问题——智能系统能力提升显著，但可靠性与可解释性仍是“卡点”。
近年来，大模型在语言理解、代码生成与多任务协同等方面进步明显，正在加速进入科研与工程场景。
然而，复杂推理链条中出现结论跳跃、论证缺环、甚至“看似合理却不成立”的输出，成为制约其深入应用的重要因素。
特别是在数学与基础科学领域，任何一步逻辑不严都可能导致整体结论失效，可靠性需求远高于一般信息检索与文本生成场景。
原因——单纯依赖算力扩张难以从根本上解决“逻辑与验证”问题。
与会专家指出，大模型的能力提升与数据规模、模型参数、训练策略密切相关，但当任务进入长程推理、抽象结构与严格证明时，仅靠规模化训练往往会受到两方面限制：一是推理过程缺少可验证约束，容易在中间环节出现“自洽但不真”的偏差；二是计算资源的持续堆叠带来能耗与成本压力，难以无限延展。
会上有学者以信息技术史为参照提出，关键突破往往来自算法与理论的“降复杂度”，而非硬件的线性叠加；面向新一轮智能技术发展，需要寻找能够改变路径的基础性方法创新。
影响——从“会做题”走向“能辅助科研”，推动科研范式与产业形态协同升级。
现场展示表明，国内多家团队正从两个方向探索突破：一是提升长程推理与自我校验能力，使模型能在更长推导链中保持一致性；二是通过形式化方法与严格监督信号提升可验证性，减少错误推断对科研决策的干扰。
这类进展若持续迭代，将可能带来多重影响：在科研端，智能系统有望承担文献整理、猜想验证、符号推导、实验设计等环节的“辅助研究”任务，提高效率并拓展研究边界；在产业端，面向金融风控、工程设计、药物研发、复杂系统仿真等高可靠场景，具备可验证推理能力的模型更易获得应用准入与规模化落地机会。
对策——以数学为底座，构建“可推理、可验证、可复现”的技术链条。
与会人士认为，提升智能系统可靠性需要打通从数学基础到工程实现的全链条协作。
具体包括：其一，加强面向长程推理的训练与评测体系建设，推动模型不仅给出答案，更能给出可追踪的推理路径，并在关键节点进行自检与交叉验证。
其二，推进形式化数学与自动定理证明等工具的融合应用，通过严格的形式化约束，为模型推导过程提供可核验的“护栏”，从源头减少错误结论进入生产流程。
其三，强化数学家、计算机科学家与产业团队的协同机制，让理论创新与实际需求相互牵引，形成可持续迭代的研发闭环。
其四，在政策与平台层面完善基础研究支持与公共算力、数据、评测资源供给，为跨学科创新提供稳定的基础设施保障。
前景——“科学智能”进入加速期，关键在于形成可复制的范式创新与开放生态。
随着各地加快布局人工智能与基础研究融合发展，上海等地正探索以高水平科研机构、产业平台与应用场景联动的路径。
业内判断，未来一段时期，决定竞争力的不仅是模型规模，更是围绕数学逻辑、验证体系、工具链整合所形成的“可信智能”能力。
若能在核心理论、关键算法与工程化落地上形成可复制经验，将有助于推动智能系统从“能生成”走向“能证明、敢交付”，并进一步支撑基础科学突破与新质生产力培育。
当算力竞赛逐渐触及天花板，数学的理性之光或将为人工智能开辟新航路。
这场沪上夜话揭示的不仅是技术突破的方向，更是一种科研范式的转变——唯有回归基础科学的深厚土壤，才能培育出真正具有生命力的创新。
在人类与机器协同进化的道路上，东方的智慧正悄然书写新的篇章。