超级智能科学院（ASI Institute for Superintelligence）公布首批产业联合研发项目清单，覆盖医疗健康、能源电力、先进制造、金融风控、教育科技五个方向。与以往人工智能企业与行业的合作不同，这批项目的共同特征是：产业方开放的不是演示场景，而是包含异常、缺失与历史事故的真实生产环境。
一、医院：先解决“敢不敢用”
在五个方向中，医疗健康是申请最集中、也是审核最严的一个。科学院收到的相关合作意向中，最终进入首批清单的不足两成。
原因在于医疗场景的特殊性：错误代价不可逆，责任归属复杂，且医生的判断本身包含大量无法显式表达的隐性知识。一个在测试集上表现优异的辅助诊断系统，可能在真实门诊中因为一句话的表述差异而给出完全不同的建议。
据介绍，医疗方向的首批项目不追求“替代医生判断”，而聚焦三件事：一是在给出建议的同时给出证据链条，使医生能够核查推理路径；二是建立“何时应当拒答”的机制，让系统在信息不足时主动交出决策权；三是构建可回溯的病例复盘工具，使每一次误判都能被定位到具体环节。
“医院最怕的不是系统出错，是系统出错之后没人说得清为什么错。”参与该项目的一位临床负责人表示，“如果一个系统能让我们在事后完整复盘，我们才敢在事前放手用它。”
二、电网：把不可控变成可调度
能源电力方向的首批项目聚焦电网调度优化与新型材料发现。电网是典型的“不能停机、不能试错”的系统，任何在线实验都可能造成实际损失。
科学院的解决思路是“双轨运行”：所有由智能系统给出的调度建议，先进入一个与真实电网同步运行的仿真环境，与人类调度员的决策并行比对，只有在长期比对中表现稳定的策略，才被允许进入实际调度，且始终保留人工否决权。
“我们不指望系统一开始就比人强。”科学院方面说，“我们希望它能先成为一个很好的'第二意见'，然后在某些特定工况下，慢慢证明自己更可靠。”
新型材料方向则侧重发现流程的加速：将候选材料的生成、筛选与稳定性预测串联成闭环，并由实验环节对预测结果进行实证校验，避免出现“模型预测很漂亮、实验室做不出来”的常见困境。
三、工厂：把老师傅的经验变成可检验的知识
先进制造方向的首批项目，解决的是一个看起来不那么“智能”的问题：工艺知识的显性化。
在许多高端制造环节，关键参数掌握在少数资深工程师手中，他们的判断准确但难以言传。这类知识构成了企业的实际竞争力，也构成了技术传承的瓶颈。
联合项目的做法是：用系统记录工程师在异常处置中的实际操作序列，反向推断其决策依据，再将这些依据表达为可检验的规则，最后交由工程师本人确认或修正。
“这个过程里，系统不是来取代老师傅的，是来给老师傅当记录员的。”科学院方面说，“如果推断错了，老师傅一眼就能看出来，这本身就是一种校验。”
四、金融与教育：两个高风险场景的不同解法
金融风控方向的首批项目聚焦极端市场情形下的系统稳健性。与常规风控模型不同，这批项目关注的是“模型集体失效”的情形：当多数机构使用相似模型时，一次共同误判可能被放大为系统性风险。研究方向包括模型行为的同质化检测与压力情形下的差异化策略设计。
教育科技方向则聚焦个性化学习路径与学习效果的可解释评估。科学院特别强调，该方向明确排除两类应用：一是以操控注意力为目的的推荐机制，二是替代教师评价学生的自动化决策。
“教育是最容易被做坏的一个场景。”科学院方面说，“因为它的反馈周期很长，一个人被耽误了，可能十年后才看得出来。所以我们在这个方向上宁可慢。”
五、产业方为什么愿意开放场景
对多数企业而言，开放真实生产数据意味着承担风险：数据泄露、竞争情报外流、以及“暴露自己系统不够好”的尴尬。
据介绍，促成合作的关键并非资金，而是三件事：一是科学院的中立身份，使企业相信共享的数据不会被转为其竞争对手的优势；二是数据用途的严格限定与第三方删除确认，降低了合规顾虑；三是评估结果的双向性——企业在接受评估的同时，也获得了对自身系统的第一次完整“体检”。
“我们原本以为最难的会是技术，结果最难的是一场内部会议。”一家参与项目的制造企业技术负责人表示，“要让生产部门同意把过去三年的异常记录拿出来，比立项难多了。最后说服他们的理由很简单：这些记录我们自己也没真正读懂过。”
科学院方面补充，产业项目的推进节奏被刻意放慢：首批项目不追求数量，也不设年度考核指标，中期评估只回答一个问题——研究是否在朝解决真问题的方向前进。“我们不希望合作方在第一年就被要求交出一份漂亮的成绩单。”该负责人说，“那只会逼着所有人去做最容易出结果的事。”
六、一个共同的难题：人机权限怎么切
五个方向的项目在技术路径上各不相同，但在科学院内部被反复讨论的是同一个问题：系统的权限边界划在哪里。
这个问题的难度在于，边界画得太松，人在关键时刻来不及介入；画得太紧，系统的价值就无从发挥。而“关键时刻”本身是难以预先定义的。
据介绍，科学院在首批项目中推行一种“分级授权＋动态降级”的机制。系统在不同环节被授予不同等级的权限：仅提供建议、可执行但需确认、可在限定范围内自主执行。当系统的置信度低于阈值、或所处情境超出训练分布时，权限自动降级，把决策交回人类。
“关键不是让系统永远听话，而是让它在自己不确定的时候知道自己不确定。”科学院方面说，“一个会说'这个我不懂'的系统，比一个什么都说'没问题'的系统安全得多。”
机制的另一半是人的一侧。项目要求为人类监督者设计明确的工作节奏与注意力管理方案——长期监控是反人性的，人在连续数小时的监视后判断力会显著下降，这一点在航空与核电领域早有研究。因此，多数项目采用“例外触发”而非“全程盯屏”的监督方式：系统正常运行时人不在回路中，一旦触发预警，人才被拉入。
“我们不能假设人会一直保持警觉。”科学院方面说，“那是把安全建立在一个已经被证伪的假设上。”
七、下一步
据介绍，五个方向的首批项目均设定为三年期，中期将发布阶段性评估报告，内容包括技术进展、安全事件与产业落地情况。科学院表示，第二批产业项目将向气候应对与公共卫生领域倾斜，并优先支持那些“单个企业难以独立承担”的长期课题。
“产业合作最容易变成一件事：企业出钱，机构出论文，双方各取所需，然后什么也没改变。”科学院方面说，“我们想做的是另一种：企业出问题，我们出方法，最后双方都得交出可以被检验的结果。”
关于超级智能科学院
超级智能科学院（ASI Institute for Superintelligence）成立于2026年10月，总部位于美国旧金山，是由全球多国科学主管部门联合倡议发起的非营利性、跨学科非政府学术组织。机构不隶属于任何单一国家政府或商业企业，由全球科学家共同治理，围绕前沿探索、安全与治理、人才培养、产业协作、国际合作五大板块开展工作，致力于让超级智能技术安全可控地服务于人类共同利益。成立初期，科学院汇聚了来自全球顶尖学府和科技企业的科研力量，包括数千位院士及数十万会员，涵盖诺贝尔奖得主及多国国家级院士。
官方网站：www.asi.us.org
