三位學(xué)者共話智能的真假、突破與本質(zhì)。

AI在變得越來越聰明，我們也感受到日益顯著的“真假交織”現(xiàn)象。

“借假修真”——是說我們身處一個技術(shù)未收斂、趨勢未定型、場景未定式、產(chǎn)品半成品的階段，許多熱鬧甚至是虛妄的——我們還在混沌中試錯；

“去偽存真”——即便還有非常多難題沒有攻克，但我們已經(jīng)開始厘清什么是真突破，什么是真價(jià)值——我們已經(jīng)有了相對清晰的思路，正逼近某種真實(shí)的智能法門。

這是今年所有AI從業(yè)者最真實(shí)的處境：真突破和假繁榮并存；真能力與假想象并存；真機(jī)會與假故事并存——一邊向前走，一邊又要反思我們?yōu)槭裁醋?，走到哪，還將去哪。

“真”與“假”并非對立，而是智能演化鏈條上的不同階段：一端是更接近真實(shí)能力的認(rèn)知結(jié)構(gòu)，一端是以近似與擬態(tài)推動前進(jìn)的探索性形態(tài)。

在12月3日舉辦的“轟然成勢，萬象歸一”2025甲子引力年終盛典的巔峰對話環(huán)節(jié)，甲子光年創(chuàng)始人&CEO張一甲開啟了一場討論——《AI這一年：借假修真還是去偽存真？》，她對話的嘉賓是：

• 清華大學(xué)電子工程系教授、系主任，國家自然科學(xué)基金杰青、IEEE Fellow，無問芯穹發(fā)起人 汪玉

• 北京大學(xué)北京國際數(shù)學(xué)研究中心博雅特聘教授、北京中關(guān)村學(xué)院常務(wù)副院長 董彬

• 北京智源人工智能研究院院長 王仲遠(yuǎn)

這一次，我們想和這個AI行業(yè)中的學(xué)者聊聊“AI的真與假”以及“智能的突破與本質(zhì)”。

以下為本場巔峰對話的文字實(shí)錄，經(jīng)「甲子光年」編輯，在不改變原意的基礎(chǔ)上略有刪改。

1.談技術(shù)突破：強(qiáng)化學(xué)習(xí)、推理、智能體、多模態(tài)

張一甲：你心目中，今年AI領(lǐng)域最重要的一件事是什么？

汪玉：今年最關(guān)注的是強(qiáng)化學(xué)習(xí)和智能體。

董彬：我主要研究領(lǐng)域是數(shù)學(xué)，最關(guān)心的還是人工智能推理，所以我把我自己的主要精力都放在了AI for Mathematic（人工智能賦能數(shù)學(xué)研究）。我個人希望看到人工智能在數(shù)學(xué)最前沿探索，盡快幫助到數(shù)學(xué)家。

王仲遠(yuǎn)：今年最關(guān)注的是多模態(tài)世界模型。

張一甲：三位老師兼具學(xué)術(shù)和產(chǎn)業(yè)的視角，想問大家一個直接的問題，今年如果只看“智能本身”，你認(rèn)為最關(guān)鍵的突破是什么？

汪玉：印象最深的還是DeepSeek，我有兩方面的感受：一個是用強(qiáng)化學(xué)習(xí)的方式，可以使智能能力得到進(jìn)一步提升；另一個是面向目前最好水平的智能，系統(tǒng)還存在很大的、跨層次優(yōu)化的可能性。

清華大學(xué)電子工程系教授、系主任，國家自然科學(xué)基金杰青、IEEE Fellow，無問芯穹發(fā)起人 汪玉

董彬：我今年看到模型的推理能力，尤其是多模態(tài)推理能力有非常大的提升。去年年底我們基于北大數(shù)學(xué)不同課程的期末考試做的評測集，也包括博士資格考試難度的題目，今年很快就被新模型刷爆，至少在解題方面，我感受到了模型很強(qiáng)的推理能力。尤其是最近發(fā)布的DeepSeek-V3.2、Gemini 3 Pro在推理能力有非常顯著的提升，這是我今年印象非常深刻的。

北京大學(xué)北京國際數(shù)學(xué)研究中心博雅特聘教授、北京中關(guān)村學(xué)院常務(wù)副院長 董彬

張一甲：剛才我在分享主題報(bào)告時提到，有11種不同類型的基準(zhǔn)都在被模型快速突破，數(shù)學(xué)基準(zhǔn)在這個過程中被顛覆得尤其快，這是為什么？

董彬：數(shù)學(xué)和代碼一樣，作為形式科學(xué)可以構(gòu)建高效、高質(zhì)量的Verfication（驗(yàn)證）環(huán)境，這跟自然科學(xué)有本質(zhì)的不同，所以在數(shù)學(xué)推理層面，有如此快的進(jìn)展也不奇怪。

張一甲：所以AI跟人類，可能對于什么簡單、什么難，可能是反過來的。接下來問下王院長，在你看來智能本身在今年最重要的突破是什么？

王仲遠(yuǎn)：一句話總結(jié)，我認(rèn)為今年是大語言模型的成熟和多模態(tài)技術(shù)突破。

從DeepSeek-R1的發(fā)布到GPT-5的發(fā)布，這些在我看來都證明大語言模型已經(jīng)進(jìn)入到相對成熟的階段，工程化的各種優(yōu)化變得非常重要。

另外是多模態(tài)技術(shù)。去年我來參加甲子引力年終盛典時就說過，2025年多模態(tài)技術(shù)會有突破。例如，谷歌發(fā)布的Gemini 3、Nano Banana以及智源發(fā)布的悟界·Emu3.5，我們認(rèn)為這些都是在探索多模態(tài)技術(shù)的可行路徑，將來可以進(jìn)一步推動各行各業(yè)的多模態(tài)數(shù)據(jù)被有效利用以及發(fā)揮推理能力。

北京智源人工智能研究院院長 王仲遠(yuǎn)

張一甲：回到今天對話的主題，我想問三位老師，在你們看來，AI正在“借假修真”——在混沌中試錯，還是已經(jīng)“去偽存真”——逼近某種真實(shí)的認(rèn)知機(jī)制。在路徑方面，AI研究是不是真的找到了法門，還是在可能存在問題的路上一路狂奔？

汪玉：從做系統(tǒng)的角度看，我認(rèn)為現(xiàn)在大家還沒有找到一條明確的路，還是在不斷嘗試的過程中。目前還沒有人可以解釋Scaling（規(guī)?；┻@條路徑一定是對的，所有人還是在狂奔的路上，在不斷修正迭代。

在高校，我們也看到了一些問題，比如Scaling其實(shí)是高校不能走的路，因?yàn)樗枰嗟馁Y源。高校能做的事情更多是在給定智能能力的情況下，讓資源消耗變少，以及探索新的Scaling路徑的可能性。

董彬：從我的角度來看，現(xiàn)在這條路肯定不是最優(yōu)的，但似乎也沒有走到死胡同，所以大家還在沿著這條路往前走，但確實(shí)很昂貴（電費(fèi)貴），所以我們肯定要更加積極探索不一樣的路徑，高校的研究更多是探索可能性。如果有計(jì)算資源的企業(yè)或者研究院所，肯定在現(xiàn)有的路徑下還要繼續(xù)往前沖。

我想提醒大家一點(diǎn)，我們把AI的能力提升到巨大的milestone（里程碑）的水平，即便我們走的不是最優(yōu)的路徑，但這也是有可能的。

王仲遠(yuǎn)：個人認(rèn)為，在這一輪大模型的發(fā)展過程中，“真”肯定有。我們探索到一種受人腦啟發(fā)的神經(jīng)網(wǎng)絡(luò)，能夠把數(shù)據(jù)壓縮到神經(jīng)網(wǎng)絡(luò)，并且看起來像智能涌現(xiàn)的能力。不管是大語言模型或多模態(tài)模型，亦或是世界模型，還是有真實(shí)的內(nèi)核在里面。

從做學(xué)術(shù)的角度來講，這是不是一個最優(yōu)路徑，一直都是非常有爭議的話題，因?yàn)槿祟惔竽X的耗能大概是10到20瓦之間，但現(xiàn)在大模型所用的大型算力集群，耗能規(guī)?？赡芟喈?dāng)于一座小型城市，這顯然是兩種在物理實(shí)現(xiàn)上完全不同的路徑，我們都期待有更加綠色、高效的路徑，能夠幫助我們實(shí)現(xiàn)智能。

另一方面，在整個大模型的發(fā)展過程中，對比人類大腦還是有很多缺失的部分。舉一個例子，最近很多人感染流感，當(dāng)人類看到自己的家人發(fā)燒時，決策機(jī)制、緊張程度和同理心很不一樣，現(xiàn)在的人工智能顯然做不到這一點(diǎn)。

雖然我們可能探索出一種數(shù)據(jù)壓縮產(chǎn)生智能的路徑，但依然沒有辦法完全模擬人類大腦很多的決策機(jī)制。

張一甲：三位老師分享的觀點(diǎn)很有意思。人工智能目前從路徑上來說，是不是最優(yōu)解，這并不一定。有沒有必要有最優(yōu)解，答案可能也是否定的。就像《流浪地球》電影里呈現(xiàn)的，當(dāng)?shù)厍蛎媾R威脅的時候，把地球推走不一定是邏輯和理論上的最優(yōu)解，但如果可以被實(shí)現(xiàn)，那么就是可行的路徑。其實(shí)，我認(rèn)為，AI不完全是一個科學(xué)命題，也是工程和實(shí)踐的命題。

最近OpenAI前首席科學(xué)家伊利亞（Ilya Sutskever）接受采訪時提到了一個很有意思的現(xiàn)象：AI“既聰明又蠢”——在考試上超神，在真實(shí)場景里修個bug卻容易陷入循環(huán)，引入新bug。他提出的一個解釋是，也許強(qiáng)化學(xué)習(xí)（RL）訓(xùn)練讓模型變得有點(diǎn)過于一根筋和狹隘，有點(diǎn)過于無意識，這似乎是對當(dāng)下主流路線的一種質(zhì)疑，你們怎么看？

甲子光年創(chuàng)始人&CEO張一甲

王仲遠(yuǎn)：強(qiáng)化學(xué)習(xí)在泛化性上的挑戰(zhàn)，在學(xué)術(shù)界和工業(yè)界一直是公認(rèn)的難點(diǎn)。其實(shí)不僅僅在大模型，包括具身智能，大家所看到的很多機(jī)器人演示，比如做咖啡，盛爆米花，實(shí)際都是通過強(qiáng)化學(xué)習(xí)。如果你換一個位置，換一個杯子，它可能就會失敗。

但我認(rèn)為強(qiáng)化學(xué)習(xí)是有用的，在真實(shí)世界里，人類也在通過“試錯—反饋”不斷學(xué)習(xí)和練習(xí)，當(dāng)反復(fù)練習(xí)把技能固話為“肌肉記憶”，事實(shí)上也可以做得非常好。但現(xiàn)在的大模型進(jìn)行強(qiáng)化學(xué)習(xí)的時候，會出現(xiàn)很明顯的遺忘現(xiàn)象，這是需要突破和解決的。

董彬：這不是強(qiáng)化學(xué)習(xí)的鍋，而是大家沒有用對。強(qiáng)化學(xué)習(xí)是可以讓AI從行為克隆走向真的有可能舉一反三，甚至做到超越人類非常重要的手段。

為什么我說大家沒有用對？包括DeepSeek-R1，GPT的O系列，這些強(qiáng)化學(xué)習(xí)訓(xùn)練的大語言模型，主要用的是ORM（Outcome Reward Model）的方式，以結(jié)果論英雄，對過程沒有足夠的監(jiān)督，這是非常大的問題。

這也是為什么，有些時候AI會探索出一些人們覺得可笑的中間路徑，有些時候又非常冗長，繞來繞去。其實(shí)對過程沒有監(jiān)督，也帶來很大的安全隱患，因?yàn)橹恢v究結(jié)果，中間有可能會侵害人類的利益。

說白了，強(qiáng)化學(xué)習(xí)是近似求解動態(tài)規(guī)劃的一種方式，動態(tài)規(guī)劃是求解最優(yōu)控制的一種方法。所以如果真的做對了，知道求解最優(yōu)控制問題中過程的監(jiān)督，至少和最終結(jié)果監(jiān)督同等重要。只不過現(xiàn)在因?yàn)橛?xùn)練和工程限制，不太容易找到合適的過程監(jiān)督方式，所以被大家暫時擱置了。這不是強(qiáng)化學(xué)習(xí)的鍋，而有更加深層次的因素。

汪玉：從我的角度來看，強(qiáng)化學(xué)習(xí)的思想沒問題，有可能是用的方式不夠好，沒有辦法解決現(xiàn)有的問題。

從系統(tǒng)角度來看，真正大規(guī)模的強(qiáng)化學(xué)習(xí)與傳統(tǒng)的訓(xùn)練有巨大區(qū)別。因?yàn)樵趥鹘y(tǒng)的大模型訓(xùn)練中，大多是確定性的數(shù)據(jù)流圖，把確定性數(shù)據(jù)流圖擺到一萬臺機(jī)器上，還是一種相對確定的優(yōu)化過程。

但強(qiáng)化學(xué)習(xí)的每一次交互是不確定的。模型部署到這1萬臺機(jī)器上的時候，怎么把這1萬臺機(jī)器用好，就比較復(fù)雜了，需要系統(tǒng)性的優(yōu)化，這件事情目前大家還是在不斷去更新、去研究。

系統(tǒng)優(yōu)化要能跟得上算法發(fā)展，才能夠推動算法本身向更復(fù)雜、更多元的方向探索。否則只以單一結(jié)果評價(jià)，算法的進(jìn)一步發(fā)展將無從談起，因?yàn)檎麄€系統(tǒng)缺乏必要支撐，這是我從系統(tǒng)角度看的一點(diǎn)看法。

張一甲：其實(shí)幾位老師表達(dá)了對強(qiáng)化學(xué)習(xí)的一種信念，如果有問題，那是方法的問題，不是強(qiáng)化學(xué)習(xí)的問題。但是AI歷史上其實(shí)關(guān)于范式或思想已經(jīng)發(fā)生了很幾次轉(zhuǎn)折、幾次泡沫，是什么讓你們對強(qiáng)化學(xué)習(xí)有這么強(qiáng)大的信念，覺得它就是個對的方向？

汪玉：人就是在不斷迭代的過程中成長的，我覺得現(xiàn)在我們對于智能體、大模型，或者說對以后的智能也有這樣的期待，這是一種莫名的堅(jiān)信。

董彬：簡單回答就是It makes a lot of sense（這很合理）。

我們作為一個智能體，在環(huán)境里面感知，根據(jù)我們感知的信息做出決策，然后利用我們的肢體去執(zhí)行，環(huán)境再給我們一個反饋，然后不斷重復(fù)這個過程。通過這個過程我腦子里形成世界模型，我也變得越來越聰明。所有的這一切都是可以用最優(yōu)控制來描述的，近似的求解動態(tài)規(guī)劃（強(qiáng)化學(xué)習(xí)）就是求解這個最優(yōu)控制問題，我覺得沒有什么好說的。

王仲遠(yuǎn)：其實(shí)，人工智能很多技術(shù)都源自于對人類學(xué)習(xí)機(jī)制與認(rèn)知范式的借鑒。我認(rèn)為還是會有預(yù)訓(xùn)練，就是一個很強(qiáng)的基座模型，它是一個通識的，它能夠把文字、圖像、聲音各種多模態(tài)的信息全部都學(xué)習(xí)了。

而在后訓(xùn)練階段，強(qiáng)化學(xué)習(xí)肯定很重要，因?yàn)樗M(jìn)入到各行各業(yè)，當(dāng)它要解決實(shí)際問題的時候往往離不開基于反饋的學(xué)習(xí)與迭代，因?yàn)槿祟愐彩沁@么干的。

第一性原理讓大家堅(jiān)信，強(qiáng)化學(xué)習(xí)依然是一個可行路徑。

2.談研究選擇：如何“去偽存真”

張一甲：下面幾個問題我想單獨(dú)問一下三位嘉賓。首先是汪老師，你現(xiàn)在的研究和工作圍繞AI基礎(chǔ)設(shè)施進(jìn)行，這兩年AI的轟然成勢，對底層計(jì)算基礎(chǔ)設(shè)施提出了哪些新的需求？這意味著算力體系需要進(jìn)行哪些優(yōu)化設(shè)計(jì)？

汪玉：首先，在AI基礎(chǔ)設(shè)施領(lǐng)域，中美有一些不同。美國的做法還是在不斷拓展算力規(guī)模，然后用更大的規(guī)模、更多的數(shù)據(jù)和更好的算法來不斷迭代性能。但在中國，我們在有限的算力規(guī)模下，需要做到接近或者超越性的水平。所以中國可能更需要從算法到軟件、到芯片、到制造的一個垂直的優(yōu)化。由于資源限制所帶來的路徑差異，這是我們第一個要想明白的事情。

第二，現(xiàn)在模型（參數(shù)量）還是越來越大的，包括最近Gemini 3，我們推測它應(yīng)該是一個巨大的模型。巨大的模型推理如果要進(jìn)入千行百業(yè)，最終可能還是要看Per token所消耗的能量，當(dāng)然能量會最后轉(zhuǎn)化為價(jià)格，價(jià)格是成本問題，如果成本不夠低，是沒法讓所有人都用起來的。所以Per token價(jià)格的本身，或者說智能和能源的對價(jià)，會決定AI到底能不能在千行百業(yè)被用起來。

此外，進(jìn)一步提升智能其實(shí)需要更多的迭代反饋，更多的迭代反饋也意味著有更大的算力，目前是有更大算力的投入，所以怎么樣做到極致的算力利用效率，也是非常重要的。

在目前這個時間點(diǎn)，做系統(tǒng)、做芯片、做算法、做應(yīng)用的人是要結(jié)合起來的。現(xiàn)在Agent也帶來了對于系統(tǒng)整體的進(jìn)一步挑戰(zhàn)，應(yīng)用首先和Agent離得更近，然后再到模型、到軟件、到芯片、到制造，所以我覺得現(xiàn)在要更多地合作起來。

張一甲：的確，中美在AI基礎(chǔ)設(shè)施領(lǐng)域是兩種不同路徑。但你能不能一句話告訴我，為什么我們要走追求性價(jià)比的路，而不是和美國一樣去砸資源，或者兩條路并行呢？

汪玉：臺積電每年能夠生產(chǎn)的先進(jìn)工藝的晶圓總量，其實(shí)決定了全世界先進(jìn)芯片的總量，把這兩個數(shù)字放一起看會比較清楚。

張一甲：董老師，你的研究領(lǐng)域很有趣——AI for Mathematic（人工智能賦能數(shù)學(xué)研究）。從你的視角看，大模型生成內(nèi)容的本質(zhì)是否是一種“概率真實(shí)”？從理論上，AI是否有可能逼近某種“認(rèn)知上的真實(shí)”，還是它注定只能停留在統(tǒng)計(jì)近似上？

董彬：你這個問題里面有三個概念：概率、認(rèn)知、真實(shí)，我們分別討論。

首先是概率。其實(shí)我覺得我們也是一個概率型的生物，我們的靈光一閃、頓悟，可能我們并不知道我們大腦里是怎么運(yùn)作的，也許有一個完全確定性的可解釋的機(jī)理，但是這個機(jī)理我們不理解，我們很多時候把不理解的東西用概率描述，這個可以讓我們r(jià)ationalize（合理化）這些不理解的事物。AI做的也是概率型的推理。

接下來是認(rèn)知，基本上就是理解、推理、記憶等這些能力，我覺得AI現(xiàn)在可以非常好地模擬人類的認(rèn)知。

但你要說AI的認(rèn)知到底是不是真實(shí)的，也就是你剛才說的第三個概念，從數(shù)學(xué)來講，AI是不是真實(shí)分兩方面：

第一，它的推理到底對不對，這個我們可以準(zhǔn)確驗(yàn)證?，F(xiàn)在這個方向發(fā)展得非?？?，AI可驗(yàn)證的推理能力在不斷上升。 第二，因?yàn)閿?shù)學(xué)作為科學(xué)的語言，它要有一些現(xiàn)實(shí)世界的Grounding（對應(yīng)或關(guān)聯(lián)），這個目前還相對比較弱。這就是為什么AI下半場主要是要讓人工智能開始體驗(yàn)物理世界，這樣它才能夠把語言和符號的認(rèn)知跟自然界形成對應(yīng)。就像我們?nèi)祟愐粯樱葘ψ匀唤缬辛死斫?，然后才形成符號、語言，對它進(jìn)行高度凝練，才產(chǎn)生了真正意義的智能。AI有點(diǎn)反過來，但是我覺得現(xiàn)在亡羊補(bǔ)牢為時不晚。

所以我覺得AI現(xiàn)在可以模擬人類的認(rèn)知，在某些情況下是真實(shí)的，但對于數(shù)學(xué)來講，它并不完全真實(shí)。

張一甲：王院長，今年是智源成立第七年，從“悟道”的大模型時代，到“悟界”的世界模型與具身智能時代，你們一直在推動從基礎(chǔ)研究走向產(chǎn)業(yè)實(shí)踐。在你們發(fā)布七周年文章里，有一句話：“從悟道到悟界，我們在不確定中尋找確定。” 想請你講講，在這樣高度不確定的技術(shù)浪潮里，智源是如何尋找那部分“確定性”的？

王仲遠(yuǎn)：其實(shí)這句話還有后半句，“我們在不確定中尋找確定，在已知中探索未知”。

智源最早開始做“悟道”系列的時候，在那個階段很多事情還存在不確定性，現(xiàn)在也變成了確定。從去年開始，我們就已經(jīng)在探索下一代的大模型到底是什么，除了大語言模型之外，包括多模態(tài)模型、世界模型、具身智能模型，還是有很多的不確定，那么這些不確定中的確定是什么？

我們認(rèn)為AI如果要解決真實(shí)物理世界的各種問題，需要多模態(tài)，需要從數(shù)字世界邁向物理世界。這也是為什么我們在2025年智源大會首次提出，人工智能正在加速從數(shù)字世界邁向物理世界，這也是我們發(fā)布“悟界”系列大模型很重要的原因。這代表對未來各種充滿不確定性中的確定性判斷，也就是AI會越來越多進(jìn)入物理世界，解決物理世界的真實(shí)問題。

那么，什么是“在已知中探索未知”？已知的是大語言模型訓(xùn)練方法和路徑，未知的是：多模態(tài)應(yīng)該是DiT架構(gòu)、LLM+CLIP架構(gòu)，還是我們一直在堅(jiān)持的Autoregressive（自回歸）原生多模態(tài)；世界模型應(yīng)該是Video Generation還是Next-State Prediction；具身智能應(yīng)該分模塊，還是端到端，亦或是基于世界模型。這些都是未知，所以我們要在已知中探索未知。

張一甲：我記得之前在和董彬老師的一次對話中，董老師特別提到研究需要一種“審美”，需要一種“自上而下的信念”：在實(shí)驗(yàn)數(shù)據(jù)混亂、bug頻出時，仍然相信“這在原理上應(yīng)該能行”，才能扛過黑暗期找到答案。

我也想聽一下你們的觀點(diǎn)，我們都知道AI是一個非常消耗資源的研究的方向，在你們投入大量資源做一件事情的時候，你們的“審美”是什么？選擇做什么、不做什么，你們的判斷標(biāo)準(zhǔn)是什么？如何做出去偽存真的判斷？

王仲遠(yuǎn)：我們還是會遵循第一性原理，尤其是人類會怎么思考、怎么做。所以在符合第一性原理的情況下，簡潔就是美，因?yàn)樵胶啙嵉募夹g(shù)解決方案、越簡潔的架構(gòu)，越容易被市場所接受，越有生命力。

張一甲：智源研究院所覆蓋的研究領(lǐng)域也很廣，你們做的事情也很多，有哪些方向是你們思考后決定不做的？

王仲遠(yuǎn)：確實(shí)有非常多的方向我們是不做的，比如多模態(tài)我們沒有做DiT架構(gòu)，也沒有做LLM+CLIP架構(gòu)，在AI for Science領(lǐng)域我們只做AI for Life Sciences，沒有做AI for數(shù)學(xué)、物理、化學(xué)等等，我們有自己的選擇。

在我們做的多模態(tài)領(lǐng)域，雖然有很多概念，但其實(shí)我們的技術(shù)解決方案就一個——用自回歸的架構(gòu)把不同的模態(tài)的數(shù)據(jù)給壓縮起來。這是我們認(rèn)為的第一性原理，也是我們認(rèn)為的簡潔。像我們最近發(fā)布的悟界·Emu3.5，它的效果已經(jīng)能夠達(dá)到甚至超過非常多的DiT架構(gòu)的文生圖、文生視頻模型，同時Emu3.5又具備了多模態(tài)理解的能力，所以這就是我們對于技術(shù)路線的判斷和堅(jiān)持。

董彬：我從兩個角度回答你這個問題：第一，選擇做什么；第二，選擇怎么做。

我選擇做什么的標(biāo)準(zhǔn)是：假如做成這件事，會讓很多業(yè)內(nèi)大佬大吃一驚，甚至非常不舒服，那就可能會產(chǎn)生一定顛覆性的影響。當(dāng)然，很多時候這種事情不存在可行路徑，但是只要我看到了有可行路徑，在我腦子里的這些拼圖有可能拼在一起，哪怕中間有一些hallucination（幻覺）的環(huán)節(jié)在，我都會忍不住跳進(jìn)去探索，因?yàn)槲曳浅Ｏ矚g做那種高風(fēng)險(xiǎn)、高回報(bào)的研究。

至于選擇怎么做，我和仲遠(yuǎn)的觀點(diǎn)類似，我會比較喜歡簡潔的方式。我先用最簡單粗暴的方式試一試，看看是不是差的一塌糊涂，我再分析它為什么差，逐漸引入更加復(fù)雜的方法。我非常不喜歡那種沒有意義的炫技，就是所謂的雕花，只是為了能夠讓人覺得你這里面有創(chuàng)新。我更喜歡比較質(zhì)樸的，我在加新的元素進(jìn)我方法的時候，我會非常挑剔，我會不斷的思考這個是不是絕對有必要的。

汪玉：我完全同意大家說的第一性原理。從芯片到系統(tǒng)，其實(shí)都是相對大的工程，在這個大工程中，如果你還要做協(xié)同優(yōu)化，還要粗暴地去干，是非常難的一件事情，在大規(guī)模工程里用不斷試錯來找“核心”的代價(jià)太大了。

我們希望能夠在復(fù)雜的事情里面找到那些最重要的問題，就像寫一個數(shù)學(xué)公式一樣，能把那幾個重點(diǎn)的工程里面最需要找到的“核心”剝出來。

這對人的要求也會變得尤其高，所以，最近我們在反思，在AI已經(jīng)這么強(qiáng)大的情況下，應(yīng)該怎么去讓學(xué)生們或者是同事們具有這樣的能力，這是一個比較有趣的話題。

3.談未來期待：從混沌中涌現(xiàn)價(jià)值

張一甲：其實(shí)剛才你們的回答與我們大會的主題“轟然成勢 萬象歸一”都有所呼應(yīng)。最后，請三位老師分享一下你們對AI未來的期待，我們分為兩個問題：明年的看點(diǎn)會是什么？如果讓你對5年之后的AI形成一個預(yù)判，這個預(yù)判是什么？

王仲遠(yuǎn)：我認(rèn)為在明年多模態(tài)會有更多技術(shù)突破，并迎來產(chǎn)業(yè)爆發(fā)，另外世界模型也會有核心技術(shù)突破。

5年后的話，我個人很相信AGI（通用人工智能）會初步實(shí)現(xiàn)，雖然大家對于AGI總是有各種各樣的定義上的爭論，但我們可以認(rèn)為不管是模型技術(shù)本身，亦或是通過Agent這樣一些體系，會讓我們看到像AGI這樣一個新的時代的到來。

董彬：我不擅長做預(yù)測，我只能說說我的希望。

明年我希望能夠看到，在科學(xué)研究層面，特別是自然科學(xué)，包括數(shù)學(xué)領(lǐng)域，能夠出現(xiàn)越來越多的low-hanging fruit（容易實(shí)現(xiàn)的成果點(diǎn)），讓AI能夠獨(dú)立解決，或者通過人機(jī)協(xié)同的方式解決。今年其實(shí)已經(jīng)可以看到一些端倪，但范圍還非常有限。在教育方面，我覺得明年我們一定要想清楚人工智能時代我們怎么培養(yǎng)我們下一代，這是刻不容緩的事情。

如果拉到5年的時間線，很難預(yù)估會發(fā)生什么。但是就像寫代碼的人是希望制造一個AI，讓自己以后不用寫代碼了。我是希望以后大家用數(shù)學(xué)這一門現(xiàn)在看起來是非常高深的語言，能像做Vibe Coding（氛圍編程）一樣，大家都可以運(yùn)用數(shù)學(xué)這樣一門嚴(yán)謹(jǐn)?shù)恼Z言，大家都可以享受到數(shù)學(xué)樂趣。

對于數(shù)學(xué)家來講，我也希望能把數(shù)學(xué)家的聰明才智釋放到更加有創(chuàng)意的研究中，而不用被困在比較繁瑣的事情上。對于教育來講，相信那個時候我們已經(jīng)有非常確定的答案，已經(jīng)在實(shí)行，培養(yǎng)能更好適應(yīng)人工智能時代的下一代人才。

汪玉：因?yàn)槲沂请娮酉档闹魅?，最近討論“十五五”?guī)劃，我們高度關(guān)注“物理世界的智能”。一個方向是怎樣用物理器件促進(jìn)智能的發(fā)展，特別是具身的方向，因?yàn)橹悄懿恢皇窃跀?shù)字世界，還要到物理世界去；另外一個方向是怎樣用智能促進(jìn)物理的進(jìn)步，這其實(shí)是一個閉環(huán)。我希望未來在這兩個方向上有更大的突破，不知道明年是否在系里，我們可以把AI Co-Scientist（AI協(xié)同科學(xué)家）給到我們做物理研究的老師。

而在未來五年的時間里，具身智能能否進(jìn)入到更廣泛的應(yīng)用場景，在五年之后可以做到百萬臺、可以進(jìn)入家庭服務(wù)，這還是非常大的挑戰(zhàn)，我們也期待這樣事情的發(fā)生。

張一甲：三位老師的回答非常值得期待，因?yàn)樗麄儾粌H在做技術(shù)和產(chǎn)業(yè)實(shí)踐，而且都在培養(yǎng)年輕人。換句話說，他們在以點(diǎn)帶面影響浪潮的某一個支流的方向。

今天這場巔峰對話讓我感受到，真和假不是絕對清晰，不是邏輯上的正確和錯誤，更多是關(guān)于我們的信念和選擇，所以我也希望在混沌當(dāng)中真正的價(jià)值可以涌現(xiàn)出來。

希望今天的討論可以成為AI修真之路上值得回看、咀嚼的小節(jié)點(diǎn)，感謝三位老師的精彩分享！

（封面圖及文中配圖來源：2025甲子引力年終盛典）