个很实用的三层视角：Layer 1 是搜索和检索，Layer 3 是执行、优化和精炼，而最关键、也最容易被忽略的，是 Layer 2——定性推理，也就是判断“当前框架哪里不对劲”。如果把科学发现比成修房子，Layer 3 像电钻和水泥，能干活；Layer 2 才像判断承重墙是不是设计错了。电钻再快，也不能替你决定该不该拆墙。图2：执行与发现的差异。左边更像“在既定规则里越跑越快”，右边更像“发现规则本身不对，得换一套打法”。论文认为，真正难的是后者。这就解释了为什么“技术越来越强”并不等于“科学发现自动完成”。一个系统完全可能在旧框架里越做越熟练，越熟练越高效，最后把旧框架里的边边角角都挤干净了，但就是没意识到：真正的问题不是优化不够，而是模型方向错了。这类问题不是多跑几轮训练、多堆几块卡就能解决的。论文这里还借用了 ARC-AGI-3 的结果来加重语气：人类在这个基准上接近满分，而前沿 AI 仍然低于 1%。这不是在说 AI 没用，而是在说当前 AI 和人类在“灵活推理、框架切换、发现缺口”这类能力上，差距还非常大。这个差距不是靠“更多算力”四个字就能糊过去的。算力能让机器更快地执行，但不能自动教会它“什么时候该怀疑自己”。看到这里，确实会有点“思考中...”的感觉。因为很多人默认 AI 越来越强，迟早连发现新理论也一起包了；但论文的态度是：先别急着画饼，先分清楚“能把现有活干快”与“能看出活本身干错了”是两回事。
[1] Kurzweil, R. The Singularity Is Near. Viking, 2005.[2] Kurzweil, R. The Singularity Is Nearer. Viking, 2024.[3] Liao, G. A Three-Layer Framework for AI in Scientific Discovery. arXiv:2606.13566v1, 2026.[4] ARC Prize Foundation. ARC-AGI-3 benchmark and leaderboard materials, 2026.[5] The Stanford Daily. “Google DeepMind CEO warns AI is at species-level transition,” May 29, 2026.
