人工智能的未来趋势与挑战：专访中国工程院院士李国杰

近期，生成式AI如ChatGPT和DeepSeek的迅速崛起，引发了关于人类是否接近实现通用人工智能（AGI）的讨论。对此，中国工程院院士李国杰提出了深刻的见解。他认为，AGI是指AI能够在多个领域达到与人类相当的智能水平，但这一概念尚未达成广泛共识。许多学者认为，真正的通用智能不仅需要具备语言处理能力，还需要能够持续学习、自我改进，并与外部世界基于常识和经验进行互动。

生成式AI的迅猛发展

尽管生成式AI取得了显著进展，但李国杰指出，简单宣称“接近实现AGI”并不具备实际意义。当前，AI已经在图像分类、视觉推理和英语理解等方面超越了人类，例如DeepMind的AlphaFold3成功预测了超过两亿种蛋白质的三维结构，这一成就颠覆了药物研发模式。然而，AI的通用性是相对的，需要在特定条件下实现。因此，重点应放在将相对通用的人工智能技术应用于各行业，以取得实际成效。

推动AI突破的核心要素

李国杰认为，这轮AI突破是信息技术发展和成熟的必然结果。首先，集成电路和超级计算机的发展使算力提升了万亿倍，为AI提供了强大的计算支持。其次，互联网的普及带来了数据量的爆炸式增长，使得机器学习能够吸收人类已知的全部可数字化知识。此外，过去60年人工智能的研究成果也为今天的突破奠定了基础。统计推理在当前的AI发展中起到了核心作用，尤其是在生成式AI中，基于大数据和神经网络模型的统计推理成为了关键技术。

大模型的本质与挑战

大模型被认为是AI发展的最高成就之一，但将所有突破归功于大模型是片面的。李国杰强调，大模型的成功离不开大数据和大算力的支持。大模型的本质至今没有定论，数学家将其视为高维函数的拟合器，物理学家则认为它是寻找系统最低能量的生成模型。复杂性科学家认为大模型是一个可以出现涌现行为的复杂系统，而信息压缩理论为理解大模型的本质提供了新的视角。尽管大模型目前仍然是一个“黑盒”，但其内部结构已经开始显现出类似人类大脑的特征，这为未来的研究提供了新的线索。

“小而精”模型与通用大模型的差异化价值

DeepSeek的推出标志着中国AI从应用创新向基础创新的跨越。DeepSeek通过专注于特定任务或领域，逐步扩展其通用能力，开创了在受限资源下探索通用人工智能的新路径。与传统大模型不同，DeepSeek的“垂直深潜”策略将AI应用的重点从企业转向消费者，从广泛覆盖转变为深度优化，创造了更大的市场空间。这种策略与通用大模型的“横向扩展”互为补充，共同推动智能时代的创新生态。

“规模法则”的未来前景

关于“规模法则”，李国杰持谨慎态度。虽然“规模法则”在提升模型性能方面确实有效，但它并不是解决所有问题的万能钥匙。AI系统不仅需要强大的计算能力，还需要具备持续学习、适应环境和理解复杂情境的能力。这些能力往往难以通过简单的算力增加来实现。DeepSeek的成功预示着“小力也可出奇迹”，即通过算法和模型架构的优化同样可以取得显著成果。尽管如此，现在断言“规模法则”已经走到尽头还为时过早，未来的发展仍需进一步观察。

构建自主可控的AI基础设施生态

发展AI需要充足的算力和高质量数据，构建自主可控的AI基础设施生态至关重要。中国在算力基建方面投入巨大，但高端芯片和高质量数据集仍受制约。李国杰建议，国家应组织全国的开发力量，开发一套比CUDA更优秀的自主可控的AI软件工具系统。此外，国家应通过政策引导，扩大国产AI芯片和软件的应用空间，推动数据标注向技术密集型转变。未来，AI加速芯片将进入多芯片竞争的XPU时代，类脑计算、光子计算等新范式也将成为重要的研究方向。

应对数据枯竭的挑战

高质量数据的获取越来越困难，AI发展可能面临数据枯竭的风险。李国杰指出，未来的AI应用需要大量稀缺且难以获取的长尾数据。优化数据质量比单纯增加数量更有效，例如在医疗、工业控制和金融等领域，优质数据依赖于人工标注。因此，我国应把握数据标注产业升级的机遇，发展AI辅助标注技术，推动数据标注向技术密集型转变。

可解释性与自主性的平衡

李国杰认为，实现既自主又可控的AI需要新的治理哲学。完全自主可能导致失控，因此可控性至关重要。要解决两者之间的矛盾，必须对自主和可控设立一定的界限，允许适度的黑箱操作，但对不允许做的自主AI技术明确立法限制。自主性和可控性如同汽车的油门与刹车，只有建立动态平衡机制，才能实现“有限自主、可靠可控”的智能系统。