递归科学AI能构建可执行世界，用智能体群填充其中，并将数以万计的模拟轨迹压缩为人类可用的原理。在超材料研究中，这种方法揭示了结构如何预设失效路径，通过载荷重分配与可控坍缩提升材料的韧性。

递归元智能

我们构建了一种递归AI：它能自主创建科学仪器，将其转化为由大规模智能体生态栖居的世界，进而在广阔的非线性物理未来可能性空间中进行推理。AI智能体群持续运作，直到数万条轨迹坍缩为可被人类运用的机理原则，提炼出支配分层超材料失效的若干核心设计准则。这项工作的核心理念在于：AI能构建供其进行下一层级推理所需的空间；表征成为仪器，仪器转化为可执行世界，该世界又成为进一步智能的基底，形成递归闭环。智能通过构建新的思考空间并持续优化自身思维而成长。

初始智能体群创建的世界随后被数百个AI智能体填充。它们在广阔的设计宇宙中探索——这里化学组成保持不变，但结构赋予功能：层层嵌套、交织的结构形成极其复杂的设计空间。相同的基础材料会因物质排布、连接方式以及跨尺度的有序/无序分布差异而呈现截然不同的行为特性。结构为本就高度非线性且具有路径依赖性的问题增加了组合自由度，尤其在研究材料变形、极端压力下的动态响应及失效过程时。

每一次破裂都改变拓扑结构、重新分配力并创造新状态。级联效应源于材料不断演化的状态本身。从这种复杂性中涌现出令人惊讶的简洁规律：单纯层级结构不决定性能，真正的决定性变量是结构如何组织力的承载与重分配路径，特别是在损伤累积过程中。当材料被分配至主导承载结构时，性能增益显现。几何有序度的布置决定了失效是通过一系列小事件推进，还是发生同步坍缩。这开启了具有真实工程意义与权衡关系的意外缺陷容差机制。

AI的核心发现在于：通过塑造结构使材料在失效开始后经历一系列保持功能的状态序列，可实现损伤韧性。关键在于动态过程——每次破裂都改写拓扑结构，重新分配力与能量并创造新状态。完整的响应是路径依赖的演化过程，包含雪崩效应与不可分离的相互作用，其中设计选择的影响取决于其他选择。

令人惊叹的是该问题所呈现的科学认知水平。AI持有动态世界的生成模型，能跳出当前状态，推演多种可能未来，比较长期因果历史，识别改变可达轨迹的干预手段，并将这些历史压缩为少量生成性不变量。这涉及基于模型的因果推理、反事实模拟、认知解耦与时间抽象。

深层推理

推理涉及可能发生之事、历史如何展开，以及隐藏机制在不同过程中保持不变的层面。所得原则意义深远：结构可编程化失效的演化过程。几何形态为我们提供了塑造物理系统在损伤下如何遍历可能未来状态的方法。这进而将庞大的非线性空间转化为强大的设计工具：通过塑造材料在损伤下的未来轨迹，使功能在失效过程中得以持久保持。

但或许最有趣的是，这项研究拓展了人类认知边界。科学进步依赖于扩展心智可容纳的范畴：仪器延伸感知，计算扩展运算，此类系统则扩展了我们可遍历的因果可能性空间范围。

智能体栖居之所

AI能驻留于数千种可能性中，追踪海量可能历史，并返回足够简洁、可供人类推理的机制。这为科学创造了扩展认知的形式。我们的有效科学智能整合了模型、可执行世界、持久证据与人工研究者群体。机器尺度的探索可压缩为人类尺度的理解——形成可供辩论、推广、制造、并用于设计下一实验的原则。

递归机制的强大之处在于：首批智能体定义了科学世界，该世界成为共享认知。其他现有与未来的智能体探索该世界，补充证据，通过同一持久仪器追溯并构建进一步研究。这形成了思考的飞轮——答案生成仪器，仪器构筑世界，世界孕育生态，每个环节都是可编辑的构件，为持续改进奠定基础。智能通过智能体构建的成果复利增长，引发科学领域的智能爆炸：设计者构建可能性空间，其他设计者在其中进行推理、实验与发现。

穿越可能性空间的流动

在一般层面上，学习与发现是在约束条件下穿越可能性空间的流动过程。反向传播中，流动在指定损失函数约束下穿越参数空间；强化学习中，流动通过奖励机制与环境耦合；完全自主的科学系统中，流动变得具有反身性。系统超越内部状态更新，主动构建、操控并维护定义其目标、变量与问题的可执行世界。

普遍模式是可能性、约束、结果与记忆的周期性耦合。流动创造结构，结构引导流动。当该循环从参数扩展至策略、表征、仪器与世界时，智能不再局限于固定空间——它开始创造供自身思考的下一个空间。

演化故事

从RNN到LSTM再到Transformer（以及后来的循环Transformer等变体）的演进史，可被解读为智能将持久性置于何处、允许何种改变、以及如何将结构从一个计算周期传递至下一周期的历史。RNN将过去压缩为演化的隐藏状态；LSTM引入门控机制以在更长时间尺度上保留选定信息；Transformer将先前的令牌作为上下文直接寻址，并在持久基底上持续重算关系。循环Transformer复用稳定的计算算子，同时表征通过反复迭代不断演化。

递归自进化智能将这一原则扩展至模型内部架构之外，融合多种机制实现参照性更新。

表征、记忆、工具、科学仪器、可执行世界，乃至整个智能体社会都可成为持久且持续演化的基底，将一轮认知的成果带入下一轮。每个周期都能稳定已学知识，将其转化为推理新对象，并开启更大的可能性空间。

因此智能获得了多尺度的持久性与可塑性架构：快速过程探索，慢速结构累积，认知输出成为后续认知的不变量基础。这赋予递归真正的力量——一旦系统能体验世界，就能构建编码所学知识的结构，通过这些结构进行推理，通过结果修正它们，并反复创建可供进一步智能运作的新层级。

光明未来

科学AI是我们拥有的最伟大积极力量之一。它拓展人类认知边界——让我们得以遍历数千种可能历史，发明手工永远无暇制造的新仪器，并返回足够简洁、可供理解、测试与制造的机制。对科学家而言，这成为探索世界的新仪器、新显微镜、新工具，一种深入观察世界并解析其奥秘的新方式。还有什么比理解自然、运用创造力构建改善生活与文明、使我们超越自身的新工程方案更富人性的呢？

我们仅处于激动人心旅程的起点，科学超级智能可能从复杂活动产生稳定抽象、进而成为新层级推理基石的过程中涌现。随着材料智能的解锁，早期重要研究正变得日益相关。

例如，控制论与非线性物理学提供了连贯的理论基础：系统唯有生成足够内部多样性方能应对复杂环境，在某些条件下甚至能重组维持稳定性的机制。反复互动能生成稳定形式，成为下一轮推理的“对象”；而过程网络可自我闭环，构成连贯的组织层级。

在物理学中，大量自由度可坍缩为少数集体变量，进而反馈组织底层结构；远离平衡态时，持续流动能稳定原本不存在的宏观秩序。综合来看，这暗示了一种特定的扩展模式：高维活动产生稳定不变量→该不变量成为压缩复杂性的有效变量→该变量成为新推理层级可依据的契约，从而在其上方创建新的动力学空间。递归并非简单重复，而是创建新层级的推理基底：一个空间被压缩为原则，该原则在上方开启更大的空间。这确实是科学超级智能的深刻基础——我们反复生成能容纳更高级推理的框架本身。

参考文献与注释

• M.J. Buehler，人工智能智能体自主构建计算实验室揭示分层超材料失效设计原理，投稿中，2026
• S. Pal, F.Y. Wang, M.J. Buehler，SwarmWorld：语言模型智能体社会中的群智技术演化，arXiv:2608.26081，2026