Scaling Law 为什么出现？
解释模型、数据和计算规模扩大时，性能为何呈现稳定的幂律关系，以及这种关系何时失效。
把 AI 本身作为科学研究对象
当模型能力随规模、训练与交互持续演化，研究目标需要从“如何构建更强模型”进一步走向“哪些机制产生了这些能力”。
核心命题：
将 AI 视为可观测、可解释、可预测的复杂系统，寻找跨模型、跨训练方法和跨任务成立的普遍规律。
涌现能力从何而来？
识别复杂能力出现所依赖的表征、数据结构、训练动态与系统尺度。
强化学习如何改变模型行为？
研究奖励、探索、反馈与策略更新如何共同塑造推理、对齐和自主决策。
智能是否存在统一的数学结构？
寻找连接学习、推理、记忆、泛化与规划能力的共同变量和数学关系。
人工智能与人类智能有哪些共同机制？
比较机器与人类在表征形成、预测、压缩、学习和协作中的共性与差异。
从套用理论到创造理论
现有数学、物理和神经科学提供重要工具，但智能系统可能需要新的状态变量、临界概念和可检验理论。
理论边界：
Science of AI 不能仅仅是“将已有物理理论套到神经网络上”，还应该产生新的科学概念和理论。
定义新的可观测量
找到能够描述智能状态、能力边界和系统复杂度的宏观变量，而不只依赖参数量与任务分数。
识别临界行为
判断推理、泛化与协作能力是否存在相变、阈值、迟滞或其他可重复的临界现象。
建立可检验理论
从经验曲线走向能够预测新模型、新训练制度和新交互环境中行为变化的科学理论。
需要回答的未来科学问题
这些问题把模型能力、学习过程与多智能体行为转化为可测量、可解释、可验证的研究对象。
智能是否具有类似热力学变量的宏观描述？
探索是否存在能够跨模型概括能力、复杂度、稳定性和适应性的少量宏观状态变量。
推理能力是否存在相变点？
研究计算深度、训练规模或反馈强度跨过某一阈值时，推理能力是否发生结构性变化。
能力涌现是连续变化还是临界跃迁？
区分真实的系统跃迁与评测尺度造成的表面突变，并寻找可重复的涌现判据。
记忆、压缩、预测之间是否存在统一规律？
解释系统如何选择、压缩和调用信息，以及这些过程如何共同决定泛化与推理。
上下文学习为何能够在不更新参数时产生新能力？
揭示上下文如何在固定参数系统中形成临时任务表示、学习规则与适应性行为。
Agent 系统的协作和自主性是否存在普遍动力学规律？
研究多智能体在通信、竞争、分工和反馈中的集体状态、稳定条件与失效模式。
AI 科学研究框架
从宏观规律到群体智能，建立贯通观测、机制、理论和验证的研究路径。
视角 1
宏观规律
研究 Scaling Law、能力涌现、相变与跨尺度稳定关系，定义描述智能系统的宏观变量。
视角 2
学习动力学
解释预训练、强化学习、反馈与探索如何改变内部表征、策略形成和外部行为。
视角 3
信息机制
统一考察记忆、压缩、预测与上下文学习，寻找信息组织和能力生成之间的规律。
视角 4
群体智能
研究 Agent 协作、自主性、分工与竞争的普遍动力学，以及集体能力形成的边界条件。
目标：从 AI 工程走向能够解释、预测并检验智能规律的科学体系。