11月4日，在2026年世界互联网大会乌镇峰会“人工智能赋能科学研究”分论坛上，360集团首席科学家、高级副总裁潘剑锋正式对外公布元认知模型（mcm）的最新研究进展。该模型面向通用型任务设计，通过系统建模任务环境、既有经验知识、行动逻辑框架及状态演化过程，助力大语言模型深入理解任务前提条件、科学评估可行路径、辅助关键决策制定，并对执行效果开展闭环验证，为ai由“能输出”迈向“可信赖执行”提供底层技术支撑。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
潘剑锋以科研实践为切入点，剖析了当前大模型在真实场景落地中的核心瓶颈：尽管大模型正加速从基础信息生成向高阶科学问题求解演进，但“生成内容”不等于“结论正确”，“逻辑推理”也不等同于“实证成立”。如何使模型不仅具备探索未知领域、构建科学假说的能力，更能严格依据自然规律与实验准则对推论进行检验、回溯与纠偏，已成为通向可信科学智能的关键跃迁点。当AI能力进一步延伸至工具调用与实体操作层面，此类不确定性更可能转化为现实风险。而科学研究本身对推理严谨性与结果可复现性的严苛要求，也使其成为检验AI综合能力的理想试验场。
围绕上述挑战，潘剑锋提出一种面向普适任务的“推理—验证”协同范式，其本质在于将方案生成与真值判定两个环节适度分离，并依托“MCM+LLM”双引擎架构实现能力互补与动态协同。其中，大语言模型（LLM）聚焦语义理解、假设生成与多路径探索；元认知模型（MCM）则承担起任务建模职责——通过对环境变量、知识边界、行为约束与状态迁移的结构化刻画，为LLM注入认知锚点与验证依据。经MCM验证后的候选方案，其结果将实时反馈至LLM端，驱动其优化推理链路、补全证据链条或切换探索策略，最终形成“生成→验证→反馈→修正”的自适应闭环机制。
具体来看，MCM在系统中主要承担三重功能：第一，动态感知并持续更新任务对象、所处环境及其演化轨迹，强化AI对任务实时进展的精准把握；第二，融合领域经验、适用前提与操作限制，为LLM推荐更具合理性与可行性的探索方向，并明确需重点核查的前提条件与待验证证据；第三，依据既定目标、学科原理、形式化规则及外部可观测数据，对候选方案展开多维度验证，并将结论反哺LLM，促使其迭代推理逻辑、校准判断依据或重构求解路径。
值得注意的是，元认知模型的应用范畴远不止于科研场景。在网络安全响应、企业智能办公等多样化领域，MCM同样可为大模型赋予普适性的环境感知、目标解析、流程拆解、工具调度与执行追踪能力，显著增强AI在复杂任务链中的稳健性与可靠性。
目前，MCM所体现的状态感知力、路径引导力与结果验证力，已在360系列安全产品中完成规模化部署与实战验证。相关能力被深度集成于环境态势理解、威胁识别研判、攻击路径建模等核心模块，并应用于真实红蓝对抗环境中。例如，360 AI自主攻防系统“图龙锋”近期荣登AI安全国际权威平台CyberGym排行榜榜首，以99.4%的漏洞复现成功率打破全球纪录。
潘剑锋强调：“生成能力决定AI奔跑的速度，而可靠执行能力则决定AI行进的纵深。缺乏验证机制的生成，潜藏巨大风险；唯有建立在可信验证基础上的生成，才能真正转化为生产力。”随着AI技术由大模型阶段迈入智能体时代，如何让AI真正理解环境语境、审慎选择行动策略、并闭环验证执行成效，正日益成为产业落地的核心命题。元认知模型，也将作为360推动AI从“可用”走向“可信可用”、深耕AI产业化应用的关键根技术持续演进。
