本文來自微信公眾號： IT時報 ，作者：郝俊慧
作者／IT時報郝俊慧
編輯／郝俊慧孫妍
7月17日，2026世界人工智能大會暨人工智能全球治理高級別會議開幕，從主論壇到下午科學前沿論壇，不同會場、不同身份的講者，不約而同在談同一個問題——AI要如何創(chuàng)造AI。
“它們沒有能力發(fā)現(xiàn)知識。”2024年圖靈獎得主、“強化學習之父”理查德·薩頓在主論壇演講中，給當今現(xiàn)有的AI大模型潑了一盆冷水，“現(xiàn)在的AI還不夠強大，我個人認為甚至是比較弱小而且不可靠的?！?/p>
幾個小時后，復旦大學通用物理智能研究院院長蘇昊幾乎表達了同樣的邏輯，“新知識誕生于實驗”。
而在科學前沿論壇上，上海人工智能實驗室主任周伯文，則將這一觀點進一步闡釋為“今天的大模型，不知道自己不知道什么，AI作為科學發(fā)現(xiàn)革命的工具”，其使命應從加速科研自動化，邁向以復雜科研任務(wù)牽引高階智能。
科學家們的判斷，恰恰與本次大會的主題“智能伙伴，共創(chuàng)未來”不謀而合，如果AI是人類的伙伴，那它天然應該是一個具備自主創(chuàng)造力的伙伴。
換而言之，智能不能只把人類已有的知識背得更熟，而是要在與真實世界的閉環(huán)中，自己產(chǎn)出新知識，只是當前的AI還處于這條路的起點。
然而，這個共識最大的隱憂是：如果人工智能必須從搬運人類知識變成自己創(chuàng)造知識，而所有人走向這條路的范式都一樣：采用同一套模型、同一套評測體系、同樣的上下文和問題，那么，人類是否會因此失去多樣之美，變得越來越同質(zhì)化？
關(guān)鍵詞一：經(jīng)驗時代
AI要在與世界互動中長出新知識
“這種進步可能被夸大了。”在40多年的學術(shù)生涯中，薩頓搭建起了強化學習的完整概念與算法體系，在他看來，“本質(zhì)上，現(xiàn)有所有的AI大模型，仍在‘使用人類知識的力量’，完成知識從人到機器的轉(zhuǎn)移，但現(xiàn)在的問題是，高質(zhì)量的人類數(shù)據(jù)語料就快用完了，而且這種范式本身無法生成新知識?！?/p>
他認為當前的AI范式是“數(shù)據(jù)學習”，而人類的學習，本身是一種“經(jīng)驗學習”。我們每個人或許都見過這樣的場景：一個嬰幼兒坐在地板上玩玩具，從一件換到另一件，每一次行為都決定了他能從世界接收到什么樣的數(shù)據(jù)，沒有預設(shè)的數(shù)據(jù)集，數(shù)據(jù)是在行為過程中自然生成的，且恰好契合他的認知水平。
薩頓認為，AI的下個范式也應該是“經(jīng)驗時代”。AI需要新的數(shù)據(jù)來源，不是靜態(tài)的數(shù)據(jù)集，而是AI在自己與世界的互動中產(chǎn)生的第一視角經(jīng)驗。
無獨有偶，在下午的科學前沿論壇上，周伯文也提到了類似的觀點，他認為當前大模型學習范式持續(xù)突破智能存在三個瓶頸：
第一，因果缺失，大模型、智能體都是被動觀察世界，只看不介入，不根植現(xiàn)實，換個環(huán)境就失靈，換句話說，就是沒有學到因果性；第二，越難的問題反饋越少，模型越學不動，越有價值越復雜的任務(wù)，反饋信號被稀釋得越厲害，訓練就越難；第三，人類發(fā)表的科學研究成果只有成功數(shù)據(jù)，沒有失敗數(shù)據(jù)，模型只會模仿成功案例，無法長出新能力。
蘇昊對于同一個問題的表達是“實驗”，“今天AI讀遍了人類幾乎所有的論文，卻幾乎沒有親手做過一次實驗，而新知識恰恰誕生于實驗”。
真正的智能是在嘗試中積累，在反饋中修正，在與真實世界的交互中“長”出來的。
因此，蘇昊認為，物理智能的任務(wù)，是把AI從“科學的讀者”變成“知識的創(chuàng)造者”，當AI擁有了能感知、操作、驗證真實世界的“手”，它便能自主提出假設(shè)，親手開展實驗，晝夜不停地修正結(jié)論。
關(guān)鍵詞二：可信任
打開AI的黑盒子
幾乎所有科學家對AGI都秉持著出奇一致的“克制”態(tài)度。
階躍星辰董事長、千里科技董事長印奇認為這輪AI浪潮已經(jīng)有過兩輪爆發(fā)：第一波是預訓練模型與聊天機器人，催生了ChatGPT時刻；第二波是強化學習的推理模型與輔助編程；第三波應該是智能體走進物理世界，“5年前，AI Coding的智能體只能獨立完成幾秒鐘的工作，而今天它可以用數(shù)小時甚至數(shù)天完成一個編程任務(wù)，這是一個巨大的飛躍?！?/p>
印奇認為，這第三波浪潮對人類社會變革的影響“超過PC互聯(lián)網(wǎng)疊加移動互聯(lián)網(wǎng)的綜合”，未來人與人、人與智能體、智能體與智能體之間，都將被一張全新的網(wǎng)絡(luò)聯(lián)結(jié)，“所有的經(jīng)濟學基礎(chǔ)理論，都要以算法的形式重新定義”。
但即便是樂觀的印奇，也坦言當前只是“站在AGI高峰的山腳下”。原因無他，除了無法生產(chǎn)“經(jīng)驗”之外，另一個核心問題是，當前的AI依然不可信任。
蘇昊有一個基本的判斷：當前AI在演示與產(chǎn)品之間，依然有一道“可靠性鴻溝”，工程上叫“數(shù)9”，每多一個9，難度便指數(shù)級上升，AI從實驗室落地產(chǎn)業(yè)的“最后一公里”，恰恰卡在最后幾個9上。因此他強調(diào)，“通用性是終點，可靠性才是起點，信任只能靠可靠性一點點掙來”。
無法被信任的原因是不透明，而如何打開現(xiàn)有大模型的“黑盒”，科學家們都在探索不同的路徑。
麻省理工學院教授邁克斯·泰格馬克（Max Tegmark）判斷一個AI值不值得信，是它能不能用數(shù)學證明會按人的意愿行事，因此他的研究方向是將可靠性量化。
在其團隊進行的一個AI自動化驗證的實驗中，AI要自己寫代碼并給出數(shù)學證明，證明這段代碼符合人類寫的規(guī)范，實驗數(shù)據(jù)顯示，成功率在一年間從68%提升至96%，而此前多數(shù)模型在微積分等領(lǐng)域的表現(xiàn)接近“隨機猜測”。
泰格馬克打了個比方：大海撈針固然困難，但確認撈到的是針卻輕而易舉，驗證遠比生成簡單，這正是可信AI的技術(shù)根基。所以未來很多AI系統(tǒng)或許不再是人看不懂的神經(jīng)網(wǎng)絡(luò)，而是一段人能完整驗證的代碼，“要讓AI成為可控的工具，一個辦法是把它做得窄一點，因為人腦智能有領(lǐng)悟能力、通用性、自主性三樣，如果AI只占其中兩樣，就有辦法管住它?！?/p>
商湯科技董事長徐立在主論壇演講中同樣認為，必須讓AI在安全邊界的守護之下發(fā)展，在預訓練和后訓練時保證訓練數(shù)據(jù)的安全，同時在使用的過程當中，實現(xiàn)多模型交叉驗證，以及用沙盒確保物理邊界的安全，甚至限定它的使用場景，從而在逐步推動AI落地中保持安全的邊界。
泰格馬克的終極愿景是人類只寫規(guī)范，AI寫代碼并附上證明，就像vibe coding（氛圍編程），但沒有bug，他甚至認為，“即使沒有AGI（通用人工智能），憑借可信的工具型AI，仍能革新制造業(yè)、科學、教育，實現(xiàn)可持續(xù)發(fā)展目標，人類無須承擔失去掌控的風險?！?/p>
關(guān)鍵詞三：同質(zhì)化
AI沒有科學品位
如果說前兩個關(guān)鍵詞是共識，那么，第三個關(guān)鍵詞便是隱憂。
在圓桌論壇中，復旦大學教授邱錫鵬提出一個靈魂拷問：當越來越多的人用同一套模型、循著同樣的路子做研究，討論的又是相似的上下文，方法和成果會不會越來越像？
這個關(guān)于同質(zhì)化的擔憂，出現(xiàn)在下午的另一場圓桌論壇中。一位專家認為，現(xiàn)在的AI的確已經(jīng)可以提出假說，但那是一種組合式、差值式的假說，是在人類已有的概念里做文章。真正顛覆性的假說，需要能夠提出新概念、實現(xiàn)跨范疇的類比，并且精準判斷問題的價值，而“現(xiàn)在的AI不具備這個能力，它沒有科學品位”。
如果讓沒有“品位”的AI主導科學研究，所有人會得到同一類答案，因為AI只會從已有數(shù)據(jù)中找最優(yōu)解，而不會像人一樣提出“離經(jīng)叛道”的假設(shè)。因此，科學的本質(zhì)是回到科學的品位，回到抽象的假設(shè)。
另一層隱憂體現(xiàn)在走出實驗室的AI身上。
昌平國家實驗室副主任金勤獻給出一組數(shù)字，今年5月，全球三大AI公司與21家跨國藥企簽了27項戰(zhàn)略合作，當一個學科的AI能力越來越依賴少數(shù)幾家公司的模型，同質(zhì)化就從方法蔓延到產(chǎn)業(yè)。
論壇上，青年科學家被寄予打破“AI規(guī)訓”的厚望。邱錫鵬對年輕人的建議是“要提好問題，這甚至比有答案更加重要”。
清華大學人工智能學院助理教授劉子鳴則講述了自己做KAN（一種新型神經(jīng)網(wǎng)絡(luò)）的經(jīng)歷：當所有人追求Scaling Law（尺度定律）時，他追求Understanding，當導師甩給他一篇上世紀的論文并放話“這個方向不work”時，他還是堅持研究下去，即便直到今天，KAN網(wǎng)絡(luò)都不算特別主流的研究方向，但如果沒有人走，這條路上便永遠無人涉足。
兩年前，北京智源人工智能研究院研究員曹越做視頻模型時也曾有過同樣的遭遇：市場上幾乎所有團隊都在用擴散模型，而他選了自回歸。當時“非常不被看好”，甚至有朋友當面質(zhì)問他，為什么不直接采用OpenAI的方案。
兩年后，越來越多人開始擁抱自回歸。因此，打破同質(zhì)化的關(guān)鍵，在于“你要站在第一性原理的視角去思考問題，敢于相信自己的判斷”。
最終，所有的問題都回到主論壇薩頓演講開頭時的那句話，“如果每個人都覺得人工智能進步很快，你是否要思考一下，這個結(jié)論是不是被夸大了？”
如果，所有人的判斷都一樣，或許這個判斷本身就值得警惕。