鱼羊 文婷 发自 凹非寺

量子位 | 公众号 QbitAI

WAIC（世界人工智能大会）第一天，信息量已经爆炸。

Kimi K3在模型侧搅动风云，而更多来自行业更深处的思考，也在一场场论坛和交流中刷新大家伙的认知。

从AI时代国家和企业的核心竞争力，到大模型迈向物理世界、迈向AGI所面临的挑战，再到Coding之后新的AI产品趋势……围绕从技术到产业的方方面面，图灵奖得主、两院院士、AI TOP研究者和企业、企业家们共聚一堂，精彩发声不断：

“AI时代，大学最根本的使命是培养下一代人才，而不是做研究。”

“静态数据标注已达天花板，下一代AI核心路线是经验驱动。”

“AI产业下一轮爆发将来自智能体模型与下一代终端产品的结合。”

……

重点有点多，脑袋有点过载。

没关系，量子位已经第一时间做好笔记，一起来看。

AI新竞争

John Hopcroft：人才是AI时代的核心竞争力

图灵奖得主、美国康奈尔大学荣休教授、中国科学院外籍院士John E. Hopcroft认为，信息革命将产生极其深远的影响，各国都应针对这种变革制定应对战略。

其中的一大难点是，AI可能还会持续发生重大变化。Hopcroft教授提出，因此，一项好的战略必须具备适应变化的韧性。而最能适应变化的战略，就是培养能够探索并且应对全新发展方向的人才。

核心观点：

在未来，人才才是核心竞争力，致力于培养人才的国家将成为世界领先的强国。

大学最根本的使命是培养下一代人才，而不是做研究。

高校人才培养的核心原则：一是引导学生发掘志趣，帮助学生找到自身热爱的领域；二是保障科研自主空间，需减轻高校科研人员的非必要工作负担，预留充足时间探索感兴趣的方向；三是重构评价指标体系，从“重论文”“重国际排名”转向以教育质量为核心。

印奇：AI产业下一轮爆发，是智能体模型+终端

大会开幕式上，阶跃星辰董事长、千里科技董事长印奇表示，AI产业下一轮爆发将来自智能体模型与下一代终端产品的结合，智能正走出数字屏幕、进入真实物理世界，将推动产业形成新系统、新载体、新网络三大结构性变化。

核心观点：

智能体正在成为生产力的最小单元。

AI产业分三阶段演进，物理场景通用智能体是第三波核心主线。第一阶段为预训练大模型+对话应用，第二阶段为强化学习推理+代码开发辅助，第三波具身智能体带来的产业变革，影响力将超过PC互联网与移动互联网变革之和。当前行业已临近AGI临界点，代码智能体可独立完成多日完整开发，编程语言成为人机通用交互媒介，智能体是通用AI时代最优产品载体。

三大底层变革机遇将重塑数字产业：一是大模型原生跨设备操作系统，统一调度算力、数据与任务；二是全品类硬件终端重构，PC转为个人算力工作站、手机成为全域设备中控、新能源汽车率先落地机器人形态；三是全新人机共生网络，打通人、智能体、物理终端交互链路，重构价值分配与交易规则，兼容Web3等前沿技术体系。

产业设计逻辑转向人机协同共生，AI是生产力工具而非人力替代者。行业需搭建智能体可信可控约束体系，推进技术普惠；同时新技术将催生全新职业赛道，诞生单人即可完成全业务流程的超级个体。

周伯文：Research是下一个Coding

上海人工智能实验室主任、首席科学家、清华大学讲席教授的关注点，聚焦在AI for Science上：

AI在编程等闭环任务上进步迅速，但科学原创能力仍然有限。

科学研究不止是一个应用场景，更是AGI的终极挑战。

模型突破智能上限，需要完成三项转变。 从“数据驱动”到“世界交互”、从“即时反馈”到“长程自主”、从“模仿正确”到“善用失败”。

科学研究是“下一个Coding”。 编程推动了模型推理和智能体能力提升；科学研究若能把假设、推理和实验结果转化为可验证反馈，也可能形成新的能力增长飞轮。

AI科研目前缺少完整的反馈链。其中关键不是持续增加知识供给，而是通过可信验证，重构认知。

在WAIC现场，上海AI Lab也最新发布了书生·端砚科学发现平台，以推动AI从理解科学、规划研究，走向真实世界的实验验证和认知迭代。

技术新趋势

Richard Sutton：静态数据标注已达天花板，下一代AI核心路线是经验驱动

图灵奖得主、强化学习之父理查德·萨顿（Richard Sutton）在大会开幕式上，围绕智能本质与行业发展瓶颈提出了三个核心观点：

行业普遍混淆算力规模与原生智能。当下大模型、多模态生成仅完成人类历史数据的模式拟合，仅能复刻既有知识，不具备自主发现新知的能力，事实偏差、逻辑缺陷等问题难以根除。市场对AI存在过度炒作与过度恐慌两种极端视角，全球行业应当坚持多边合作、互利共赢。

应建立统一的通用心智科学。智能的核心是依靠动态行为适配环境、完成目标的自适应能力；强化学习是贯通人类、生物、机器智能的核心方法论。大众熟知的图灵测试并非图灵初衷，机器自主交互学习才是其核心构想。

静态标注数据模式已触达天花板，经验驱动是下一代AI核心路线。人工标注资源存量持续衰减，无法支撑模型长期迭代；而智能体依托自身与环境交互产生观测、动作、奖励信号自主学习，数据随自身能力同步扩张，AlphaGo、奥数推理系统AlphaProof均印证该路径可行性。现有大模型缺少目标与奖惩反馈，无法自主校验信息真伪；经验型智能体可依靠环境反馈持续校正认知，自主进化是不可逆的技术大势。

苏昊：解决大模型幻觉的关键是物理智能

复旦大学浩清特聘教授、复旦大学通用物理智能研究院首任院长苏昊提出，解决大模型幻觉的关键，是物理智能：

语言是世界的投影，大模型从语言中学习到的，只是现实世界的影子，知识缺乏可校验的锚点。因此破局的核心路径，是大模型需要进入真实世界完成端到端交互，通过预测、行动、反馈修正的实验过程，积累实体经验。

物理知识分为六层阶梯，下三层是关于物体的知识、关于状态的知识和关于动力学的知识；对应的上三层是功能知识、目标知识和行为知识。六层知识分散在视频、教科书、真机数据等不同载体中，越往上层可记录内容越少。

物理智能的突破口不在模型架构优化，而在知识的聚合。没有人能独自完成聚合，需要全社会的通力合作。

AI行业的评价维度将从演示有多惊艳，转向运行有多可靠。通用性是重点，可靠性是起点。

物理智能将把AI从科学的“读者”，变成知识的“创造者”。

王坚：让科学数据能成为大模型的原住民

中国工程院院士、之江实验室主任、阿里云创始人王坚强调了“重新认识数据”的重要性。他认为，AI正来到一个关键的转折点：人工智能将像数学一样成为基础学科，而这个转折的基础，是科学数据。

科学数据可能成为AI下一轮变革的关键驱动力。

从旧数据里发现新问题，是科学变革中的基本逻辑。比如，一名18岁中学生利用已经退役、且原本用于监测小行星的卫星数据，发现约150万个此前未编目的太空物体。

大语言模型是建立在文本数据上的基础模型，而科学基础模型，需要整合数据、论文和代码。科学家真正需要的，不只是一个问答模型，而是能够统一获取科学数据、相关论文和计算工具的基础设施。

科学基础模型使得人工智能来到一个新的转折点：人工智能像数学一样成为基础学科。这将在未来50年对科研产生深远影响。

AI新边界

徐立：AI的核心价值是放大个体能力而非替代人力

商汤科技董事长兼首席执行官徐立探讨了两个核心问题：什么是普惠AI？什么是AI向善？

AI的核心价值是放大个体能力而非替代人力，优质AI产品会放大每个人的能力，而非催生工具依赖。

当AI的边界真正意义上推进到超级个体的时候，会出现新的经济学计算：计费从Token转向Task。

AI会自动化很多现有的职业，但AI也将重塑工作，产生大量新的职业，以及公司、组织的形态。

有之以为利，无之以为用。今天我们关注模型的发展、参数的变化、应用的突破，这是有；而背后的治理框架，是无。有和无并行起来的时候，我们才能做到让AI用好的方式被用到。

Bengio： 智能体的实用性与风险都来自其自主性

图灵奖得主、深度学习三巨头Yoshua Bengio线上参与了WAIC主论坛，围绕安全话题发表了最新观点：

AI能力正在沿指数曲线增长。 近几年，模型在推理、数学、编程、科学和智能体能力上快速提升，能够自主规划和完成的任务越来越复杂。

智能体的实用性与风险来自同一个特征：自主性。 智能体必须减少人类监督，才能完成长程任务；但自主程度越高，人类越难及时发现和制止危险行为。

前沿AI面临两类灾难性风险。 一类是被恶意使用，另一类是模型自身行为引发的失控风险。

不能默认更强的模型会自然服从人类。

高风险AI应实行“先证明安全，再允许部署”。

风险治理不能由企业自行决定。

全球治理还需要可验证的技术基础。