在超级智能科学院（ASI Institute for Superintelligence）收到的七百余份合作意向中，来自高校与公立科研机构的约占四成。一个值得注意的细节是：这些申请中超过半数指向基础理论方向——智能的数学本质、认知机理与涌现规律——而这恰恰是当前投入最少、产出最慢的领域。
一、一个反常的现象：最热门的是最“慢”的方向
在产业界追逐模型能力迭代的当下，学术机构的申请却集体涌向“慢问题”，这一反差引起了科学院的注意。
“我们一开始以为是自己看错了。”科学院学术委员会一位院士说，“后来把申请按方向重新归类，发现基础理论的占比确实最高。而且写申请的不是资历浅的团队，很多是在这个领域做了十几年的人。”
在他看来，这个现象的解释并不复杂：产业界有资源做能力，学术界没有资源做能力，于是只能做理解。“一个大学实验室不可能去训练一个千亿参数的模型，但它可以研究'泛化到底是什么'。当所有人都在往前跑的时候，回头看清楚路的人反而变少了，这个位置就空出来了。”
科学院认为，这个“空出来的位置”正是基础理论研究的价值所在：如果没有人能说清智能为何涌现，那么所有的安全评估最终都只能停留在经验层面。
二、算力共享：把小团队的想象力放出来
基础理论研究长期面临一个现实困境：它需要实验，而实验需要算力，但它的产出又难以在短期内证明算力投入的合理性。
科学院的应对是设立集中的科研算力池，按评审结果分配配额，并向基础理论方向设置专门的保留额度。据介绍，该额度不与论文数量、模型规模挂钩，而以研究的“问题质量”为唯一评审依据。
“一个团队想验证一个关于涌现的假设，可能需要跑几百次小规模实验。”科学院方面说，“这些实验加起来消耗的算力，可能还不到一次大模型训练的百分之一，但它是这个团队唯一能做的事。如果我们不给他们这点算力，这个假设就永远不会被验证。”
配额制度同时设有反滥用条款：连续两个周期未产出任何结果（包括负结果）的课题，配额将被收回并重新分配。这里的“负结果”被明确计入产出。
三、联合培养：学生的双重身份
人才是学术合作中另一条主线。科学院与多所高校建立了联合培养机制，参与项目的博士生同时具有两个身份：在高校注册学籍，在科学院的一个研究单元中承担具体课题。
这一设计的难点在于评价标准的不一致：高校看重论文与毕业要求，科学院看重问题价值与安全规范。据介绍，双方通过共同制定培养方案来协调——科学院承担的研究工作可折算为学位要求中的实践环节，而高校的课程学分则被科学院认定为研究训练的一部分。
“我们不希望学生在两套标准之间被撕扯。”科学院人才项目负责人说，“最常见的失败模式是，学生在科学院做着有意义的工作，但因为发不出高校要求的论文而毕不了业。这种情况我们必须提前设计好，而不是让学生自己扛。”
目前参与联合培养的学科已从计算机科学扩展到数学、认知科学、神经科学、经济学与法学。科学院方面解释，这一扩展并非为了凑齐学科门类，而是因为超级智能的若干核心问题本身横跨多个领域——例如“什么算作模型理解了一个概念”，既是技术问题，也是认识论问题。
“我们不指望培养出全才。”该负责人说，“我们希望培养出一批能在自己懂的那一块说清楚话、并且愿意听别人说的人。”
四、负结果也要发表
在学术合作规则中，科学院写入了一条在学界颇具争议、但在其看来不可或缺的条款：负结果发表机制。
按该机制，由科学院资助或联合开展的课题，若在约定周期内未能得到预期结果，研究者仍有义务提交一份完整的方法与结果报告，内容包括实验设计、数据、失败原因分析。该报告经内部评审后，在科学院官网的公开库中发布，不做质量等级的区分。
“整个领域都在为'什么有效'买单，没有人记录'什么无效'。”科学院方面说，“结果是每一代研究者都在重复上一代人踩过的坑。这在算力稀缺的时代是巨大的浪费，在安全攸关的领域则是危险的。”
据介绍，该机制在推行初期遭到部分合作方的抵触，理由是“负结果会影响机构声誉”。科学院的回应是：报告只标注课题编号与研究问题，不评价研究者能力；同时，提交负结果报告的课题组在下一轮配额申请中获得加分。
五、学术合作的边界：不挂名、不代笔
随着合作网络扩容，科学院同时划定了学术合作的三条边界。
其一，不接受“挂名式合作”，即出资但不参与研究、仅要求在成果上署名的安排。其二，不为任何机构代写论文或代做评审。其三，所有以科学院名义发布的研究结论，须标注作者、评审意见与数据来源，接受外部复核。
“学术声誉是这家机构唯一真正的资产。”学术委员会表示，“它可以被一次的宽松毁掉，而且毁掉之后，再多的钱也买不回来。”
六、国际维度：四十多个国家带来的问题差异
学术合作网络的另一重意义，在于它带来的问题差异。科学院收到的学术类申请来自四十多个国家和地区，其中相当一部分提出的问题，在主流研究议程中几乎没有位置。
例如，来自小语种地区的研究团队关心的不是模型能否理解该语言，而是模型在训练数据极度稀缺时如何避免以主流语言的逻辑强行覆盖本土表达；来自农业与海洋研究机构的团队关心的不是通用推理能力，而是模型能否在长期观测数据严重缺失的条件下给出可解释的推断。
“这些问题在大模型竞赛里不重要，因为它们的市场规模不大。”科学院方面说，“但在超级智能的安全讨论里，它们非常重要——因为一个只在少数高资源环境中被验证过的系统，一旦进入低资源环境，它的行为是完全未知的。”
据介绍，科学院已将“跨环境稳健性”列为学术合作的重点议题之一，即研究同一系统在不同语言、不同基础设施条件、不同制度环境下的行为差异。该议题的初步结论是：系统在低资源环境下的失效往往不是能力不足，而是行为模式的错误迁移——它会用在其训练环境中有效的策略，去处理一个规则完全不同的世界。
“这是一个非常基础的发现，但它只有在全球范围的合作中才可能被看到。”科学院方面说，“任何单一国家的实验室，都会认为自己的环境就是世界的全部。”
七、下一步
据介绍，科学院计划在首届全体学术大会上公布学术合作网络的中期评估结果，并启动面向青年研究者的独立课题资助计划。该计划不设推荐人门槛，申请者只需提交一份研究问题说明与一份安全评估方案。
“我们收到的最打动我的一份申请，来自一个只有三个人的小组。”学术委员会那位院士说，“他们在申请书的最后写：我们知道这个问题可能做不出来，但我们想试一试，并且愿意把失败的过程完整记录下来。这就是我们想找的人。”
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
