米兰官网-狂飙三年 AI下一步走向何方？—新闻—科学网

“当前AI（人工智能）正处在快速演化的要害阶段。”近日，北京中关村塾院院长刘铁岩于2025基础科学与人工智能论坛上暗示，年夜模子、具身智能与科学智能三者深度交融，组成鞭策AI加快进化的“常识飞轮”。

当“常识飞轮”真正高效动弹时，AI于某些维度上的进修与再生能力将可能跨越人类。然而，刘铁岩直言，AI成长仍面对算力瓶颈、数据枯竭、评测滞后等一系列布局性挑战。

本次论坛是“2025国际基础科学年夜会”尤其勾当之一，北京中关村塾院院长刘铁岩、清华年夜学电子工程系主任汪玉、美国纽约州立年夜学石溪分校顾险峰、曦智科技开创人兼CEO沈亦晨等多位专家缭绕AI的底子范式、算力瓶颈议题睁开会商，500余名不雅众参加交流。

?

2025基础科学与人工智能论坛（赵宇彤摄）

“硬伤”犹于

“年夜模子能对于现有常识举行充实理解、总结及逻辑推理，科学智能基在科学纪律提出新假说、发明新常识，具身智能则为AI提供了与物理世界交互的路径，帮忙验证与天生新的常识系统。”刘铁岩总结道。

当前，跟着AI迈入繁杂推理及多模态理解的新阶段，传统过分依靠重叠算法、数据的“鼎力大举出古迹”路径已经难以再进一步拓展AI成长的界限。

?

刘铁岩作《人工智能前沿成长趋向与焦点挑战》陈诉（赵宇彤摄）

刘铁岩指出，首当其冲的是数据瓶颈。“互联网上的天然文本数据已经靠近枯竭，被重复练习后边际效益显著降低。”他暗示，作为年夜模子必不成少的“养料”，数据欠缺制约其成长，只管业界测验考试拓展多模态输入、合成数据天生、交互数据收罗等方式，但仍面对质量、成本及验证机制等挑战。

“当前AI体系遍及面对模子智能程度的连续晋升，其推理能效却不停降落的抵牾。”清华年夜学电子工程系主任汪玉夸大，Token（词元）是人工智能时代焦点的出产要素，将来要更存眷单元能耗下可天生的有用Token数目（Tokens/J），“只有当出产与运用的成本必需充足低廉、智能程度充足靠得住、体系范围充足可扩大时，才能迎来真正意义上的财产革命。”

然而，怎样权衡、判定差别年夜模子的推理能效？刘铁岩坦言，现有的模子评测系统过在惊天，轻易被“对于症”优化、“刷榜”提分，急需引入使命导向、动态更新与专家混淆评估机制，鞭策评测系统回归素质。

新挑战涌现

“缺少因果建模的能力是当前AI于天然科学、数理建模等使命上遭到限定的缘故原由。”针对于AI成长的瓶颈与限定，顾险峰指出，今朝AI仍以相干性建模为主，而真实的科学建模不克不及仅靠年夜量数据推导模式，而需要简约假定、逻辑自洽的因果系统。

刘铁岩则认为，部门年夜模子已经经能“听懂”人类语言。于逻辑推理、数学解题、文本论证等使命时，具有对于“由于”、“以是”等因果性文本布局的辨认及理解能力，但于语义层面，是否真正理解文本暗地里的因果逻辑尚不明确。

最近几年来，多模态年夜模子的成长成为了新热门。当认知对于象从文本拓展到图象、视频，是否需要完全摒弃token猜测，转向“世界模子”等新范式？

“语言自己是人类认知的表达体系。”对于此，汪玉持乐不雅立场，假如人类可以或许经由过程语言正确描写某一对于象或者纪律，AI就能借助模子实现理解及总结，假如人类没法找到适合的语言描写方式，AI也力所不及。

三木SEO-此外，AI是否具有“原创”能力也是本次会商热门。

“于科学研究中，庞大理论的提出绝非数据聚集所能催生。最要害的一步转化，AI永远抓不住。”顾险峰直言，科学前进来自对于未知征象的预判与假定，而非对于已经知布局的不停模拟。

沈亦晨则暗示，只管AI可以于年夜大都工程化问题中年夜显身手，但于解决10%原创性冲破问题方面仍力不从心。

“即便AI没法做到‘无中生有’，但它于已经知界限上的全笼罩与组合重构，仍将对于科学研究孕育发生深远影响。”刘铁岩从财产视角指出，将来AI将于“从类比中发明新布局”方面具备巨年夜潜力，特别是于AI for Science（人工智能驱动科学研究）的详细子使命中体现精彩。

?

圆桌论坛（赵宇彤摄）

“下一场革命”

“AI要想走向年夜范围运用，必需冲破能效瓶颈。”汪玉夸大，这对于构建下一代AI体系基础提出更高要求，不仅要处置惩罚数字信息，更需及时感知物理情况，与传感器及履行器深度交融。

对于此，汪玉体系先容了晋升AI体系机能的两条路径：一是连结能效程度的同时晋升智能程度，二是经由过程软硬件协同优化，提高单元能耗下的推理能力。“只有算法与芯片协同优化，才能实现真正意义上的体系能效晋升。”汪玉夸大。

然而，当前年夜模子对于算力依靠正呈指数级增加的趋向。清华年夜学人工智能研究院常务副院长孙茂松举例称，最新一代年夜模子练习耗资约达100亿美元，需要20万张GPU卡撑持，估计2035年将可能冲破至1亿张卡。

“百万卡级另外计较已经成为实际挑战。”沈亦晨回应道，只管当前业界于传统电子芯片架构内测验考试了多种优化计谋，例如近存计较（CNM）、存内计较（CIM）、流式计较与ASIC专用芯片等差别方案，但这些仍局限在晶体管架构内部优化，算力上限仍受制在单元面积可集成晶体管数的物理天花板。

沈亦晨提出，光计较芯片或者将成为新选择。要想充实阐扬光计较的高能效上风，需要于算法层面鞭策向低精度模子优化。“同时，经由过程光作为毗连介质，可以极年夜晋升芯片间通讯带宽与效率，解决漫衍式模子练习中‘多芯片如一芯片’的问题。”

汪玉增补道，不管是光计较还有是电计较，要害是让让底层硬件异构对于开发者透明，即“看起来就是一台呆板”，进而保障工程体系的不变性及迁徙效率。

“真实的人工智能下半场，将是‘Experience-driven AI’（由经验驱动的人工智能）。”刘铁岩抛出一种全新的范式假想，由100万个呆板人于物理世界中及时感知、同步数据及模子权重，实现全域智能协同，“这将逾越年夜模子集中练习范式，形玉成新的进化路径。”

“年夜模子的有用性是经验主义的，但它的问题也是底子性的。”面向将来，孙茂松提出新的期待，“真实的冲破，有赖在咱们于理论与体系两头都迈出新的一步。”