Basis：一种全新 AI 研究机构的设计，与人文愿景。

推荐语

探索AI与人文的完美融合，Basis研究院开创性地将科学精神与艺术思维结合，打造下一代通用推理系统。

核心内容：
1. Basis研究院的独特使命：融合科学与人文开发通用推理系统
2. 创始人Zenna Tavares跨学科背景带来的创新视角
3. 新型研究机构模式对传统科研与投资生态的突破性影响

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

今天创造有意义的新事物的方式还是这两种：搭建一片“自由市场”，或建造一座“大教堂”。在大教堂的周围让自由市场野蛮生长，最有趣。这是今天我的一段感悟。一个朋友补充说，教堂后面也需要有花园。

今天的分享会涉及到这些关键词：通用推理引擎，科学精神，人文精神，新型机构构建，开源软件，概率计算，长期资本，组织动态演进，现实世界挑战，研究驱动，反商业商业组织，等等。

这篇使命宣言型的文章来自于我的一位互关网友 — Zenna Tavares，他现在是一名研究者兼初创研究机构创始人。

来自他个人网页的介绍：

“我是 Basis 研究院的联合创始人兼院长，该机构致力于开发通用推理系统以应对复杂的科学与社会难题。此前，我曾担任哥伦比亚大学祖克曼研究所和数据科学研究所的首任艾伦·坎泽创新学者，并在 MIT 计算机科学与人工智能实验室（CSAIL）完成博士后研究，师从Armando Solar-Lezama教授，同时隶属于 Joshua Tenenbaum 教授的计算认知科学团队。我于 MIT 获得认知科学与统计学博士学位。

我出生于伦敦，家中有两位兄长：建筑动画工作室 Factory Fifteen 联合创始人基布韦，以及音乐人/设计师/艺术家盖卡。

我的工作

我的研究致力于理解人类推理——人们如何通过观察和与世界互动来获取知识。为实现这一目标，我构建计算和统计工具来推进因果推理、概率编程和科学模型发现领域的发展。在 Basis 研究院，我们开发并应用这些工具来解决流行病学建模、自动化科学和工程设计等领域的问题。

我喜欢设计小型编程语言来整合这些理念，例如 Omega.jl。”

我喜欢发掘和观察那些优秀人才的成长经历和文化背景，Zenna Tavares 看起来受到科学和艺术同等程度的熏陶，我相信这一点也让他们正在构建的组织和技术具有人文精神，这也不妨碍他们从第一性原理去深入思考事物本质。这是我最欣赏的一类创始人。

延伸阅读：完整版乔布斯 “遗失的访谈” 1995：我们非常努力把人文的精神带入计算机领域。

关注到 Zenna Tavares 创立的人工智能研究机构 Basis 是从去年他们合作的研究工作获得了 ARC Prize 论文奖的一等奖（ https://www.basis.ai/blog/mara/ ）。Basis 的工作也吸引了一些新型的科学研究资助机构的专项研究资金，包括"英国的 DARPA 组织" ARIA Research，合作方里还有我在上一篇文章里介绍的“风险慈善科研基金” 文艺复兴慈善（ Renaissance Philanthropy ）。文艺复兴慈善和 Basis Research Institute 都是现在最有趣的新型机构的研究范例，这些“混合模式”也将被借鉴到风险投资，科学市场与金融市场。

如果你感兴趣了解更多 Basis 的研究方向，推荐他们的两位创始人最近在 Machine Learning Street Talk 播客的采访：Why Program Synthesis is Next ?

读完整个文章，我最喜欢的是他们描述的文化价值观：

组织的文化由其成员塑造。在人才招聘、管理及战略制定中，我们秉持以下原则：

1. 雄心勃勃 Ambitious：实现目标需要超越渐进式改进，意味着必须承担风险，投身于宏大甚至大胆的项目。

2. 坚定执着 Committed：为所承接的项目和人员提供成功所需的持续投入时间与关注。

3. 审慎决策 Deliberative：持续审视行动目标、动机及其对个体与社会的潜在影响

4. 建设为本 Constructive：在同等条件下，我们更倾向于构建、演示、发明与改进，而非仅作批判。

5. 乐在其中 Joyful：我们深知这是一项人文事业，唯有以充实愉悦的方式推进才具有意义

第五条真的很重要！ 

希望今天的文章对你有启发。

Basis：一种全新 AI 研究机构的设计

Basis: Designing a New Kind of AI Research Organization

这篇写于 2022 年的创始文献，阐明了 Basis 的愿景，以及我们关于如何构建一种全新研究机构的核心理念。

Written in 2022, this founding document defines Basis' vision and thesis of how to build a new kind of research organization.

作者：Basis 团队

编辑：范阳

发表日期：2025年5月6日

执行摘要

Executive Summary

Basis 是一家非营利性的人工智能应用研究机构（ a nonprofit applied artificial intelligence research organization ），注册为美国 501(c)(3) 公共慈善组织（ public charity ）。它的使命简单而深远，由两个相辅相成的目标构成（ two simple, mutually reinforcing goals ）：

第一个目标是构建一台“通用推理引擎”（ to build a universal reasoning engine ）。这意味着建立独立于具体问题的智能的底层数学原理 —  也即“什么是推理、学习、决策、理解与解释”。同时，我们将基于这些原理构建新一代 AI 软件（ This means to establish the underlying mathematical principles of intelligence that are independent of any specific problem — what it means to infer, to learn, to make decisions, to understand, and to explain; and to construct a new generation of AI software realizing these principles ）。

第二个目标是提升人类社会解决棘手问题的能力（ to advance society’s ability to solve intractable problems ）。这不仅意味着扩展我们当前能解决问题的规模、复杂性与广度，更要加速我们未来解决问题的能力（ This means expanding the scale, complexity, and breadth of problems that we can solve today, and even more importantly, accelerating our ability to solve problems in the future ）。

要实现这两个目标，我们认为需要一种在技术、方法、产出和组织结构上都截然不同的新型研究机构（ We believe meeting these goals requires a new kind of research organization unique in its technology, process, output, and structure ）：

以简驭繁的 AI 技术

AI technology that embraces complexity with simplicity

现实世界极其复杂，而我们正在构建的技术，正是为了在这种无限细节与复杂性中进行推理与行动（ Basis is building technology that can reason about and operate in environments of the kind of boundless complexity and detail that reality has to offer ）。为此，我们专注于如何以前所未有的精度和规模去表达和发现世界现象的模型——无论这些知识来自大数据、小数据、人与环境的互动与实验，还是来自专家多年积累的隐性知识（we will focus on how to represent and discover models of phenomena in the world at unprecedented fidelity and scale, incorporating all available knowledge of all kinds, be it large or small amounts of data, interactions and experiments, or the wealth of tacit knowledge accumulated by human experts）。

有人可能会认为，解决复杂问题必然需要复杂技术。我们恰恰认为相反：存在通用解决问题的基础推理原则。（ that there are fundamental principles of reasoning that confer an ability to solve problems in general ）。我们将借鉴编程语言、编译器和数据库领域的思想，以最通用、可复用、可组合的形式呈现这些原则；同时汲取深度学习理念，开发可扩展的通用近似算法以落地应用（ to uncover these principles in their most general, reusable, composable forms, and ideas from deep learning to power generic, scalable approximate algorithms for applying them ）。

用真实问题推动智能突破

Driving intellectual advances by solving real problems

我们始终围绕“解决问题”来开展研究（ Our approach to research revolves around solving problems ）。这些问题来自几个对社会具有深远影响的重点领域，它们需要我们通过软件组织起全新结构的知识与人群协作，其复杂度与丰富性足以推动技术取得跨领域突破（ These problems are drawn from a small set of focus areas that are of significant importance to broader society; require organizing knowledge and people in qualitatively new ways through software; and are rich enough to demand domain-general advances in our technology ）。

与合作伙伴共同识别现实世界的需求，确保 Basis 持续产生切实影响（ Working with collaborators to identify real-world needs ensures that Basis remains impactful and effective in tangible ways ）。同时，我们所选择的问题也必须能推动人工智能的通用进步，并催生出新的应用方式（ requiring that the problems we take on lead to general advances in artificial intelligence and to new kinds of applications is equally important ）。这使得 Basis 能以复利式学习持续增强能力，逐步攻克更困难、更重要的难题（ It ensures that Basis learns in a compounding way, becoming progressively more capable, and able to solve harder and more impactful problems as time goes on ）。

延伸阅读：投资于“现实科技” | Funding RealTech

开源代码即是研究成果

Open source code as research output

Basis 致力于开发人工智能的通用语言：一套统一、持续演进的开源软件体系，成为与外界双向互动的接口（ Basis aims to develop a lingua franca of artificial intelligence: a unified, growing body of open-source software that serves as a bidirectional interface with the rest of the world ）。

一方面，这套软件让 Basis 内部研究者与外部社区共享知识与协同工作；另一方面，它也能将先进的推理技术普及出去，用于更多真实世界的问题解决，远超我们团队本身的能力范围（ In one direction, our software will allow Basis employees as well as the broader community of scientists of intelligence to consolidate their knowledge and coordinate their work. In the other direction, our software will support integrating and disseminating reasoning technology to address a much larger set of problems than Basis employees could solve alone ）。

协作驱动的组织结构与文化

Collaboration-driven organizational structure and culture

“Basis”这个名字本身就代表了我们希望扮演的角色：不是一座封闭的孤岛，而是一个开放的连接点和基础平台，既连接理解人类心智的宏大科学任务，也连接建设更美好社会的现实挑战（ Instead of an insular, siloed institute, Basis aims to act as the nexus and foundation for the intellectual grand challenge of understanding human minds, and the human challenge to build a better society ）。

在实践中，我们的大量项目将由学术界、政府、社会组织与产业界的合作者共同推动，Basis 则以开源软件作为沟通桥梁，协调协作（ mediated by open source software ）。

一支卓越的团队

Exceptional team

我们的团队正不断壮大，成员包括来自 MIT、哈佛大学、哥伦比亚大学等机构的创始人、顾问与员工。他们具备实现这项雄心勃勃研究计划的独特能力。

欢迎访问我们官网了解团队详情。

引言

Introduction

支撑人类解决各种深刻与广泛问题的，是我们大脑中一组通用的智能能力（ Underpinning our human ability to solve problems of remarkable depth and breadth is a set of general faculties of intelligence ）。它们让我们能预测未来、识别因果、想象虚构世界、提出新理论、从经验中学习，并最终在充满不确定性与复杂性的世界中作出良好决策（ These empower us to predict possible futures, root out hidden causes, imagine hypothetical worlds, invent novel theories, learn from experience, and ultimately make good decisions in a world fraught with uncertainty and complexity ）。

自人工智能诞生以来（ 可追溯至莱布尼茨启蒙时代对"推理演算"的追求 ），一个核心信念便是：这些人类智能的能力可以被拆解为不依赖具体问题、具有普适性的形式化推理系统——这些系统运行在针对特定问题构建的结构化知识之上（ these human faculties can be decomposed into universally applicable systems of problem-agnostic formal reasoning that operate over structured representations of problem-specific knowledge ）。阐明这些系统并通过软件实现，不仅具有重大科学价值，若审慎推进，更能帮助解决科学与社会面临的某些最严峻挑战。

近年来最具实质性的进展来自机器学习领域的深度学习革命，使系统能够从海量数据中发现复杂模式（ granting the ability to discover complex patterns from large amounts of data ）。但机器学习系统仍普遍受困于不确定性、因果性、泛化性、鲁棒性及真伪辨别等问题，即使最先进的系统在广度与灵活性上也远逊于人类智能（ machine learning systems still tend to struggle with uncertainty, causality, generality, robustness, and distinguishing fact from fiction, and even the most advanced machine learning systems pale in comparison to the breadth and flexibility of human intelligence ）。

与此同时，自然智能与人工智能多领域研究者正日益认同"计算理性"的推理理论（ a shared theory of reasoning as “computational rationality” ）：通过对知识与行为的形式化表征进行概率法则的近似运算，并将该运算过程视为稀缺计算资源的最优分配决策（ formal representations of knowledge and actions are manipulated by approximate application of the laws of probability and performing this manipulation is itself cast as a decision-making problem of the optimal allocation of scarce computational resources ）。

“摘要：在经历了共同成长又渐行渐远的二十世纪后半叶后，人工智能、认知科学与神经科学这三个领域正重新汇聚于智能计算基础理论的共同视野，推动着问题、方法与成果的宝贵跨学科交流。我们梳理了过去几十年间通过计算视角应对不确定性下感知与行动挑战的研究进展：包括开发面向大规模概率推断的表征与推理程序，以及构建能够权衡计算强度、精度与时效的反思决策机制。这些工具共同服务于"计算理性"的目标——在复杂现实问题中确定具有最高期望效用的决策，同时考量那些只能通过近似求解的计算成本。”

这一框架如今已结合了因果与反事实推理的成熟理论，并吸收了逻辑、数据库、编程语言、统计学、物理学等多个领域中广泛使用的代数与推理算法。然而，要将这一共识整合为一套真正通用的推理理论，依然面临巨大挑战。部分原因是，各领域都有自己复杂的术语系统与手工优化的算法技巧，难以统一（ These classical components have since been augmented by a mature theory of causal and counterfactual reasoning and the emergence of powerful, practically successful algorithmic frameworks for linear algebra and reasoning shared across logic, databases, programming languages, statistics, physics and many other fields. However, assembling this consensus into a truly universal theory of reasoning remains a seemingly insurmountable technical challenge, in part because each field has its own bewildering array of jargon and hand-crafted algorithmic tricks ）。

这两种看似矛盾的发展趋势，其实彼此紧密相连。概率编程语言（ probabilistic programming languages ）的广泛应用和实际成效便是明证——它们大量借鉴了机器学习的理念，甚至直接使用了相关的软件工具（ 例如 Pyro 和 Omega，这两套系统正是本文作者所参与开发的 ）。

事实上，它们清晰地指向新一代人工智能系统的诞生方向：通过更直接地整合因果推理、逻辑演算、概率理论与编程语言理论，这类系统将能统一描述各类学习与推理问题（ using causality, logic, probability and programming language theory to describe a disparate array of learning and reasoning problems ）；其可扩展的表达机制能把复杂推理操作简化为（ 高度抽象的 ）“线性代数”运算；而现有机器学习技术则作为底层计算工具，为这些运算提供普适的近似求解方案（ extensible and expressive machinery for reducing complex reasoning operations to (very highly abstracted) “linear algebra” computations, and current machine learning technology as a ubiquitous low-level computational tool for approximating parts of these computations ）。

这一切共同指向一个令人振奋的终极可能：通用推理引擎的诞生。它将是一种变革性的通用技术，使任何规模的团队，都能够在任何复杂程度的问题上，安全地调用全球范围内全部知识的力量进行推理与决策（ This in turn suggests the tantalizing ultimate possibility of a universal reasoning engine - a transformative general-purpose technology that would allow any group of any size to safely bring to bear the sum total of global knowledge on any reasoning or decision-making problem）。它将模糊许多曾被视为界限分明的事物：任务之间的边界、个体智能体之间的边界、数据与计算之间的边界、观察与互动之间的边界，甚至模拟与物理现实之间的边界（ blurring the boundaries between independent tasks, between individual Agents, between data and computation, between observation and interaction, and even between simulations and physical reality ）。

为何成立 Basis？

Why Basis?

如今，研究者们尚未掌握足够通用的人工推理技术，来应对我们面临的广泛现实问题（ researchers do not yet know how to build reasoning technology that is general enough to help solve the full spectrum of applied problems that we face ）。同时，解决一个具体问题，并不一定能带来对其他问题的洞见。那么，我们该如何前进？

在其他成功催生通用技术的计算机科学领域（ truly general-purpose technology ）（ 如微处理器设计、优化编译器或关系型数据库 ）（ microprocessor design, optimizing compilers or relational databases ），研究者发现，软件是实现这种“学习”的高效媒介（ software is an effective medium for carrying out this kind of learning ）。方法很明确：

我们要识别出智能的通用原理，并将其编码为软件（ identify general principles of intelligence and encode them in software ）；

再以这套尚不完备的软件为基础，聚焦一些当下的技术无法解决的现实科学问题或社会问题（ use the software as a foundation, albeit an incomplete one, to solve carefully chosen practical scientific and societal problems that cannot be addressed with existing technology ）；

从解决这些问题的过程中提取新知识，反过来再丰富软件本身的功能（ distill the knowledge gained from the process into an extension to the software ）；

循环迭代，直到这套软件本身演化为底层理论最完整的表达（ and repeat, until the software itself becomes the best and most complete representation of the underlying theory ）。

我们的团队曾凭借这一方法成功开发了 Pyro 和 Omega——它们是基于“概率编程”这一新型不确定性推理范式的人工智能系统典范（ artificial intelligence systems based on a new paradigm of reasoning under uncertainty called probabilistic programming ）。Pyro 构建在深度学习革命的技术基础之上，拓展了我们可以处理的推理问题的规模与类型，如今已被广泛应用于学术与产业界。而 Omega 则是对经典因果推理理论的现代重构，它自动化了“如果……会怎样”这类反事实推理——正是这类思维构成了人类想象可能性、辨别因果关系、构建解释的核心能力（ Omega modernizes classical theories of causality in order to automate the counterfactual “what-if” reasoning that underlies our human ability to think about cause and effect, imagine hypothetical scenarios, and construct explanations ）。

pyro.ai

zenna.org/Omega.jl/latest/

尽管这些项目取得了成功，但它们仍不完备（ they are incomplete ）。其局限性很大程度上源于开发环境和约束条件：在传统的企业或学术环境中，AI 研究者往往缺乏足够的时间、资源或动力，去将研究成果沉淀为通用、可复用的开源软件（ to distill the results of their work into reusable open-source software ）。即使研究涉及实际问题，目标也常限于验证新方法或满足商业需求，而非推动基础研究本身（ when A.I. researchers work on applied problems it is often to demonstrate a new method or solve a business need, and rarely drives fundamental research itself ）。

如果我们想构建真正具备普遍智能的系统，并将其广泛传播，造福整个社会，那么我们不仅需要创造新的技术，还需要能够孕育、推动这些技术的全新环境（ To build the kind of intelligence we believe is necessary, and to disseminate it widely for broad social benefit, we not only need new technology, but also new environments to support and drive its progression ）。

理论研究计划

Theoretical Programs

Basis 的核心研究计划聚焦于将一种新兴的理论范式——“因果计算理性”（ causal computational rationality ）——发展为一门系统的学科，用以解释并工程化通用智能。

我们的目标是：识别出该范式中各个组成部分的重要问题，为它们设计算法解决方案，并尽可能在相关的概念维度上，对这些问题与解法进行泛化。同时，我们将逐步建立起一套工程实践方法论，以支持越来越复杂的真实应用场景。

这一研究计划最核心的成果，是一套连贯、持续演化的开源软件体系（ The primary output of this research program is a coherent body of open-source software ）——这是 Basis 与众不同的重要特征。当然，我们也会发布技术报告与在人工智能顶会发表的同行评议论文，用以阐释我们的研究工作，但相比之下，软件的建设将是我们更为重视的重心。

知识表征

Knowledge

我们希望将知识表示为具备因果推理与不确定性处理能力的通用编程语言中的程序（ We aim to represent knowledge as programs in general-purpose programming languages equipped with constructs for reasoning about causality and uncertainty ）。这类语言应足够表达力强，能自然表达传统语言中所具备的一切丰富特性，例如循环、递归、分支、数据结构、函数抽象与复用等（ These languages should be expressive enough to directly encode all of the rich features of conventional languages, like loops, recursion, branching, data structures, and function abstraction and reuse ）。同时，它们也应能兼容已有的知识表示方式，比如关系型数据库、深度神经网络、连续时间动力系统、项重写系统、过程演算等——甚至包括未来尚未被发现的新表征形式（ They should also be compatible with other existing knowledge representations like relational databases, deep neural networks, continuous-time dynamical systems, term-rewriting systems, and process calculi, as well as representations yet to be discovered ）。

推理系统

Reasoning

我们将致力于发展统一的语义框架，协调融合不同形式的推理，特别是逻辑推理、概率推断、优化、决策制定、抽象化、反事实推理、因果估计，以及"实际因果关系"和因果解释等更具创新性的因果概念（ We will aim to develop a unified semantics that coherently mixes different forms of reasoning, especially logic, probabilistic inference, optimization, decision-making, abstraction, counterfactual reasoning, causal estimation, and more exotic causal concepts like “actual causality” and causal explanation ）。

为实现这些高级推理形式（ high-level forms of reasoning ），我们将开发共享的中间表征系统（ shared intermediate representations ），以及针对表达型知识表征的基础推理算法( algorithms for primitive inference steps that operate over our expressive knowledge representations )。遵循因果计算理性的蓝图，这些算法将在系统遇到的所有任务和知识范围内，就计算资源和其他资源约束实现近似最优，在近似误差与计算资源、并行与串行时间、定制与自动化之间进行权衡。它们将广泛利用学习组件作为通用的近似策略（ They will make extensive use of learned components as a universally applicable strategy for approximation ）。

学习机制

Learning

我们力求全面理解当前人工智能文献中涉及的各种学习和泛化任务，包括从非结构化数据中学习、在相似模型集合中进行元学习，以及通过与外界直接交互进行学习。在可能的情况下，我们会将这些基于学习概念的算法接入更通用的推理框架（ more general reasoning framework ），从而共享大部分数学和计算基础设施（ share much of the mathematical and computational infrastructure ）。

工程实现

Engineering

在开展各组件研究的同时，我们也将解决可能影响其工程实用性的实际问题。我们将最大限度地实现理论研究计划与现有编程语言、编译器、开发工具和软件生态系统的整合（ We will maximize the integration of our theoretical program with existing programming languages, compilers, developer tools, and software ecosystems ）。例如，与现有自动微分和数值计算软件的兼容性就尤为重要，因为我们不太可能自行开发这些工具。我们还将把日常工作中的非正式流程编撰为最佳实践，开发能简化或加速使用过程的新工具或接口（ develop new tools or interfaces that make using them easier or faster ），并随着技术进步逐步扩展这些工具，以实现"大规模的人工智能编程"（ to enable A.I. “programming in the large” ）。

范阳注："大规模编程"与"小规模编程"的关系 

Programming-in-the large versus programming-in-the-small

https://dl.acm.org/doi/10.1145/800027.808431

“摘要：我们区分编写大型程序与小型程序这两种活动。所谓大型程序，指的是由许多小型程序（模块）组成的系统，这些模块可能由不同人员编写。

在编程实践中，我们既需要适用于"小规模编程"的语言——这类语言与当今常见的编程语言类似，用于编写独立模块；同时也需要一种"模块互联语言"（ module interconnection language ），用于将这些模块编织成有机整体，并提供能够正式记录程序员意图、且可由编译器检查一致性的全局视图。

本研究重点探讨此类互联语言在软件可靠性方面的特性，特别关注其实现信息隐藏和定义虚拟机层级的能力。”

挑战

Challenges

Basis 的理论研究计划涵盖范围极广，若直接推进，海量的潜在研究问题将使任何尝试都难以为继（ Basis’ theoretical programs are broad enough that any attempt to approach them directly would falter under the sheer number of possible research questions ）。

因此，Basis 将通过精心设计的一系列领域特定挑战性问题来实施人工智能研究计划。每个挑战都包含总体愿景、具体目标及主要关联领域，同时还具备两项鲜明特征：

其一，解决挑战必须要求我们通过软件以全新且更优的方式组织知识与人力。这意味着需要与传统 AI 研究范围之外的领域专家紧密合作，产出超越学术论文或固定基准测试进展的新型成果（ First, solving a challenge should require us to organize knowledge and people in qualitatively new and better ways through software. This means working closely with expert collaborators in domains outside the narrow range typically considered by AI researchers and delivering new kinds of results beyond academic publications or progress on fixed benchmarks ）。

其二，解决挑战必须要求或能推动推理技术的通用进步，使其应用超越挑战领域本身（ solving a challenge should require or motivate general advances in reasoning technology that are applicable beyond the challenge domain ）。

这些挑战将使 Basis 能够：

• 推进理论研究计划

• 为现实问题提供解决方案

• 通过提升认知吸引合作者与员工

挑战课题将通过提出、评估并推进的方式不断迭代。

提案

Proposals

挑战课题的提出将由 Basis 成员与来自外部高校、非营利机构、政府部门及企业的多样化合作者共同协作完成。我们不计划像资助机构那样面向公众开放征集提案。

在实际操作中，我们初期选择的课题将主要来自两到三个我们已有一定专业能力与合作基础的重点领域。随着时间推移，我们也可能在其他方向上逐步建立内部专业团队，深化与有潜力的外部合作者的关系。

评估标准

Evaluation Criteria

评估一个挑战课题潜力时的主要标准包括：

理论价值（Theoretical impact）：解决该问题是否需要发展出新的方法，以显著推进我们的理论研究计划？是否能帮助我们解决其他挑战？

项目影响（Project impact）：解决该挑战本身是否具有重大意义或实用价值？技术改进与项目成功是否存在明确机制关联（ a clear mechanistic link between technical improvements and project success ）？

团队契合（Team fit）：我们与合作方是否具备执行能力？我们是否是项目成功不可或缺的一部分？合作方是否拥有足够的资源与投入能力？双方是否有明确的项目负责人与沟通机制？

风险评估（Risk）：承担该挑战会为整体研究组合带来过高或过低的技术/组织风险吗？成功是否过度依赖单一理论突破？考虑机会成本后，该投入是否明智？

成长潜力（Growth potential）：该项目是否可以从小规模起步，逐步引入更多资源（资金、数据、人力或算力）以放大其影响？解决方案是否能够以全新的方式组织与整合大量原本分散的知识与活动？

其中，“理论价值”这一标准尤为关键，这是 Basis 相较于许多现有 AI 实验室的重要差异点。许多 AI 实验室将应用项目视为产品或成果展示，强调收益或曝光率，而缺乏对项目能否真正反哺基础研究的关注。

项目与交付成果

Projects and Deliverables

每个挑战课题将被拆解为一个或多个项目，以发展具体的技术能力与明确的应用交付目标。交付成果因课题与项目而异，可能包括：关键性结果与问题解答、统计报告与总结、软件原型、设计方案与学术论文等。我们会在提案阶段尽可能将这些成果具体化、量化，以便更好地识别与规避风险，同时优先设计反馈机制与动态调整方案，而非依赖静态的、难以适应快速变化研究节奏的详细计划。

示例挑战课题

Example Challenges

Basis 所承担的每一个挑战课题，都将对应我们几个聚焦方向之一。以下是我们已经开展合作、并符合上述标准的一些示例课题与项目：

模拟直觉式的科学发现 

Emulating Intuitive Scientific Discovery

挑战课题：

儿童在探索世界的过程中，行为常常类似于职业科学家——他们会做出预测、构造假设、根据证据修正信念、设计并执行实验、将所学整合为更简洁且具普适性的理论。认知科学提出了一个深刻观点：这种相似并非表面现象，儿童或许天生便具备构成科学思维的一般能力（A profound idea from cognitive science suggests that this resemblance is more than skin-deep; perhaps the same general faculties which power the formal scientific process are present in children from a very young age）。我们是否可以开发出具备这类“直觉科学发现”能力的智能机器（ How can we develop machines that engage in this kind of intuitive scientific discovery ）？

项目：

Basis 正在将这一挑战视为“主动程序与语言合成”的课题，致力于构建能够主动构建真实或模拟环境模型的系统（ active program and language synthesis, developing systems that actively build models of real and simulated environments ）。这些系统既要能构造解释其观察结果的程序，也能构造表达这些程序的语言（ These systems construct programs that explain their observations, as well as the languages in which those programs are expressed ）。

实现细胞与组织动态的"不可能测量"

Making Impossible Measurements of Cell and Tissue Dynamics

挑战课题：

现代生物学中的许多重大问题都涉及时间上的动态变化（ Many of the biggest questions in biology today concern changes over time ）——例如，一个健康细胞为何会转化为恶性肿瘤（ why does a healthy cell develop into a malignant tumor ）？但当前最先进的实验技术往往一次性摧毁样本（ our most powerful experimental technologies can only be applied once to a sample ），因此我们几乎无法对时间上的连续变化进行重复观察或实验，许多重要实验从根本上就无法被直接执行。

项目：

我们致力于通过整合多种不完整的因果知识（ We aim to learn dynamical models of cell or tissue multi-omic state by integrating many kinds of incomplete causal knowledge ）（ 如已知的时序变化机制信号、高质量参考数据集和实验扰动 ）（ known mechanistic signals of temporal change, high-quality reference datasets, and experimental perturbations ），建立细胞或组织多组学状态的动态模型。利用这些模型，我们可以部分推演出"不可能实验"（ 如同一样本两次采样 ）的结果。

以参与式建模方式共同构建城市 

Citymaking through Participatory Modeling 

挑战课题：

城市中的居民、社区团体与政策制定者，往往共同参与影响城市发展各方面的决策。但如今以印刷为中心的城市治理流程常常具有排他性。我们如何通过技术赋能更多元的参与者，让他们能更有效地交流各自的知识、价值与城市政策诉求？

项目：

我们计划构建一个数字化城市模型，基于现有知识以“参与式”的方式构建，使人们能探索不同的城市发展情境。通过与当地合作者合作，我们希望这个模型能够赋予那些长期在城市建设中被忽视的群体更多的参与权，尤其在城市重划、街道空间、财政预算等领域（ we aim for the model to give more agency to underserved constituencies in citymaking processes like rezoning, street life, and budgeting ）。

构建理性自动化机器人设计代理

Building a Rational, Automated Robot Design Agent

挑战课题：

人类工程师能通过直觉设计流程创造复杂机器人，而现有自动化设计方法仍存在局限——要么需要海量算力，要么只能处理简单连续参数空间（ Current methods either require massive computational resources or are constrained to simple continuous parameter spaces ），难以探索能更好解决实际问题的创新形态（ making it difficult to explore innovative robot morphologies that could better solve real-world problems ）。

项目：

我们正在开发 R-ADA（ Rational Automated Design Agent 理性自动化设计智能体 ），一个融合人类设计直觉与计算能力的 AI 系统（ an AI system that combines the strengths of human design intuition with computational power ）。R-ADA 利用大型语言模型操作 CAD/CAM 设计环境，结合概率编程处理不确定性推理，利用贝叶斯推断桥接仿真与现实之间的差距。系统目标是将复杂设计任务分解为可执行步骤，在考虑可制造性、维护性和实际表现的同时，生成最优机器人设计（ This system aims to generate optimal robot designs by breaking down complex design tasks into manageable steps while considering factors like manufacturability, maintenance, and real-world performance ）。

协作智能系统

Collaborative Intelligent Systems 

挑战课题：

人类历史上的许多伟大成就与失败，都与“协作能力”密切相关（ Many of humanity’s greatest accomplishments and failures have been determined by our ability or failure to collaborate ）。在全球协作系统面临前所未有的人为变化之际，我们需要对其加以呵护，就如同气候变化所需的应对一样（ As global collaborative systems face unprecedented human-induced changes, there is an urgent call for stewardship akin to the measures demanded by climate change）。协作不仅限于人类，也包括不同物种之间的行为交互，以及生态系统之间如何影响、又如何被每个动物的神经系统与行为所塑造（ Beyond humans, it is essential to understand collaborative behaviors across different species, and how properties of an ecosystem affect, and are affected by, the behavior and nervous systems of each animal ）。

项目：

我们希望构建一套用于理解与推理协作智能系统的软件工具（ We aim to create software tools for understanding and reasoning about collaborative intelligent systems ）。这需要跨越不同学科、物种、时空尺度整合与合成知识。我们正在开发创新的计算方法，用于在不同抽象层级上研究动态系统。最终，我们希望产出一系列开源、可访问的软件工具，赋能科学家、政策制定者与公众，在面对协作系统时能做出更明智的决策（ We aim to produce accessible open-source software tools that empower scientists, policymakers, and the public to make more informed decisions about collaborative intelligent systems ）。

软件平台

Software Platform

Basis 将把研究发现的基础原理提炼为一个领域无关的开源软件平台，逐步将其发展为引言中所述的通用推理引擎（ universal reasoning engine  ）。该平台的具体技术细节需待实际运营后才能确定，但创始团队在交付同类项目方面拥有卓越履历——其最著名的成果便是 Pyro 与 Omega 两大系统。

承诺开源与 Basis 的使命高度一致（ Committing to open-source is consistent with Basis’ mission ）。这意味着我们所开发的知识与技术，将被更多人所获取、理解与使用（ It expands the set of people who have access to the knowledge and technology that we develop ）。而其中的一部分人，甚至可能以我们难以预想的方式，对其进行扩展与应用（ Some of these people will go on to extend and deploy these in ways we could not have imagined ）。

专注于开源软件也具有诸多现实层面的优势：它为品牌与传播提供了统一的框架，为外部合作建立了清晰的法律与功能接口，是提升研究人员与合作方生产力的有效工具，能够跨项目整合工作内容，也有助于在组织内部划分职责、减轻现有与未来员工的负担。同时，开源带来的反馈往往比学术发表更具体、更量化，更有助于我们评估研究的实际影响（ Focusing on open-source software also has practical advantages. It offers a unifying scheme for branding and marketing, a clean legal and functional interface for external collaboration, a tool for making our researchers and collaborators more productive and pooling work across projects, an internal separation of concerns that reduces the burden on current and potential employees, and a source of richer and more quantitative feedback on research impact than can be obtained from publications alone ）。

我们将开发三类软件：

应用程序：完整实现单个挑战项目的全部软件组件（ Applications representing the entire software portion of individual challenges ）；

功能模块：封装适用于多领域挑战的通用原则（ Modules encoding general principles applicable across multiple challenges and domains ）

基础设施：确保模块能以高度通用化的方式定义并相互组合（ Infrastructure that ensures modules can be defined very generally and composed with one another ）。

Basis 将在宽松的开源许可下，负责核心基础设施的开发、维护与托管。应用程序则将在与挑战课题合作者的共同努力下开发，并理想地由他们在长期中持续维护。

应用程序

Applications 

应用程序是针对挑战的解决方案，每个应用程序的结构都将根据其特定领域和专家合作者量身定制。例如，一些应用程序将实现对特定领域问题的完整解决方案，而其他应用程序可能实现可针对问题系列进行定制的工作流，或作为评估和传播新技术的演示系统。

无论采取何种形式，每个应用程序都将推动新模块的创建或对现有模块的重大贡献（ Each application, whatever form it takes, will motivate either the creation of new modules or significant contributions to existing ones ）。在挑战项目中作为应用程序部分开发的任何领域通用推理技术都将被提取出来、泛化并整合到新的或现有的平台模块中，使其对未来的挑战有用（ Any domain-general reasoning technology developed within a challenge as part of an application will be factored out, generalized, and consolidated into new or existing platform modules, making it useful to future challenges ）。

功能模块

Modules 

模块是实现某一理论概念的软件单元。它们适用于多个正在进行或未来可能开展的跨领域挑战，具备高度的技术深度，但功能范围明确，并可通过核心基础设施与其他模块组合使用。

某些模块可能实现特定的推理或学习算法，某些模块实现的是许多不同问题中都可能用到的通用功能，还有些则提供抽象层功能，用以增强其他模块的能力（ A module may implement a particular inference or learning algorithm, some functionality common to many different concrete problems, or more abstract functionality that enhances other modules ）。随着我们不断探索新的问题，模块的集合将持续增长。

新模块通常会在应用程序开发过程中或其完成后建立，此时其用途与功能已相对明确。极少会在挑战未展开前就开发模块，几乎不会在没有相关课题的情况下创建模块。已有模块也会随着时间推移不断进行重构、整合、拆分或弃用（ Existing modules will also be actively refactored, consolidated, split up, or deprecated over time ）。

基础设施

Infrastructure

核心基础设施是将模块组合在一起的架构（ The core infrastructure is the fabric by which modules are composed together ）。虽然模块数量会快速增长，但核心基础设施保持相对稳定，很少发生重大变化。

我们研究方向的一个核心信念是：知识可以表示为程序，推理和推演可以表示为这些程序的转换（ A central conviction underlying our research directions is that knowledge can be represented as programs and reasoning and inference as transformations of those programs ）。因此，核心基础设施将包括模型的计算表征以及操作这些模型的算法（ the core infrastructure will consist of computational representations of models as well as algorithms that manipulate those models ）。

核心基础设施的具体性质将根据不同的技术需求和约束而发展，但可能包括新的编程语言、对现有语言程序的转换、编译器技术、程序分析、规范等，以及可以在项目间共享的任何 DevOps 工具。

外部合作 

External Collaboration

到目前为止，我们已经描述了 Basis 的研究目标、实现这些目标的基于挑战的策略，以及执行该策略的软件优先方法（ Basis’s research goals, a challenge-based strategy for achieving them, and a software-first approach to executing that strategy ）。如果 Basis 是一个产生知识产权的传统研究组织，或者是一个完全为单一客户群开发软件的公司（If Basis were a conventional research organization generating intellectual property or a company developing software entirely for use by a single customer base ），那么关于其运营就没有什么可说的了。

但 Basis 与此不同。我们的软件不仅仅是智力成果的体现，它本身就是一个统一的产品，服务于一个独特的、长期被结构性忽视的市场（ Our software is not merely intended as an intellectual artifact. It is also a unified product for a unique, structurally underserved market spanning three large distinct segments ）。该市场涵盖以下三个不同的主要领域，它们的激励措施和能力与我们使命的不同部分相互补充。

我们将这些群体中的个体称为“合作者”（ collaborators ），而不是“客户”或“用户”（ “customers” or “users” ），因为我们预期将与他们共同协作，在各自的领域中创造价值。且我们倾向于与少量高价值合作者深度合作，而非远距离服务尽可能多的对象（we will tend toward deep engagement with a smaller number of high-value collaborators versus serving as many as possible from a distance）。我们的软件将作为这些协作的媒介与增强工具（ Our software will mediate and enhance these interactions ）。

Basis 的定位天然适合服务这一市场，特别是若能快速集聚内部研究人才并取得关键性早期技术突破。（ Basis is by design well-positioned to serve this market, especially if we can quickly concentrate research talent in-house and deliver key early technical wins ）。此外，若我们能够成功回应每一细分群体中个体合作者的实际需求，随着时间推移，我们预期还将促成这些群体之间的互动，并进而推动我们的使命向前发展。这些互动将反过来激发一个正向飞轮效应——产生规模经济，催生新的技术能力，拓展市场成长——从而构成一条稳固的竞争护城河，加速我们的研究进程。

领域专家

Domain Experts

领域专家包括学术科学家、政策制定者，及广义上对某个挑战项目既有专业知识又有切身利益的个体或组织（ Domain experts include academic scientists, policy-makers, and generally individuals or organizations with both expertise and a vested interest in the success of a challenge project ）。随着机器学习革命持续深入各个应用领域，尤其是在涵盖几乎所有计算科学方向的学术界，这一群体已经非常庞大，并将在未来不断扩大。

在与 Basis 技术人员的合作中，领域专家将共同提出候选项目、审阅项目提案，并在所参与的挑战项目中担任外部负责人和联络点，发挥关键主导作用。

与领域专家进行持续紧密的合作，是我们通过挑战课题推动核心研究计划的关键路径。他们所拥有的专业知识是 Basis 内部所不具备的，也将确保项目贴近现实需求、具备实际影响力。

选择与我们合作，科学合作者将受益于我们的技术与软件工程专长（ By choosing to work with us, scientific collaborators stand to benefit from our technology and software engineering expertise ）。我们的理论研究计划将倾向于选取那些需要方法论突破、现有手段难以攻克的挑战，而我们的合作者或他们的竞争者在没有我们帮助的情况下难以应对（ Our theoretical program will bias the selection of challenges toward ones that are not achievable without methodological breakthroughs and are inaccessible to our collaborators or their competitors without our help ）。我们也会提供远超多数学术界实验室资源能力的算力支持（ We will also contribute substantial computing resources beyond the reach of most academic labs ）。

外部研究者 

External Researchers

外部研究者是指那些在我们的理论研究方向上具备专业知识的专家，例如近似概率推理或编程语言语义学，通常来自学术研究机构（ External researchers are experts in topics aligned with our theoretical program, like approximate probabilistic inference or programming language semantics, and will typically be drawn from academic research groups ）。由于人工智能研究本身的吸引力和科技行业对计算机科学、尤其是机器学习人才的巨大需求，这一群体正以前所未有的速度增长。例如，顶级机器学习会议 NeurIPS 的参会人数在过去十年内已增长超过十倍。

外部研究者将扮演顾问角色，提供技术指导、参与撰写文献、贡献代码、设计实验（ External researchers will act in an advisory role providing technical guidance, writing, contributing code, and designing experiments ）。在特定项目中，他们也可能提供专门的技术能力。更广泛地，他们将开发新平台模块或对现有模块进行重大改进，并围绕我们的方法发表顶级会议或期刊论文。

与 Basis 合作不仅能减轻研究者将想法转化为论文的负担，还能拓展其研究项目的规模。学术界难以开发和维护高质量软件，而外部研究者可以基于我们的平台功能更好地实现或传播其最佳创意。某些项目可能促成编程语言（ programming language ）与机器学习等原本难以合作的跨领域研究者互动。

与外部研究者的合作将使 Basis 能够借助那些我们难以负担得起或不可能直接获取的专家知识（ Working with external researchers will allow Basis to leverage expertise that would be too expensive or in some cases impossible to attain otherwise ）。外部研究者也会通过推荐学生或同事，帮助我们克服人才短缺的问题（ External researchers will also help overcome any scarcity of talent by recommending their students or colleagues to work with Basis ）。

开源社区成员

Open Source Community Members 

作为开源软件开发组织，Basis将与周边软件生态中的个人和社区广泛互动（ 只要有助于核心使命推进 ）。

这些合作通常呈现以下三种形式：

1. 与竞争性/上游软件包开发者共建共享基础设施（ Working with developers of competing or upstream packages on shared infrastructure ）。

这类合作者可从我们共同建设的重要基础组件中受益，而这些组件对任何一方而言单独开发的代价都太高（ 参见 PyTorch Distributions 的案例 ）。此类合作将提升我们在研究层面的专注力，减少低层工程上的资源投入，同时提升我们平台与应用软件的质量。

2. 协助下游软件开发者集成我们的平台（ Helping developers of downstream software integrate our platform into their packages ）

这类合作者将受益于我们平台独特的技术能力，而这些能力将随平台的发展而持续增强。此类合作还可能增强我们对潜在员工或合作方的吸引力，例如通过扩大他们工作的影响力（ 如 Funsor 与 Pyro/Stan-Pyro 编译器的合作 ），或为他们提供全新的用户群和分发渠道（ 如 Pyro 与 Terra 的关系 ）。

3. 与无正式关联的个体进行偶发性互动，他们出于自发动机向我们的开源仓库贡献代码或资源（ Sporadic, ad-hoc interactions with individuals who are not affiliated with Basis or one of our official projects but who for their own reasons wish to contribute code and other resources to our open-source repositories ）。

这些个体是任何重要开源项目中常见的一部分，动机多样：好奇心、求知欲、履历构建，或为满足自身工作中基于我们平台构建项目的实际需求。除了这些贡献本身的内在价值外，这类互动还有可能发展为更深层次、更正式的合作关系，甚至成为独特的人才引荐通道（ a unique talent pipeline ）。

开源合作者通常能获得参与影响重大项目的机会，并接触到原本难以企及的领域专家。Basis 将积极宣传开源协作成果以获取广泛社区支持，同时保持警惕避免协作可能带来的干扰。

组织结构

Organizational Structure

本文提出的模型旨在系统性地把握前文所述机遇。本节将阐述为执行该使命而设计的组织架构要点。

使命宣言：构建通用推理引擎，提升社会解决复杂难题的能力。

Mission Statement: Building a universal reasoning engine to advance society’s ability to solve intractable problems.

文化价值观

Cultural Values

组织的文化由其成员塑造（ The people of an organization determine its culture ）。在人才招聘、管理及战略制定中，我们秉持以下原则：

雄心勃勃

Ambitious

实现目标需要超越渐进式改进 ( Reaching our goals requires more than incremental progress )，意味着必须承担风险，投身于宏大甚至大胆的项目 ( It means taking risks and embarking on ambitious, and sometimes audacious projects )。

坚定执着

Committed

为所承接的项目和人员提供成功所需的持续投入时间与关注 ( We give the projects and people we take on the time and attention they need to be successful )。

审慎决策

Deliberative

持续审视行动目标、动机及其对个体与社会的潜在影响 ( We continuously evaluate what we’re trying to do, why we’re trying to do it, and what impact our actions could have on individuals and society at large )。

建设为本

Constructive

在同等条件下，我们更倾向于构建、演示、发明与改进，而非仅作批判 ( All things equal, we prefer to build, demonstrate, invent, and improve, rather than just critique )。

乐在其中

Joyful

我们深知这是一项人文事业，唯有以充实愉悦的方式推进才具有意义（ We recognize that this is a human endeavor that is only worthwhile if it can be done in a way that is fulfilling and joyful ）。

内部架构

Internal Organization

Basis 的独特使命需要差异化组织结构（ Basis’ unique mission lends itself to a distinctive organizational structure ）。该架构的可行性取决于：

1. AI 研究资金相对于稀缺研发人才的持续充裕（ 未来3-5年大概率成立 ）

（ Its viability is contingent on funding for AI research remaining relatively abundant compared to scarce research and engineering talent (which seems quite likely, at least over the next 3-5 years ）

2. 我们兑现宏大承诺的能力（ ultimately on our ability to deliver on our ambitious promises ）

随着研究运作的推进以及我们对有效与无效方法的不断探索，这一内部架构也将不断演化。

我们预计大多数员工将是签订长期合同、薪酬具有竞争力的研究人员与工程师，且其薪酬不与具体资金来源挂钩（ most employees will be staff researchers and engineers with long-term contracts at competitive salaries unconnected to specific funding sources ）。内部团队还将包括实习生和合同工，他们将在角色和职责上与全职员工基本相同，只是他们的工作通常会关联到某一个特定项目。

包括聘用与解聘在内的重大人事与财务决策将由董事层最终负责，他们也将继续承担筹资职责。资金将被集中管理，除非出资方另有指定用途，否则一律视为可流动使用（ Funds will be centrally administered and considered fungible unless earmarked by their source for specific projects or purposes ）。我们会尽可能将这些资金安排与日常工作以及与挑战项目或理论计划相关的重大技术决策解耦，以确保组织始终专注于其研究使命。

我们不打算设立固定的研究小组，也不设常任的全职管理者（ We will not aim to establish fixed research groups with permanent, full-time managers ）。相反，我们将围绕临时性的项目组织工作，这些项目在结构上将与我们软件平台和挑战项目的布局大致对应（ we will organize around temporary projects, which will in turn roughly mirror the structure of our software platform and challenge portfolio ）。每个项目将由员工担任技术负责人进行监管。任何内部员工都可以提出项目建议，但是否立项将由小型的、项目特定的审查委员会负责评估和推荐。项目只有在获得充足的资金与人力保障，并具备独立个人负责成败的能力时，才会被采纳（ Projects will be overseen by employees as technical leads. All internal employees will be able to propose a project, but smaller selected project-specific review panels will have the responsibility of making a recommendation of whether to accept. Projects will only be accepted if they can be guaranteed sufficient funds and staff to succeed or fail on their own merits ）。

这种组织结构为员工提供了一种与激励相契合的独特科研职业路径：随着其项目与职责的扩展，员工将获得成功的回报，同时避免陷入基础研究资金带来的财务风险、论文发表压力与繁重的行政负担。

我们将采用混合办公模式——部分员工将全远程工作，部分则完全线下，大多数员工则会结合两者（ We will be hybrid — some employees will work fully remotely, others fully in-person, and the majority will do both ）。现代劳动力期待也确实受益于灵活的工作时间与地点安排。但与此同时，要解决真正困难的问题，往往需要面对面协作，这在目前仍是无法替代的（ The modern workforce expects and benefits from a great amount of flexibility in terms of when and where they work. At the same time, solving hard problems often requires deep collaboration that currently can only be done effectively in person ）。

组织演进

Organizational Evolution

如果我们取得成功，Basis 将发展为一家在构建“通用机器推理”方面无与伦比、在解决现实世界问题方面独具影响力、在组织形态上前所未有的创新机构（ If we are successful, Basis will develop into an organization that is superlative in our ability to build general machine reasoning, unique in its real-world impact on solving problems, and distinct in structure to anything in existence today ）。

然而，我们并不追求形式上的新颖（ we are not interested in novelty for its own sake ）。我们的目标是从第一性原理出发，在理性地服务于核心使命、并与人类基本价值观相一致的前提下，设计出符合自身定位的组织形态，而不是盲目照搬现有标准范式（ Rather we aim to take a first-principles approach, designing Basis not based blindly on current standard practices, but rationally towards our core mission and in accordance with our core human values ）。

参照机构

Model Institutions

若 Basis 成功实现其使命，长期来看可能带来哪些独特影响？为探讨这个问题，我们引入几个类比对象：

约翰斯·霍普金斯大学（ Johns Hopkins ） 是美国第一所真正意义上的研究型大学（ research university ）。现代美国的医学教育与研究体系几乎是在 1900 年前后，于此地从零起步迅速建立起来。若我们能成功发现构建智能系统的原理，将具备独特能力，能更快速、更深入地培训新一代研究者与工程师掌握并应用这些原理（ If we are truly successful in discovering principles for engineering intelligent systems, we will have a unique capacity for training new researchers and engineers to understand and apply those principles faster and better than other companies or universities ），从而大大拓展我们的潜在人才池，并推动我们的技术更广泛地被采用。

全球气候模型（ global climate models ）及其背后的国际分布式科研协作网络，也是一个相关类比。若我们成功开发出可应对日益庞大复杂挑战的工具与工作流程，便有可能促成去中心化的研究社群，快速将多个学科跨度极大的科学知识体系以共享、自洽、可调的因果模型进行编码（ it will become possible for decentralized research communities to rapidly encode many other field-spanning bodies of scientific knowledge in shared, self-consistent, self-adjusting causal models ）。

Mozilla 基金会，是另一个值得借鉴的例子。它是少数能在不牺牲核心原则的情况下，凭借深厚技术基础对社会产生持久正向影响的组织之一。Mozilla 的组织结构亦颇具启发意义，它将开源软件置于中心位置，并有效连接、激发起全球范围内的专业与业余开发者社区。

最后值得一提的是 Flagship Pioneering，一家专注于生物科技的非典型投资公司（ an unusual biotechnology-focused investment firm ），其投资组合中包括开发首个成功新冠疫苗的 mRNA 药物公司 Moderna。Flagship 的有趣之处在于，它更像是一家“制造初创公司的工厂”，而非传统意义上的风投机构（ Flagship is interesting because it is less a venture capital firm than a factory for manufacturing startups ）。其大多数公司都由内部员工在一个系统性探索阶段作为科研项目启动，在经过充分的技术验证和风险规避后，若具备可行性便对外分拆或融资（ Nearly all of its companies are started in-house by Flagship employees as research projects that become proto-companies after a well-defined, systematic technical exploration phase and eventually either killed or spun out if they are deemed sufficiently de-risked for external investment ）。可以想象，Basis 未来也有可能对挑战项目采取类似模式：系统性地探索那些最适合我们的推理技术解决的机会（无论是商业或其他类型），以内部资金组织与推进，并在时机成熟时孵化为独立的初创企业或聚焦研究机构（ It is possible to imagine Basis eventually doing something similar with its challenge projects: systematically searching for opportunities (for profit or otherwise) uniquely suited for Basis’ core reasoning technology, staffing and exploring them with internal funding, and eventually spinning out subordinate startups or focused research organizations ）。

延伸阅读：构建关键技术：如何培养未来 100 个科研突破组织 | Convergent Research

贡献者

Contributors

研究团队：

Zenna Tavares | Eli Bingham | Emily Mackevicius

插画设计：

Doug John Miller

原文链接：

https://www.basis.ai/blog/basis-organization/

FutureHouse 创始人：如何在生物学领域创造 AI 科学家？人类科学家的未来工作是？

预测生物学（Predictive Biology）：AI 驱动生物学从“还原论”到“涌现性”的新范式。

Arc Institute 与 Convergent Research 深度访谈：FROs、元科学运动、 ARPAs、快速资助。

“自动化科学” （Autonomous Science）的蓝图：AGI 遇见“实验室革命”

生命模型 | Asimov Press 独家