人工智能，無盡的前沿

時光回到 80 年前，1945 年二戰剛剛結束，時任美國總統羅斯福在一個深冬的晚上收到了一份提案，名為《科學：無盡的前沿》。這份提案后來成為法案，一舉奠定了美國在科學領域的領軍地位，催生了眾多技術、產品和產業，直接推動了第三次工業革命——我們熟知的無線通信、半導體、互聯網、光纖通訊等，都是源于這份科學法案。而今天，我們正迎來一個全新的重大機遇——人工智能，它已然拉開了第四次工業革命的序幕。所以我今天的演講題目是《人工智能：無盡的前沿》。

01 技術大趨勢

首先我想談一下技術大趨勢。

人類智能的啟發

宇宙里面最聰明的物種是什么？是人。經過幾十萬年的進化，我們的大腦是如此神秘和神奇。我們的大腦不到 3 斤重，功耗只有 20 瓦，但是我們卻如此之聰明。它里面包含了 860 億個神經元，有百萬億個連接或者說突觸，存儲量至少有1個 Petabyte。我們人類對大腦的理解也是漸進的，現在我們可能對大腦的理解還不超過10%。很有意思的是，我們有兩個最神秘的東西，一個是我們的宇宙，我們對宇宙的了解不到5%，95%以上都是暗物質、暗能量；另一個就是我們人類的大腦，我們對它的了解也很少。但這么多年來，隨著研究的深入，我們越來越多地知道了它的一些結構、功能。

早年間，保羅?麥克萊恩提出了 “三重腦” 理論，將大腦分為不同層次：負責呼吸、睡眠、運動等生理功能的物理層次，處理情感的層次，以及負責推理、決策的高級層次。這個理論雖然不夠精準，但為我們理解大腦提供了直觀的視角。如今我們知道，大腦擁有一百五十多個不同的功能區，860 億個神經元分布其中，分別負責聲音、視覺、語言、運動等不同功能。

人類的記憶功能尤為神奇，包含天生的DNA記憶、短期的海馬體記憶、長期的皮層記憶，還有顯性記憶和隱性記憶。可以說，人類大部分智能都來源于這些不同類型的記憶體。

諾貝爾獎獲得者丹尼爾?卡尼曼將人類的思考模式分為兩種：系統1是快思考，面對事物時能快速產生直覺、迅速做出決定，無需深入思考；系統2是慢思考，需要經過深度分析和推理，是人類高級智能的體現。這兩種系統可以相互轉換，當我們對某件事足夠熟悉后，慢思考會轉化為肌肉記憶和直覺。比如學車初期，我們會刻意關注交通規則、路牌、信號燈和路況，但熟練之后，駕駛就會變成自然、自覺的行為，這就是系統轉換的過程。

人工智能的發展脈絡

什么是人工智能？人工智能，本質上是學習人類智能的過程，多年來我們一直在探尋智能的本質。“人工智能”（Artificial Intelligence）這一概念于 1956 年正式定義，而它的理論奠基可追溯到更早——圖靈率先定義了 “計算” 與 “智能”，并提出了 “圖靈測試”：若機器能通過多輪對話，讓人類無法分辨其是否為人類，就意味著通過了測試。

另外兩位重要奠基人常常被忽略：“信息論之父”香農定義了比特和信息量（熵），“控制論之父”維納定義了負反饋、學習和自適應，這些基礎概念對人工智能的發展起到了至關重要的作用。

這么多年來，人工智能領域出現了很多不同的學派，但整體分一下，主要是兩種不同的思路。一種思路認為，可以把大腦的邏輯、規則，還有推理的過程都用符號表示出來，這就是符號學派。基于這種方式，邏輯體系很漂亮、很簡潔，也有明確的因果關系，具備透明性，我們知道機器是怎么推理的，但它唯一的缺點就是不實用，在實際應用中效果不佳。當然還有另外一個學派，叫連接學派。這個學派認為，大腦如此復雜，智能的實現十分困難，所以要通過大量的數據，通過積累經驗、持續學習、不斷適應，以及與世界的連接來獲取智能，這就是連接主義。最近10-20年主流的深度學習技術，用的就是這樣的方法。

人工智能發展史上有幾個關鍵事件值得關注：

2016年AlphaGo第一次擊敗了李世石九段，是以3:1的比分擊敗的。咱們清華的同學柯潔九段不服氣，2017年和AlphaGo下了三盤棋，最終0:3屈居第二。AlphaGo當然很聰明，它用到了深度學習、強化學習，還有蒙特卡洛搜索，是很了不起的成果，它學習了人類幾十萬盤棋局。但我覺得更了不起的，是大家不太聽說的AlphaGo Zero。它完全不用學習人類的棋局，它是自己和自己下棋，互相博弈，通過不斷地博弈來學習，而且進化速度非常快。AlphaGo Zero和 AlphaGo的前一個版本下了 100 場棋，它完勝，比分是100:0。它不僅可以下圍棋，還可以下國際象棋以及別的棋類。所以后來DeepMind這個團隊說，從此我們不和人類下棋了，因為所有的棋類，人類都下不過人工智能了。這是一個特別重要的概念，就是智能體的概念。

基于類似邏輯（算法不同），DeepMind推出AlphaFold，解決了人類蛋白質解析預測長達50年的難題。原本人類需要10億、眾多科研人員耗費十余年才能完成的工作，AlphaFold僅用一年就全部解決。

2024年，諾貝爾獎物理學獎、化學獎均授予了人工智能領域的奠基人，其中就包括DeepMind創始人德米斯?哈薩比斯——他的團隊既創造了AlphaGo，也打造了AlphaFold。今年1月，我在達沃斯與他有過一場關于新藥研發、生物計算及人工智能未來發展的有趣對話。

另外一個大的里程碑，是2022年，也就是三年前，同樣是一個很冷的冬天，OpenAI的ChatGPT出現了，這帶來了一個全新的范式。過去的深度學習或者神經元網絡，主要還是針對具體任務，本質上是一種很聰明的模式識別，比如說語音識別、人臉識別、圖像識別，或者字符識別等，算是一種高級的識別技術。但ChatGPT出來之后，我們跳躍到了一個新的范式，它不僅可以識別，還可以生成，還可以創造，所以生成式AI就這么出現了。

生成式AI有三個重要的元素，統一表征（Tokenization）、規模定律（Scaling Law）和涌現效應(Emergence)。最重要的，我認為是統一表征。ChatGPT是怎么做的呢？有點像人類的神經元，我們人類有860億個神經元，不管分布在什么地方，每個神經元的結構都是完全一樣的，視覺的、聽覺的、運動的、記憶相關的，都是同樣的結構。生成式AI的統一表征也是類似的道理，不管什么樣的信號進來，都把它變成Token，核心任務就是預測下一個Token，生成下一個Token。它可以生成文字、圖像、視頻，現在大家已經用得很多了。同時它還可以生成新的數據、代碼、數學方程式、工具——它不僅能生成工具，還能使用工具；它還可以生成新的蛋白質、分子、材料、藥物。當大語言模型的參數量突破百億級別，便會觸發規模定律,出現涌現效應。也就是說，模型的性能并非線性增長，而是隨著規模擴大發生躍遷，從而涌現出未經編程的、令人驚喜的新能力。

另外一個重要的里程碑，來自中國的DeepSeek。這個也是出現在一個寒冷的冬天，就是今年的1月份。DeepSeek出現之前，中國有上百個大模型，這些大模型基本上都在學習 OpenAI，學習ChatGPT，整個技術路徑、算法的架構體系，基本上都是在模仿學習。

DeepSeek出現之前，我曾經說過，我們和美國在大模型領域的差距，大概是兩到三年。DeepSeek是一家小小的創業公司，它的工程團隊離清華可能就 5-10 分鐘的路程，團隊里很多都是清華的學生。DeepSeek所做的，是一條新的路徑，在算法、技術、系統架構上都有創新，它用1%的算力就可以達到和美國前沿大模型相似的能力。DeepSeek出來之后，咱們和美國的差距可能就縮短到2-3個月，也就是一個版本的差距，從之前的2-3年縮短到 2-3個月，而且在有些應用方面，我們可能做得更好。另外它采用開源模式，它的開源模型很快就被很多買不起大模型的國家、地區所使用，這使得整個模型的落地和應用變得越來越快。所以我把它叫做“DeepSeek時刻”，一開始有“ChatGPT時刻”，現在這是“DeepSeek時刻”，是屬于中國的時刻。

從生成式 AI 到智能體 AI

2025年，人工智能領域迎來了又一重要轉變——從生成式AI邁向智能體AI。在此之前，我們遵循“規模定律”：數據越多、算力越強，模型效果越好，達到一定階段后會出現量子躍遷和涌現效應。但2025年我們發現，預訓練階段的規模效應正在放緩，數據資源逐漸趨于飽和，繼續增加算力的邊際收益不斷減少。與之相對，后訓練（Post-train）階段的重要性日益凸顯。這就像人類的成長：預訓練如同上學階段，從本科到碩士、博士，通過學習積累知識變得聰明；而后訓練則像是工作后的實踐，在具體場景中不斷學習、進化，這也是智能體AI 的核心來源。

什么是智能體？人類作為高智能物種，能夠設定任務和目標、規劃實現路徑、不斷試錯反饋，憑借強大的記憶完成任務。比如同學們想學人工智能，會想學人工智能我要上哪個老師的課，哪個老師講得最好，我要找什么參考書，我要怎么準備考試，做什么練習題，會把這個目標分解，然后找到最佳的實現路徑，這是我們人類的核心特點。而AI智能體，就是在學習人類這種高級智能，具備三大關鍵能力：

首先它要自主學習（Autonomous），不是自動學習（Automatic），這兩個差別很大。自主學習是沒有固定的規則，在不斷地探索中學習；而自動化往往是有預設規則的，是按照定義好的規則來運行的。所以智能體的第一個關鍵特征是自主的（Autonomous）。

第二點是可進化的，就是通過不斷迭代可以變得更好，而且進化之后，下一次再做類似的事情，可以把原來學到的知識用上。這是我們人類和別的物種很大的區別——人類的智能是可以疊加的。而和我們最近的物種黑猩猩，它們的智能一代和一代之間是沒有本質區別的，所以可進化性十分重要。

第三點就是泛化能力，能夠舉一反三。比如說我學會怎么去訂票，這些功能、技能可以用到別的地方，它可以幫你去報銷，可以幫你去購物，我也希望它以后可以幫你開車，當然開車這個任務就很難了。可泛化性是我們人類的特點，但是我們人類的可泛化能力也是有一些界限的。比如說我們清華的同學可能理科成績很好，但文科可能相對差一點；我有一個特別好的朋友，他特別聰明，工作也做得很棒，但學開車拿駕駛執照花了15年還沒拿到，最后拿到執照之后馬上就撞車了。所以有些地方，人類的泛化能力也會受限，但我們還是希望人工智能能夠具備舉一反三的泛化能力。

這些智能的實現，離不開最基本的東西，其實就是數據，數據的本質就是數字化，我們的技術底座就是數字化。首先是信息世界的數字化，然后是物理世界的數字化、生物世界的數字化。過去40年，我們最重要的工作就是數字化。早期從1985年開始，我們進行內容數字化、文檔數字化，我們的語音、圖像、視頻、文本、PPT等，這些都是在那個時候變成數字化內容的。后來加上HTML等技術，取得了一個重大成果，就是互聯網，先是 PC 互聯網，后來是移動互聯網。然后我們又對企業進行數字化，或者說對企業進行信息化，這里面有ERP系統、CRM系統、數據庫等，還有企業各種各樣的業務流程。這一階段催生了兩個最大的成果，一個是數據庫，另外一個是云計算。那么現在，我們的物理世界正在被數字化，汽車、公路、交通燈、城市在數字化，我們的電網在數字化，我們的家庭在數字化，我們的車間在數字化，我們的工廠在數字化......整個物理世界都在經歷數字化的變革。同時，我們生物世界的蛋白質、大腦、細胞、基因等等也都在被數字化。

MIT媒體實驗室主任曾在數字化1.0開啟時提出，我們正在從 “原子” 走向 “比特”。“比特”是香農所定義的數字世界的基本單位。而如今，我們正從比特回歸原子、走向分子——新一代智能是信息智能、物理智能和生物智能的融合，是比特、原子和分子的融合，也是碳基生命和硅基世界的融合。

清華大學智能產業研究院（AIR）的實踐

五年前，2020年12月，我來到清華大學創立了智能產業研究院（AI Industry Research, 簡稱AIR）。AIR的“I”有三重含義：國際化（International）、人工智能（AI）、產業（Industry）。我們的使命清晰明確：用人工智能創新賦能產業，推動社會進步；目標是打造面向第四次工業革命的國際化、智能化、產業化研究機構。

要實現這一目標，核心是培養未來技術領軍人才。我們采用“學術 + 產業”雙引擎模式，大部分老師既具備深厚的學術造詣，又擁有豐富的產業經驗。目前研究院已有20多位老師、100多位博士后和博士生、400多位實習生，已成為全球人工智能領域最活躍、最具貢獻的機構之一。

我們的研究方向與今天所講的三元智能高度契合，聚焦信息智能、物理智能和生物智能，開展機器人、無人車、邊緣智能、大健康、生物制藥等領域的研究，合作對象也以產業界企業為主。

02 智能體 AI 的多元應用

下面我將結合AIR老師們的研究成果，從信息智能、物理智能、生物智能三個維度，為大家介紹智能體的具體應用。

信息智能體：從數學解題到科學研究

智能體的核心難點之一是實現自主、可進化、可泛化的能力，讓其能在手機、PC、眼鏡、手表、電視等不同設備上運行，可應用于購物、旅游、企業供應鏈管理等多個場景。更重要的是，我們希望智能體能夠完成更高級的任務，比如解數學題、發明方程式、提出新問題。

目前，Gemini、ChatGPT等最新大模型在數學奧林匹克競賽中已能擊敗人類冠軍。而我們的目標不止于此——我們希望讓AI證明尚未被人類證明的數學定理。

AIR李鵬老師團隊與清華大學丘成桐先生的數學研究院合作，研發了數學智能體AIM。它能夠分解任務，完成定理證明。例如在材料科學、分子動力學領域的重要難題“均勻化問題”的證明中，AIM形成了17頁的證明文檔，其中綠色部分完全由機器生成，橙色部分主要由機器證明后經人工校正，藍色部分為人工完成，黑色部分是問題描述。這是人機協作的絕佳范例，據數學老師反饋，證明中最難的部分由AI完成。

雖然目前AIM證明的問題仍有一定難度限制，但我相信未來五年，人工智能能夠獨立證明更難的數學問題——比如千禧年提出的7個最難數學問題（目前已有2個被解決，剩余 5個包括計算機領域的NP完備性問題、哥德巴赫猜想、黎曼猜想等）。我與丘成桐先生就此“打賭”，我認為五年內AI能完成其中至少一個難題的證明。無論具體時間如何，核心意義在于AI已具備證明難題、提出新問題、生成新方程式的潛力。

物理智能體：從機器人到無人駕駛

ChatGPT本質上是語言模型，而物理世界的智能體需要具備視覺（Vision）、語言（Language）、行動（Action）能力，構建 “世界模型”。AIR的曹婷老師團隊研發的系統，就實現了物理世界機器人智能體的核心功能——通過感知、推理、進化、行動和獎勵機制，生成決策和動作，指揮機器人完成任務。

詹仙園老師團隊研發的X-VLA系統，嘗試解決智能體的泛化問題。傳統機器人學會一項技能后，難以遷移到其他機器人或不同場景。而X-VLA 系統僅需9億個參數，就能部署到不同機械臂和機器人上，實現技能的跨設備、跨場景遷移。比如機械臂學會疊衣服后，更換不同機械臂、調整桌子高度，仍能完成疊衣服任務，還能將相關技能遷移到做家務等其他場景，完全通過自主學習適應環境。

無人駕駛是物理智能體的另一重要應用，也是我多年來持續關注的課題。此前在百度擔任總裁期間，我們啟動了“阿波羅”項目，其落地應用“蘿卜快跑”就是一款專門用于駕駛的機器人。無人駕駛的難度極高，需要車輛精準感知復雜交通環境、規劃路徑、做出實時安全的決策，集成了人工智能的各個核心技術，因此被稱為“人工智能集大成者”。

我對阿波羅團隊提出了三個核心要求：安全、安全、再安全。這里的“安全”定義為：機器駕駛的事故率比人類駕駛低10倍以上，才能實現商業化上路。經過近10年的研發，無人駕駛L4級（完全無人、無安全員）的核心技術挑戰已基本克服，長尾問題不斷優化。

目前，“蘿卜快跑”已累計行駛2億公里，在國內外十幾個城市落地運營，安全程度超過人類駕駛10倍，未發生過一次惡性事故。僅在武漢，3000平方公里的區域內、1700萬人口的城市中，1500輛蘿卜快跑車輛可實現7×24小時服務，我們已在中國打造了全球最大的無人駕駛平臺和運營體系。

全球范圍內，谷歌的Waymo、特斯拉，以及國內的Pony（小馬智行）、WeRide（文遠知行）、地平線等企業在無人駕駛領域也取得了顯著進展，整個產業正從技術研發走向商業化落地。我預計到2030年，10%的新車將具備L4級無人駕駛功能，迎來無人駕駛的“DeepSeek時刻”。

生物智能體：從新藥研發到智能醫療

人工智能在生物智能領域的應用，首先體現在新藥研發的加速上。德米斯?哈薩比斯在達沃斯對話中提到，未來十年左右人類所有疾病都可能被治愈，這一觀點也許過于樂觀，但人工智能確實能大幅縮短新藥研發周期。

AIR的蘭艷艷老師團隊研發了新藥篩選新技術，通過AlphaFold解碼2萬多個蛋白質結構，找到“口袋靶點”，再與幾十億、上百億個蛋白質進行對接。目前僅有不到10%的蛋白質可用于制藥，大量蛋白質分子結構的應用價值尚未被發掘，而該技術通過人工智能算法實現了快速對接，相關成果即將在《科學》雜志發表。

聶再清老師團隊打造的新藥研發智能體，能夠根據研發需求分解任務，自動查找資料、分析蛋白質結構和功能，生成初步研發圖譜，極大提升了新藥研發的效率，為科研人員提供了重要支持。

人工智能在醫療領域的另一突破，是AIR劉洋老師團隊打造的全球首個無人智能體醫院——清華大學人工智能醫院（今年4月成立）。這是一個虛擬醫院，醫生、病人、護士等角色均由智能體擔任，涵蓋不同科室，形成完整診療閉環。智能體之間通過協作、博弈不斷進化，無需人工標注數據，僅需兩天時間就能完成相當于兩年的病例診斷學習，診斷準確率超過傳統醫院。

需要強調的是，AI智能體醫生并非要替代人類醫生，而是作為醫生的助手，提升診斷效率和準確性。目前，該系統已在清華校醫院、長庚醫院等十幾家醫療機構開展測試，由真實醫生和病人參與驗證。

03 未來技術發展和產業格局

人工智能時代的 “操作系統”

下面我想講一下未來技術的發展趨勢，特別是產業格局的變化。我在微軟公司工作近16年，期間主持開發了全球最大的嵌入式操作系統WindowsCE，所以我對操作系統有一個特殊的情結。操作系統，它是定義一個時代最重要的技術平臺，有了操作系統之后，下面的芯片，上面的應用程序，整個技術生態其實都是圍繞著操作系統來部署的。在 PC 時代，我們知道操作系統是Windows（視窗操作系統），芯片是X86架構，上面圍繞著這個平臺開發了各種各樣的應用程序。到了移動互聯網時代，我們用的手機操作系統是iOS和安卓，在國內我們也用華為的鴻蒙系統。下面的芯片也變了，變成了ARM架構，上面的應用也變了，有各種不同的移動應用，像微信、短視頻等各種應用。到了人工智能時代，大模型就是人工智能時代的操作系統。圍繞著這個操作系統，下面的芯片架構變成了以GPU為主流，NVIDIA（英偉達）為什么全球市值這么高？因為它主要就是做GPU的。上面的芯片架構變了，下面的應用生態也變了，這次人工智能時代的技術規模，比移動互聯網時代、比 PC 時代要大很多倍，可能會達到一個數量級、兩個數量級，甚至更大的規模。

2023年3月，我繪制了人工智能時代的架構圖：以前沿基座大模型為操作系統，上層涵蓋行業垂直系統、SaaS 應用軟件，端側（手機、PC）則通過大模型蒸餾或壓縮后的小模型運行 APP。到 2025年10月，我對這一架構進行了更新，核心變化是將SaaS和APP替換為智能體——我認為智能體是未來的SaaS，也是未來的APP。雖然短期內手機APP仍是主流，但智能體功能將逐步融入其中。

通用人工智能（AGI）的實現路徑

智能體是實現通用人工智能（AGI）的必然路徑。目前AGI的定義尚未統一，我對其的理解是：可進化、可泛化、具備長期記憶，在99%的任務上超過99%的人類。

要實現AGI，還需要解決一系列關鍵問題，比如構建符合物理定律的世界模型、理解因果關系、優化記憶系統等。當前AI的記憶較為粗糙浮淺，而人類記憶是智能的核心復雜部分。

如果按照這樣的定義，我認為我們在 15-20 年內會達到AGI的水平，并且能夠通過 “新圖靈測試”。圖靈測試，一開始只是文本對話層面的測試，現在它已經延伸到各個領域了。首先在信息領域，在內容生成方面，我覺得5年之內就可以達到AGI的水平，大家看最新的Sora視頻生成模型，它生成的視頻已經和人類制作的差不多了，甚至在某些方面比人類做得還好。在10年之內，在物理智能方面可以實現AGI，無人車從技術方面已經基本過關了，人形機器人還需要更長的時間。我們現在看到各種人形機器人的表演都很好，也有很多相關的研究，包括人形機器人的靈巧手、人臉肌肉控制等技術，但要做到真正和人類相似，至少還需要10年的時間。不過我很看好這個產業，我認為2030年，也就是十年以后，機器人的數量會超過人類的數量，這會是一個巨大的產業。但是現在，人形機器人還處于科研階段，還沒有到完全量產的地步。那么更重要的是生物智能領域，比如腦機接口、生物體與AI的融合、生命體的數字化等，這個領域要實現AGI，還需要差不多20年的時間。

另外一個角度看我們的產業發展，是從互聯網的發展脈絡來看。1995年開啟了PC互聯網時代，2005 年開啟了移動互聯網時代，2015年開啟了物聯網時代，也就是萬物互聯的時代。現在我認為，我們進入了一個新的時代，就是智能體互聯網時代，也就是Internet of Agents。這里面有一個特別有意思的概念，叫做Agent Swarm（智能體群）。

紅杉資本在 2025年的演講中提出了“Agent Swarm”（智能體群）這個概念：未來人類交往將通過智能體實現，智能體之間將形成群體智能，通過協作、博弈、糾錯不斷進化，如同蜂群、動物群體一般，最終進化為類似人類大腦神經元網絡的結構，催生 “智能體經濟”。

這種智能體經濟將徹底改變經濟形態、人類組織架構和企業運作模式：企業的核心資產將變為芯片、數據中心、數據和AI模型；團隊組建不再局限于招聘人類員工，智能體將成為重要組成部分；就業形態、分配模式等深層次社會問題也將隨之重構。

人工智能的風險與治理

還有一件最重要的事，就是人工智能智能體在帶來巨大機遇和強大能力的同時，也伴隨著不可忽視的風險。

這個風險有幾個層面：首先是信息智能領域的風險，我們已經看到了，它可以生成虛假信息，它可以進行深度偽造，有的時候它還會產生幻覺，還可以用來欺騙他人，另外還有版權歸屬的問題。我們現在使用的互聯網信息，從上個月開始，已經有 50% 以上的信息是人工智能所產生的。這個時候我們怎么防范這些風險？比如現在有很多不實的信息，這些不實信息又被用來訓練新的大模型，然后生成更多的不實信息，形成惡性循環。我們怎么解決這些問題？需要從技術、政策、法規方面共同努力來解決這些問題，不過這個領域的風險我認為還是可控的。

到了物理世界，我們把大模型、智能體和無人車、機器人、無人機，包括軍事系統連接起來，智能體之間的協作和博弈，如果出現失控，如果被惡意濫用，那么造成的風險就會更大。到了生物智能領域，假如我們的大腦和AI連接在一起了，碳基生命和硅基世界通過芯片或者外掛的傳感器連接在一起了，到了那個時候，盡管它可以給我們帶來巨大的好處，我們可以想象到，如果一旦出現失控、被濫用，風險就會特別大。所以這個領域需要我們人類最聰明的人去研究這些問題、解決這些問題、面對這些挑戰。這里面有做科學研究的、技術開發的、產品設計的，同時也需要政府的政策法規專家一起，共同打造一個有效的治理框架，而且這個治理框架需要是全球范圍的。但我自己是有信心的，人類進化了這么多年，我們有一個特殊的能力，就是可以發明高級的工具，同時我們也可以管理好高級的工具。

當前，人工智能正從鑒別式AI走向生成式AI，并逐步邁向智能體AI。新一輪人工智能是信息智能、物理智能和生物智能的融合，是原子、比特和分子的融合，是碳基生命和硅基世界的融合。在這一進程中，我們擁有天文級海量數據、指數級運算能力，更重要的是人與機器將協同進化，催生巨大的產業機遇——達沃斯AI理事會預測，到 2030 年，人工智能帶來的新機遇將創造20萬億美元的經濟價值，超過當前許多國家的GDP總量。同時，我們也面臨著隱私保護、安全保障、就業轉型、社會公平、風險治理等一系列社會挑戰，人工智能將重構全球社會、經濟版圖。

80 年前，《科學：無盡的前沿》法案推動了第三次工業革命，而在前三次工業革命中，中國始終是旁觀者或跟隨者。而人工智能帶來了新的無盡的前沿，正在開啟第四次工業革命，這一次，我堅信憑借強大的國力、眾多的人才和有利的政策，中國必將成為領軍者！

張亞勤|文

張亞勤是中國工程院外籍院士、清華大學智能產業研究院（AIR）創始院長

聯系方式

投稿、廣告、內容和商務合作

newmedia@hbrchina.org