人工智能未来展望：通用智能与技术突破

人工智能将如何演变？2025-02-26 07:22 记者采访了中国科学院计算技术研究所研究员、首席科学家李国杰，探讨了当前AI的发展趋势及其未来前景。李国杰指出，尽管生成式AI如ChatGPT和DeepSeek迅速崛起，但实现真正意义上的通用人工智能（AGI）仍然面临诸多挑战。AGI是指能够在多个领域达到人类水平解决问题的能力，然而，对于这一概念尚无统一标准。学术界更加重视AI系统的持续学习和自我改进能力，而不仅仅是语言处理能力。

生成式AI的快速发展与AGI的距离

近年来，生成式AI取得了显著进展，尤其是图像分类、视觉推理及自然语言处理等领域，机器的表现已经超过了人类。例如，DeepMind的AlphaFold3成功预测了超过两亿种蛋白质的三维结构，极大地推动了药物研发的进程。尽管如此，李国杰认为，距离真正的通用智能还有很长的路要走。AI系统的自适应性和与外部世界的互动能力依然是亟待解决的问题。AI的通用性是相对的，它需要基于特定条件或范围来实现。当前的AI技术应该更多地关注如何根据实际需求应用于各行各业，而不是盲目追求无所不能的AI。

推动AI突破的核心因素

李国杰强调，本轮AI的突破是信息技术长期发展的结果。首先是算力的大幅提升，集成电路和超级计算机的进步使得计算能力提高了万亿倍；其次是互联网带来的海量数据，使机器学习有了丰富的素材；再者，过去六十年的人工智能研究也为今天的成就奠定了基础。统计推理在这波AI浪潮中扮演了核心角色，特别是在生成式AI中，基于大数据和神经网络模型的统计方法起到了关键作用。

大模型的作用与局限性

虽然大模型被认为是AI发展的里程碑，但李国杰并不认为所有的突破都应归功于它们。大模型的成功离不开大数据和大算力的支持。此外，AI本身具有多元化的技术路线和发展目标。大语言模型固然重要，但未来还会涌现出更多高效、节能且安全的技术。大模型的本质至今未有定论，数学家、物理学家和复杂性科学家对此各有见解。信息压缩理论为理解大模型提供了一种新视角，即通过减少数据量来捕捉关键特征。尽管大模型目前仍然是个“黑箱”，但科学家们正努力将其变为“灰盒”，甚至“白盒”，以便更好地理解和控制。

中国AI从应用创新到基础创新的转变

DeepSeek的推出标志着中国AI从应用创新迈向基础创新的重要一步。这款性能优越且成本效益高的模型引起了全球关注，并展示了中国企业在核心技术领域的创新能力。与以往侧重于应用和商业模式不同，DeepSeek聚焦于特定任务或领域的优化，进而逐步扩展其通用能力。这种方法不仅促进了AI技术生态的发展，也为中小企业创造了更多机会。李国杰表示，中国AI企业正逐渐增强原创研发能力，吸引更多年轻人才投身于基础研究，这对提升国家科技自主创新能力至关重要。

规模法则的未来与替代路径

关于“规模法则”，即通过增加模型规模来提升性能的观点，李国杰持谨慎态度。他认为，“规模法则”并非科学定律，而是一种经验性的归纳。虽然在一定程度上有效，但并非适用于所有情况。AI系统除了需要强大的计算能力外，还需具备持续学习、适应环境和理解复杂情境的能力。随着模型规模的不断扩大，边际效应递减的现象逐渐显现。DeepSeek的成功表明，除了依赖大规模模型外，优化算法和模型架构同样可以带来显著成效。未来，AI的发展将更加注重推理时间、合成数据等方面的改进。

构建自主可控的AI基础设施

为了确保AI的可持续发展，中国必须构建自主可控的AI基础设施。尽管我国在芯片硬件性能上与国际先进水平相差不大，但在软件生态系统方面仍有差距。国家应加大对AI软件工具系统的研发投入，鼓励产业链上下游企业的积极参与。同时，政府应出台相关政策，促进国产芯片和软件的应用，扩大“国产大模型+国产GPU”的市场占有率。此外，还需重视芯片设计和大模型的开源战略，争取在全球AI开源系统中发挥主导作用。长远来看，GPU并非唯一选择，针对特定应用的专用芯片也可能成为主流。

应对数据枯竭的挑战

高质量数据的获取难度日益增加，这对AI的发展提出了新的挑战。李国杰指出，未来AI应用将更多依赖于稀缺且难以获取的长尾数据。对于某些垂直领域，如医疗、工业控制和金融等，优质数据往往需要专业人员进行标注。因此，发展AI辅助标注技术和完善行业数据标准显得尤为重要。通过优化数据质量而非单纯增加数量，可以有效提升AI系统的性能。中国应抓住这一机遇，推动数据标注产业向技术密集型转型。

可解释性与自主性的平衡

在追求AI自主性的同时，确保其可控性是至关重要的。李国杰认为，完全自主可能导致失控风险，因此需要建立动态平衡机制。一方面，允许适度的黑箱操作，不必强求绝对的可解释性；另一方面，对于潜在风险较高的AI技术，应当制定严格的法律法规加以限制。通过合理设置自主性和可控性的界限，可以实现既自主又可靠的智能系统。

对AI基础研究的展望

李国杰呼吁，AI的基础研究不应局限于现有框架内的渐进式改进，而应勇于探索全新的方向。当前的发展主要依赖于工程技术的进步，而非基础理论的重大突破。为了促进基础研究的健康发展，需要改变当前以论文和“人才帽子”为导向的科研文化，激发研究人员的热情和好奇心。例如，杰弗里·辛顿提出的“凡人计算”概念，打破了传统计算模式的限制，为AI研究带来了新的思路。这类具有前瞻性的研究虽然短期内效果不明显，但有望在未来带来革命性的变化。