北京时间2025年4月25日上午，忆生科技创始人马毅应邀在国际学习表征大会（ICLR）上发表了题为《Pursuing the Nature of Intelligence》的为时一小时的主题报告，介绍了在白盒神经网络与闭环自主学习领域的最新研究成果，并展示了忆生科技在AI领域的一系列研究进展。
在今年（2025年）2月，忆生科技创始团队及旗下研究人员参与的首个基于统计学的线性注意力机制ToST工作，被ICLR2025高分录取为Spotlight。
白盒模型持续进化，可解释、可扩展、更简约、更高效
人工智能的可解释性提升，对其未来在更广阔的场景中应用至关重要，这不仅能增强人们对智能系统的信任，也为AI技术的广泛应用提供了基础。在本次报告中，马毅深入阐述了Cortex神经架构与白盒模型的核心概念。与传统的“黑盒”神经网络不同，白盒可以提升模型的可解释性，使得AI系统的决策过程更加透明和可控。而在近几年间，白盒模型持续进化，性能提升显著，论文被多个顶会，如NeurIPS、ICLR等收录，证明了其具备可解释性、可扩展性，越来越简约，且越来越高效。
图: 近年来白盒网络架构持续进化，可解释，具可扩展性，更简约，更高效
提出维纳测试，推动智能评估范式与时俱进
马毅还提出了“维纳测试”作为对现有智能测试方法的创新性补充。他指出，传统的图灵测试虽然具有历史意义，但仍存在明显局限。他提出应该倡导人工智能领域的“维纳测试”，即通过验证机器系统的自主学习能力，来准确地评估机器智能的水平。
从演化视角和认知科学出发，重新思考智能机制
报告中，马毅还讲述了生物智能的演化过程，及其和机器智能的之间的紧密联系，尤其是从生命的DNA演化到大脑的出现，生物智能如何逐步演化。他指出，生命的出现与进化是智能机制的体现。生命依赖于智能，不断获取更多知识，以更好地预测世界。
迈向自主智能——AI2.0
马教授着重强调了智能的下一个发展阶段应该是迈向自主智能（AI2.0）。他指出，闭环学习方式使AI能够从经验中持续积累知识，成为自我完善的智能。他指出，通过闭环反馈与博弈可以持续地实现自我学习的一致性，且通过最小化博弈学习的闭环系统不会发生灾难性遗忘。而认知科学和脑科学的研究成果一再有力表明，类似的特征和机制在自然界中无处不在。
他还提出了新时代下关于“什么是智能”的公式化定义，即“一个智能系统是拥有自我纠正和自我改进现有知识（或信息）机制的系统”。任何没有这种机制的系统，无论多么庞大，都不具备智能。
最后，他提出了寻找智能的科学和理论基础，即：
• 学习什么？ 简约性
• 如何学习？ 压缩
• 为什么要纠正？ 一致性
马毅教授在ICLR大会上的精彩报告为AI领域的研究者提供了新的思路，并在演讲结束后受到了广大青年学者与到会年轻学生的热烈响应。
图: 演讲结束后，大量青年学者与马毅教授现场交流
忆生科技研究与实践覆盖智能领域的多个层级，不仅在智能理论、计算框架、模型等领域有着系统性的杰出研究，更在此基础上，在数据与算法、工程与应用等层面持续发力。近期将有更多重磅技术成果陆续发布。
未来，忆生将继续秉承科学与创新精神，加快推动自主智能（AI2.0）的到来。
更多信息，请访问：忆生科技官网