转自：中国科学报

“当前AI（人工智能）正处于快速演化的关键阶段。”近日，北京中关村学院院长刘铁岩在2025基础科学与人工智能论坛上表示，大模型、具身智能与科学智能三者深度融合，构成推动AI加速进化的“知识飞轮”。

当“知识飞轮”真正高效转动时，AI在某些维度上的学习与再生能力将可能超过人类。然而，刘铁岩直言，AI发展仍面临算力瓶颈、数据枯竭、评测滞后等一系列结构性挑战。

本次论坛是“2025国际基础科学大会”特别活动之一，北京中关村学院院长刘铁岩、清华大学电子工程系主任汪玉、美国纽约州立大学石溪分校顾险峰、曦智科技创始人兼CEO沈亦晨等多位专家围绕AI的根本范式、算力瓶颈议题展开讨论，500余名观众到场交流。

?

2025基础科学与人工智能论坛（赵宇彤摄）

“硬伤”犹在

“大模型能对现有知识进行充分理解、总结和逻辑推理，科学智能基于科学规律提出新假说、发现新知识，具身智能则为AI提供了与物理世界交互的路径，帮助验证与生成新的知识体系。”刘铁岩总结道。

当前，随着AI迈入复杂推理和多模态理解的新阶段，传统过度依赖堆叠算法、数据的“大力出奇迹”路径已难以再进一步拓展AI发展的边界。

?

刘铁岩作《人工智能前沿发展趋势与核心挑战》报告（赵宇彤摄）

刘铁岩指出，首当其冲的是数据瓶颈。“互联网上的自然文本数据已接近枯竭，被反复训练后边际效益显著降低。”他表示，作为大模型必不可少的“养料”，数据短缺制约其发展，尽管业界尝试拓展多模态输入、合成数据生成、交互数据采集等方式，但仍面临质量、成本和验证机制等挑战。

“当前AI系统普遍面临模型智能水平的持续提升，其推理能效却不断下降的矛盾。”清华大学电子工程系主任汪玉强调，Token（词元）是人工智能时代核心的生产要素，未来要更关注单位能耗下可生成的有效Token数量（Tokens/J），“只有当生产与应用的成本必须足够低廉、智能水平足够可靠、系统规模足够可扩展时，才能迎来真正意义上的产业革命。”

然而，如何衡量、判断不同大模型的推理能效？刘铁岩坦言，现有的模型评测体系过于惊天，容易被“对症”优化、“刷榜”提分，急需引入任务导向、动态更新与专家混合评估机制，推动评测体系回归本质。

新挑战涌现

“缺乏因果建模的能力是当前AI在自然科学、数理建模等任务上受到限制的原因。”针对AI发展的瓶颈与限制，顾险峰指出，目前AI仍以相关性建模为主，而真正的科学建模不能仅靠大量数据推导模式，而需要简约假设、逻辑自洽的因果体系。

刘铁岩则认为，部分大模型已经能“听懂”人类语言。在逻辑推理、数学解题、文本论证等任务时，具备对“因为”、“所以”等因果性文本结构的识别和理解能力，但在语义层面，是否真正理解文本背后的因果逻辑尚不明确。

近年来，多模态大模型的发展成了新热点。当认知对象从文本拓展到图像、视频，是否需要彻底摒弃token预测，转向“世界模型”等新范式？

“语言本身是人类认知的表达系统。”对此，汪玉持乐观态度，如果人类能够通过语言准确描述某一对象或规律，AI就能借助模型实现理解和总结，如果人类无法找到合适的语言描述方式，AI也无能为力。

此外，AI是否具备“原创”能力也是本次讨论热点。

“在科学研究中，重大理论的提出绝非数据堆积所能催生。最关键的一步转化，AI永远抓不住。”顾险峰直言，科学进步来自对未知现象的预判与假设，而非对已知结构的不断模仿。

沈亦晨则表示，尽管AI可以在大多数工程化问题中大显身手，但在解决10%原创性突破问题方面仍力有未逮。

“即便AI无法做到‘无中生有’，但它在已知边界上的全覆盖与组合重构，仍将对科学研究产生深远影响。”刘铁岩从产业视角指出，未来AI将在“从类比中发现新结构”方面具有巨大潜力，尤其是在AI for Science（人工智能驱动科学研究）的具体子任务中表现出色。

?

圆桌论坛（赵宇彤摄）

“下一场革命”

“AI要想走向大规模应用，必须突破能效瓶颈。”汪玉强调，这对构建下一代AI系统基础提出更高要求，不仅要处理数字信息，更需实时感知物理环境，与传感器和执行器深度融合。

对此，汪玉系统介绍了提升AI系统性能的两条路径：一是保持能效水平的同时提升智能水平，二是通过软硬件协同优化，提高单位能耗下的推理能力。“只有算法与芯片协同优化，才能实现真正意义上的系统能效提升。”汪玉强调。

然而，当前大模型对算力依赖正呈指数级增长的趋势。清华大学人工智能研究院常务副院长孙茂松举例称，最新一代大模型训练耗资约达100亿美元，需要20万张GPU卡支持，预计2035年将可能突破至1亿张卡。

“百万卡级别的计算已成为现实挑战。”沈亦晨回应道，尽管当前业界在传统电子芯片架构内尝试了多种优化策略，例如近存计算（CNM）、存内计算（CIM）、流式计算与ASIC专用芯片等不同方案，但这些仍局限于晶体管架构内部优化，算力上限仍受制于单位面积可集成晶体管数的物理天花板。

沈亦晨提出，光计算芯片或将成为新选择。要想充分发挥光计算的高能效优势，需要在算法层面推动向低精度模型优化。“同时，通过光作为连接介质，可以极大提升芯片间通信带宽与效率，解决分布式模型训练中‘多芯片如一芯片’的问题。”

汪玉补充道，无论是光计算还是电计算，关键是让让底层硬件异构对开发者透明，即“看起来就是一台机器”，进而保障工程系统的稳定性和迁移效率。

“真正的人工智能下半场，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设想，由100万个机器人在物理世界中实时感知、同步数据和模型权重，实现全域智能协同，“这将超越大模型集中训练范式，形成全新的进化路径。”

“大模型的有效性是经验主义的，但它的问题也是根本性的。”面向未来，孙茂松提出新的期待，“真正的突破，有赖于我们在理论与系统两端都迈出新的一步。”