MiroMind迎来AI科学界三巨头，加速“发现式智能”引擎研发

AI资讯
1

MiroMind 迎来杜少雷、安波、杨凯峪三位 AI 科学家，加速“发现式智能”引擎研发，打造可验证、可靠的下一代 AI。

原文标题：杜少雷、安波、杨凯峪，三位世界级 AI 科学家加入MiroMind

原文作者：机器之心

冷月清谈：

MiroMind 近日宣布杜少雷、安波、杨凯峪三位世界级 AI 科学家加入其领导团队，分别负责推理模型与训练、运行时与智能体系统以及可验证 AI 实验室。此举标志着 MiroMind 在构建“发现式智能”的道路上迈出了重要一步，旨在打造一种不仅能分析知识、还能预测和探索全新概念的 AI 系统。三位科学家的加入将分别推动 MiroMind 的 Heavy Duty Solver 引擎在推理、运行时和可验证 AI 三大核心方向的发展，助力公司打造可靠、可信、能解决实际问题的下一代 AI 平台。

怜星夜思：

1、MiroMind 强调其 AI 系统要能被“形式化验证”，这与目前主流的 AI 发展方向（例如大语言模型）有什么不同？你认为这种“可验证性”在哪些领域会特别重要？
2、MiroMind 的目标是打造一种“发现式智能”，你认为这种 AI 与现在的 AI 有什么区别？实现“发现式智能”可能面临哪些挑战？
3、MiroMind 汇聚了三位在 AI 不同领域有专长的科学家，这三位科学家分别负责的领域（推理模型、运行时系统、可验证 AI）之间有什么联系？你认为这种团队结构对 MiroMind 的发展有什么积极意义？

原文内容

图片
机器之心发布

三位科学家加盟，共同推动 MiroMind Heavy Duty Solver 引擎在推理、运行时与可验证 AI 三大方向的发展。


就在刚刚，MiroMind 在其官网宣布了三位杰出的 AI 科学家加入领导团队。这几项重要任命标志着 MiroMind 在构建 “发现式智能”（Discoverable Intelligence） 的使命上迈出关键一步 —— 一种不仅能分析已有知识，还能进行预测并探索全新概念的 AI。随着杜少雷博士出任 Lead Scientist for Reasoning Models & Training、安波教授出任 Lead Scientist for Runtime & Agent Systems，以及杨凯峪博士出任 Lead Scientist of the Verifiable AI Lab，MiroMind 正在打造的 Heavy Duty Solver 引擎的三大核心技术支柱现已全部就位。


MiroMind 由全球知名创新企业家、慈善家陈天桥创立，其愿景是打造面向发现式智能的新一代 AI 平台，他为公司和 AI 业界带来了独特的全球化视角。 


MiroMind 的使命不是打造一个更会表达的语言模型，而是构建一种全新的 AI 系统 —— 能够进行严谨推理并解决现实世界中的复杂难题。这个系统的输出不只是 “看起来合理”，还能够被形式化验证（formally verifiable）。


杜少雷博士，Lead Scientist for Reasoning Models & Training



杜少雷博士目前是华盛顿大学 Paul G. Allen 计算机科学与工程学院副教授，其研究领域涵盖机器学习理论、深度学习优化以及大规模推理模型训练。他为 MiroMind 带来了严谨学术研究与 AI 产业前沿实践相结合的独特背景：


  • 曾任 xAI 技术团队成员（Member of Technical Staff），直接参与前沿大模型研究与开发

  • 曾任 Facebook AI Research（FAIR）访问教授

  • 曾在普林斯顿高等研究院（Institute for Advanced Study） 从事博士后研究


在 MiroMind，杜少雷博士将负责公司核心推理模型训练体系的端到端构建，包括模型架构设计、大规模训练策略，以及推理能力的系统性提升。他的研究将成为驱动 MiroMind Heavy Duty Solver 的关键技术引擎。



安波教授，Lead Scientist for Runtime & Agent Systems



安波教授是新加坡南洋理工大学（NTU）终身教授，长期从事多智能体系统、强化学习、博弈论以及 AI 决策系统研究。他的研究成果发表于 NeurIPS、ICML、AAAI 等国际顶级学术会议，并主持过多项大型科研项目，同时培养了众多博士研究人才，在国际学术界享有广泛声誉。


除学术成就外，安波教授在应用 AI 与技术转化方面也拥有丰富经验。他曾与多家领先科技企业及政府机构合作，开展大规模决策系统、自主协同机制和 AI 优化系统等项目研究。他在基础研究与工程落地之间的长期实践，使其能够有效推动 MiroMind 的研究成果向产品化转化。


在 MiroMind，安波教授将领导 Runtime & Agent Systems 技术部门，负责系统执行层架构的设计与持续演进。他将推动推理模型与验证核心的深度融合，构建高可靠、可横向扩展、可审计的系统框架，进一步强化 MiroMind 在智能体架构、多智能体协同以及系统级可靠性保障方面的核心能力。



杨凯峪博士，Lead Scientist, Verifiable AI Lab



杨凯峪博士此前任职于 Meta Fundamental AI Research（FAIR），担任研究科学家。在加入 Meta 之前，他曾在加州理工学院从事博士后研究。


他在可验证推理（verifiable reasoning）与形式化证明系统（formal proof systems）领域取得了重要研究成果，这些方向正是 MiroMind 技术愿景的核心基础。


在 MiroMind，杨凯峪博士将负责建立并全面领导 Verifiable AI Lab，重点推进两大研究方向：可验证推理（verifiable reasoning）和可验证生成（verifiable generation）。


这些技术将应用于代码生成、数学证明以及复杂推理任务。他的团队将构建从基础研究验证、系统工程实现到产品部署的完整技术闭环，打造能够提供机器可检验正确性保证（machine-checkable correctness guarantees）的下一代 AI 基础能力，从根本上提升 AI 输出的可靠性与可信度。


对于三位 AI 科学家的加入，MiroMind 创始人陈天桥表示：“我们为 MiroMind 打造的 Heavy Duty Solver 引擎的核心技术领导团队架构，从负责可验证性的杨凯峪博士，到负责智能体系统的安波教授，负责推理模型与训练的杜少雷博士，已经为 “发现式智能” 的实现，搭建起了最关键的铁三角。这标志着我们的 AI 战略拼图已经到位，接下来就是让引擎开始轰鸣。期待这支世界级的顶尖团队，能带领我们共同打造出真正可靠、可信、能解决严肃问题的下一代 AI。”



陈天桥亲创 MiroMind


根据MiroMind官网介绍，MiroMind 是一家总部位于海外的国际 AI 研究与技术公司，致力于打造全球首个通用求解器（General Purpose Solver）—— 一种以推理为核心的 AI 系统，其目标不仅是 “看起来正确”，而是能够被证明正确。


通过开创可验证的长链条 System 2 推理能力，MiroMind 致力于为软件工程、金融服务、医疗与制药、法律与合规以及科学研究等高风险场景提供可靠、可信的 AI 能力。


MiroMind 由陈天桥创立，团队中 80% 以上为博士研究人员，并由分布全球的世界级科学家团队领导。


  • 官网：https://www.miromind.ai/

  • GitHub：https://github.com/MiroMindAI

  • Hugging Face：https://huggingface.co/MiroMind-ai

  • 招聘联系：talent@miromind.ai

    MiroMind app 现已开放下载

  • App Store：https://apps.apple.com/app/id6759390724

  • Google Play：https://play.google.com/store/apps/details?id=ai.miromind.app


© THE END

转载请联系本公众号获得授权

投稿或寻求报道：liyazhou@jiqizhixin.com


2

“发现式智能”强调的是AI的推理能力和可验证性，而传统AI模型更多关注的是模式识别和预测。前者更适用于需要高度可靠性和透明度的场景，如医疗诊断、金融风控等，而后者可能更适合内容推荐、图像识别等领域。简单来说，一个追求“知其所以然”，一个更关注“用起来怎么样”。

3

娱乐型AI可以快速吸引用户，带来商业价值，但解决“严肃问题”的AI才能真正推动社会进步。两者并不冲突，可以并行发展。前者可以为后者提供资金支持，后者可以为前者提供技术支持。

4

谢邀，个人理解“发现式智能”是想让AI不只是学习已有的知识，还要能像人一样去探索和发现新的知识。如果真能实现，那AI的应用场景就不仅仅是替代人力，而是可以帮助人类去解决那些我们自己都没能解决的难题！

5

个人感觉，要实现完全的可验证性，可能需要AI在做决策的时候把每一步都记录下来，并且能够用数学或者逻辑的方式证明每一步的正确性。这听起来就很难，而且计算量肯定会非常大！感觉短期内很难实现。

6

可验证性太重要了！想想自动驾驶，如果AI判断失误导致事故，我们怎么知道是哪里出了问题？如果AI能提供一个“可验证”的推理链条，就能更好地追溯原因，避免类似错误再次发生。技术难点在于如何将复杂的AI决策过程转化成机器可理解和验证的形式化语言，这需要结合形式化方法、逻辑推理等多种技术。

7

陈天桥的MiroMind明显是想做更底层的、更具颠覆性的AI技术，娱乐型AI更多是应用层面的创新。一个想改变世界，一个想让你开心。长期来看，我更看好能解决“严肃问题”的AI，毕竟人类社会面临的挑战那么多，更需要AI来助力。

8

炒概念吧？现在哪个AI公司不宣传自己能“推理”、“发现”？关键还是看实际效果。不过，如果MiroMind真能在可验证性上有所突破，那确实有点意思，毕竟现在AI的“黑盒”问题太严重了。

9

说实话，现在AI聊天机器人同质化太严重了，感觉很快就会过气。反而是那些能解决实际问题的AI更有生命力。毕竟，技术最终还是要服务于人的，解决问题才是硬道理。

10

可验证性就像给AI加了一把锁，防止它“胡说八道”。现在很多AI模型都是基于统计的，可能会出现一些看似合理但实际上错误的结论。有了可验证性，我们就能确保AI的输出是基于可靠的推理过程，而不是随机猜测。不过，要实现这一点，需要大量的理论研究和工程实践，挑战很大。

11

现在的AI啊，有时候真的让人哭笑不得。比如，你让AI写个文案，它可能会给你生成一些毫无逻辑的句子；或者你问它一些常识性的问题，它可能会一本正经地胡说八道。这就是因为目前的AI在知识储备、逻辑推理等方面还存在不足，导致其输出不够可靠、可信。MiroMind 通过加强可验证推理、形式化证明等方面的研究，可以帮助AI更好地理解问题、进行推理，从而提高其可靠性和可信度。

12

形式化验证就像给AI系统加上了一把“安全锁”，确保它的推理过程是正确的，而不是靠“感觉”。现在的大模型更注重生成能力和流畅度，但在严谨性方面有所欠缺。在金融、医疗等领域，AI的决策直接关系到人们的财产甚至生命，这时候“可验证性”就非常重要了，谁也不想让一个无法解释的AI来决定手术方案吧？

13

主流大模型侧重于从海量数据中学习模式，生成看似合理的结果，但缺乏内在的逻辑一致性和可解释性。形式化验证则强调通过数学方法证明 AI 系统的正确性，确保其在特定条件下行为符合预期。这种差异决定了二者在应用场景上的不同。我认为“可验证性”在航空航天、核能控制等高风险领域至关重要，这些领域对 AI 系统的可靠性要求极高，任何错误都可能导致灾难性后果。

14

从技术角度看，推理模型提供了AI的思考能力，运行时系统负责具体执行，而可验证AI则保证了执行结果的可靠性。三者形成了一个闭环。这种结构避免了团队只关注单一方向，更有利于做出全局优化的决策，降低技术风险。而且，不同领域的专家在一起工作，也更容易碰撞出新的想法。

15

当前的 AI 主要依赖于对现有数据的学习和模式识别，缺乏真正的创造性和推理能力。“发现式智能”则更强调 AI 自主生成新知识、解决复杂问题的能力。 实现这种智能的关键挑战在于如何让 AI 具备抽象思维、因果推理和假设验证的能力，这需要突破现有深度学习框架的局限，探索新的 AI 架构和算法。

16

“发现式智能”有点像AI界的“科研人员”，不仅能分析数据，还能提出假设、设计实验并验证假设。现在的AI更像“数据分析师”。要实现这种飞跃，AI需要具备更强的知识表示、推理和学习能力，以及更有效的试错机制。同时，如何评估“发现”的质量和价值也是一个难题。

17

我觉得“发现式智能”更像是让AI拥有了“好奇心”，它不仅仅是被动地回答问题，而是能够主动地探索未知领域，发现新的知识。这听起来很酷，但实现起来肯定不容易。比如，AI如何判断什么是“有价值”的发现？如何避免陷入无意义的探索？这些都是需要解决的问题。

18

谢邀。形式化验证本质上是希望AI能像数学公式一样，每一步推导都有据可查，确保结论的正确性。而现在的大模型更像是一种“黑盒”，我们很难知道它为什么会得出某个结论。我认为在法律、审计等领域，可验证性尤为重要。比如，AI法官的判决需要给出明确的法律依据，而不是仅仅“感觉”被告有罪。