点击蓝字
关注我们
薛澜
国务院参事、清华大学苏世民书院院长、 人工智能国际治理研究院院长 、中国科技政策研究中心主任
近日，2025亚布力论坛第二十五届年会圆满举行。在 【人工智能论坛】 上，联想创投合伙人宋春雨 ；清华大学苏世民书院院长、 人工智能国际治理研究院院长薛澜 ；无问芯穹联合创始人、董事长，清华大学电子工程系教授汪玉 ；科大讯飞总裁吴晓如 ；脑虎科技创始人&CEO 彭雷 ；绿洲资本创始合伙人张津剑一同探讨了人工智能技术的产业应用与社会影响。中国科学技术大学科技商学院执行院长叶强为本场论坛主持人。
以下为内容精编：
叶强：首先请各位嘉宾做一下自我介绍、企业介绍以及对人工智能的理解。
宋春雨： 联想创投是联想集团的全球科技产业基金，我们专注于投资未来新兴的硬核科技技术。我们耕耘和投资人工智能领域始于2011年，当时我们投资了旷视科技。后来我们用大约十年时间，在全球范围内投资了超过50家人工智能初创期企业，包括旷视科技、寒武纪科技，以及最近备受瞩目的大模型“六小龙”之一的阶跃星辰。
我们的投资覆盖了AI和基础大模型、AI的算力、AI的基础设施等多个方面。我们非常荣幸地投资了无问芯穹，这是AI基础设施领域的领军企业，此外，我们还投资了AI与各个行业的深度融合项目，如深圳智能交通、中奥科技、深圳水滴等。“AI+”行业是我们的重要投资方向。
宋春雨联想创投合伙人
薛澜： 我一直研究科技政策，包括怎么促进科技创新、如何让科技更好地为人类服务，同时也关注如何防范科技可能给社会带来的各种风险。我在清华大学公共管理学院工作多年，2018年起开始担任清华大学苏世民书院的院长。清华大学苏世民书院是2013年由清华大学与美国黑石集团的创始人斯蒂芬·施瓦茨曼（苏世民）共同设立的一个“全球领导力”硕士学位项目。
苏世民书院的学生高度关注人工智能领域，我们开设了几门与人工智能相关的课程。另外，很多人选择人工智能作为毕业项目的研究方向，所以我现在指导着三个与人工智能相关的团队。
薛澜清华大学苏世民书院院长、人工智能国际治理研究院院长
汪玉： 我叫汪玉，是清华大学电子工程系的教授及现任系主任，同时也是无问芯穹的发起人。自2011年起，当人工智能领域开始兴起卷积神经网络和深度神经网络的研究时，我便投身于面向人工智能的芯片架构设计研究。2018年以后，我还开拓了面向未来机器人的协同智能与具身智能的研究领域。
在清华大学电子工程系，我们的工作聚焦于物理世界与数字世界的融合前沿。数字化进程依赖于传感器、数据传输、计算以及反馈控制这一闭环上的所有技术，而这些技术正是由我们电子系提供的。当前，人工智能建立在计算基础之上，无论是基于光电芯片的计算平台，还是面向数据基础的理论、算法及应用研究，我们电子工程系都扮演着重要角色，不仅深耕底层技术，也涉足部分人工智能应用。
我所发起的无问芯穹，正是致力于构建人工智能的底层基础设施。面对中国芯片如何充分发挥效能这一国家层面的重要问题，我们作为芯片研究者，致力于优化芯片性能，提供一个卓越的软硬件平台。我们的目标是，确保人工智能在未来的发展中能获得充足且高效的算力支持。
汪玉无问芯穹联合创始人、董事长，清华大学电子工程系教授
吴晓如： 早在1999年，我的研究生论文便聚焦于语音技术。随后，在讯飞公司，我持续致力于从语音识别到翻译，再到自然语言理解的研究与发展，并且目前也积极参与大模型的建设。
像讯飞这样的企业，必然会将大模型作为发展的关键方向，因此，讯飞也推出了星火大模型。我们尤为关注大模型在教育、医疗等行业中的应用潜力。
去年，讯飞在央企合作方面取得了显著成果，与众多龙头企业携手，深入探索如何将大模型与各自行业紧密结合。我们非常期待未来能有更多的合作机会，共同探讨如何将大模型更好地融入各行各业。
吴晓如科大讯飞总裁
彭雷： 脑虎科技是做侵入式脑机接口的公司，目前，也是国内对标脑机接口（埃隆·马斯克创立，研究脑机接口技术的公司）比较领先的一家公司。人工智能和脑科学其实是一个硬币的两面，AI的发展起源于受神经科学基础研究启发的神经网络，随后这一领域扩展到对视觉的处理以及对类脑芯片的研究，这些进展实质上都是对神经科学深入探索的体现。
近年来，大家普遍感觉AI的发展速度迅猛，仿佛每年都能迈上一个新台阶，相比之下，神经科学的发展似乎显得步伐放缓。但我认为，这两者本质上是碳基生命与硅基技术相互融合、共同进步的过程。
彭雷脑虎科技创始人&CEO
张津剑： 我是张津剑，来自绿洲资本，绿洲是一个非常年轻的美元机构，也是过去这些年在中国AI和具身智能领域投资非常激进的一个机构，我们用两三年的时间投资了二三十家以MiniMax为代表的公司，其中非常荣幸参与了汪老师发起的无问芯穹早期投资，这家公司现在的发展势头大家也有目共睹。
我们为什么这么激进？过去的三年里也有很多海外投资人问我们。其实有两大感触： 第一，我们真的非常兴奋。AI是一个比工业革命更大的机会，上一次是1763年，有300年的历史了，这样的机会人类可能300年才遇到一次。在我们有生之年，在30年的光阴里面就能遇到一次，这种历史机遇不容错过，我们希望能参与其中。第二，越是深入参与这个领域，我们越觉得担心。我们觉得整个社会组织、企业、个人都没有准备好，但这场技术革命又如此凶猛。
张津剑绿洲资本创始合伙人
叶强：人工智能和大模型技术的发展和普及，将会使哪些新兴行业率先崭露头角？
宋春雨： 人工智能这一波浪潮所带来的巨大变革体现在两方面：
一是计算机硬件与代码的进化。计算机硬件（以硅为基础）正在不断进化，以满足AI算法对高性能计算能力的需求。同时代码也越来越依赖大模型生成，这些大模型正在塑造并推动代码的发展。它会吞噬所有的数据，包括我们用合成方法新造的数据。
二是智能体与机器人的出现。首先是数字世界的变革。智能体的出现是最重要的标志，以前，数字世界运行的主要是软件，但现在这些软件会加速地进化成智能体。智能体出现后，将带来行业内的深刻变化。我们以前的工作主要是人和代码互动，但未来会出现人和智能体之间的协同，以及智能体和智能体之间的协同，智能体的组织和管理也会有人类的参与，从而构建一个全新的、以智能体为核心、人机互动的数字世界。这种方式会大幅提高我们的生产力； 其次是物理世界的变革。最重要的角色是机器人，无论是通用机器人还是人形机器人，它们都是前所未有的大变量。如果说前三次工业革命主要是替代了人的体力劳动，那么这一次的人工智能工业革命，它要替代的是人最独特的技能——智力。自动驾驶就是一个典型例子，它代替了人类司机，让汽车完全由机器来驾驶。接下来，预计在工厂和服务行业中，通用型的机器人会逐渐接管人类在很多场景下的智能工作，这个趋势会加快发展。
此外，原先我们依赖的科学研究范式也在发生变化。AI for Science这一新范式正在取代传统的科学研究方法。从去年的诺奖物理学奖和化学奖均由人工智能专家获得便可见一斑，大模型为科学研究和科学发现提供了一种全新的研究范式。这将极大地加速自然科学的发展进程，包括当前在医学、生物学以及健康等领域中面临的许多极为复杂且顶尖的难题，都可以通过人工智能的方法来加速解决，辅助科学家在前沿领域取得新发现。
薛澜： 如果从技术创新的角度来审视人工智能的应用，我们可以从两个角度进行探讨。首先，我们要明确这项技术自身的优势。人工智能在早期特别擅长模式识别，无论是语音识别还是图像识别，都取得了显著成果。在讯飞等企业中，以及在医疗影像分析领域，这都是较为突出的应用实例； 其次，我们要考虑社会需求。目前，中国社会在哪些产品或服务上还存在不足，且大家对此抱有高期望却难以得到满意解决？医疗无疑是其中之一。看病贵、看病难的问题已经存在了很多年，至今仍未得到妥善解决。我认为，这些问题之所以难以攻克，是因为医疗领域是需要大量综合知识进行分析判断，而在这个方向上，人工智能具有巨大潜力。
汪玉： 虽然我对具体应用领域的了解不够深入，但作为芯片设计者，我对底层技术有着深刻的认识。
当年，我们决定投入人工智能芯片的研发，是因为我们意识到，为每一个特定应用定制一颗芯片虽然能达到最高效率，但通用性极差。我们追求的是在保持高效率的同时，提升芯片的通用性。而实现这一目标的关键在于算法本身的通用性。从卷积神经网络（CNN）到深度神经网络（DNN），再到如今的大模型，我们可以看到算法的通用性正不断增强。这意味着，我们不再依赖于底层的硬件来统一不同的应用场景，而是通过一个高度通用的算法框架来整合它们。在这个框架下，其他各种应用得以构建和发展。因此，我认为通用性至关重要，它能够赋能千行百业。
此外，我认为大模型的另一个重要意义在于它打通了机器人、物理空间、数字空间以及人类之间的界限。以往，人与机器之间的沟通需要借助编程代码，而现在，我们只需简单地提出一个问题，机器就能给出回应。未来，随着人与数字空间的连接日益紧密，以及机器人作为物理世界与数字世界之间的桥梁，这三者之间的界限将更加模糊。这种打通将催生出一波全新的应用场景。
吴晓如： 在服务业，尤其是医疗行业，人工智能的潜力巨大。虽然具体时间难以预测，但可以预见的是，未来每个人或许都将拥有自己的超级个人医疗助理，相当于拥有一个私人医疗团队。这不仅将改变医疗行业本身，还将对人类寿命的延长产生积极影响。
智能化和个性化将成为推动众多行业发展的关键因素。我们有理由相信，随着技术与需求的不断靠近和融合，将会有越来越多的新兴行业涌现出来。
彭雷： 当前，AI的发展无疑标志着一个范式转变的机遇，就像十年前Web2.0和移动互联网的兴起一样，它们同样带来了范式变化，并催生了众多创新的商业模式。
在过去几年中，我们可以观察到AI最早的应用趋势。这些应用更像是将AI嵌入（AI in）到现有的商业模式中，找到能够迅速开源、节流、提效的关键点。这一趋势在过去两年里已经催生了一系列公司，它们专注于SaaS、RPA（机器人流程自动化）或是在广告投放等过程中的特定环节提高效率。
接下来，我认为将出现AI原生（AI Native）的应用变革。AI原生应用可能会彻底改变人与技术的互动方式，比如不再需要界面或按钮，提示（Prompt）也不一定非得是文字形式，甚至AI可能在我们未提问时就预测并满足我们的需求。这种推荐和交互方式的改变，将重塑AI应用与人的关系，但目前，真正的AI原生应用还未出现。
此外，AI与硬件的结合也是一个重要趋势。过去，AI主要作为纯粹的数字模型存在，侧重于知识和文字的处理。但从去年开始，多模态应用、自动驾驶的端到端解码、具身智能在二维环境中的仿真，以及实体经济中的强化学习等应用，都显示了AI与硬件结合的潜力。AI与硬件多模态的结合无疑是一个重要机遇，它将开辟一个更为广阔的市场。
张津剑： 当我们今天谈论人工智能时，必须意识到这和两年前讨论的AI已是截然不同的存在了。不要把AI视为工具，而要把AI当成是一个人或者看作一个“学生”——这个学生的成长轨迹始于2018年以Transformer架构为基础的“通识教育”阶段，让它把人类历史上所有的东西全部看一遍，当它建立起知识库后，你可以问它任何问题。从2018年—2024年，整个AI完成了它的9年义务制教育。
完成了义务制教育之后，大家意识到两大问题： 首先，通识教育广度不够，于是我们喂给它更多数据，给它更大的训练集群，把9年义务制教育延长到12年；更重要的是，AI需要深造，成为专家，所以得给它上专业课程，于是有了强化学习。2024年OpenAI引入强化学习的革命性意义，正是它标志着AI教育从“通识”阶段推进到“专业”培养阶段。就像学生完成基础教育之后要选择专业方向，很多通识教育的东西可以丢掉，但是专业领域需要精准。DeepSeek之所以引发了震动，正是因为它破解了专业教育的密码，同时还把技术给开源了。于是一夜之间全球开发者都掌握了创办“AI专业技术学院”的方法。
可以预见，全球会加速训练大量的、专业的、低能耗且低成本的专业AI。所以从应用的角度上来讲，我们说一横一纵：横向来看，具备“通识”能力的职业，比如像全科医生的基础诊疗、基础的法律服务、常规金融咨询，这些所谓的比较通用的、浅层的，有一定专业知识的应用，可能在明年年初就会迎来AI规模化的替代。纵向而言，在生物领域、制药领域、材料领域等需要大量专业人士合作的复杂系统领域，可能将迎来AI驱动的突破，超越人类的极限，帮助人类完成一次突破。
所以我们即将迎来的一个变革，是大量的AI作为专业人士引入人类社会，而这些AI专业人士可能会突破人类的极值点，也可能帮助中间层去做极大的改变，重构科研与产业的协作模式。我想这就是未来两年之内就会引发的变革，无论在科学前沿领域，还是在基础服务领域都会有很大的变化。
叶强：从技术角度、产业角度获投资角度来看，人工智能需要注意和最有潜力的点在哪？
叶强中国科学技术大学科技商学院执行院长
吴晓如： 如果将人的智能拆分，会发现其中包含多种智能。在工作中，我们常依赖的某种单项智能能力，未来很可能被机器实现。例如自动驾驶和简单的会计类工作等。
因此，在使用大模型时，我们应该思考它擅长的事情，更多地考虑如何与机器协同工作，尽量避免与机器在这些领域竞争。
彭雷： 我认为，最赚钱与最有价值的事并不总是同一回事。在任何小的商业模式中，通过引入AI，往往能够迅速找到盈利点并实现收益增长。然而，这是否意味着它就是最有价值的事情，则值得商榷。
在我看来，技术引进后的商业驱动与理想驱动存在着本质的区别。我一直坚信，AI for Science（人工智能科学）才是最具价值的方向。回顾过去四十年，中国凭借强大的工程能力，在科学技术发展上取得了令人瞩目的成就，几乎赶上了西方过去四百年的积累。在工程层面，我们甚至在某些领域已经超越了西方，比如在材料科学和短迭代周期的行业里。
但是，在长周期的科学研究领域，如神经科学、生命科学和天文学等，中国与西方的差距仍然存在。这是因为中国的工程能力虽然强大，但在需要长期投入和持续研究的领域，我们的科研能力还有待提升。如果这波AI浪潮中，大家都只关注如何快速变现，而忽视了底层推理、思考逻辑等能力的提升，那么我深感担忧。
所以，我认为最赚钱与最有价值的事情往往由不同的驱动因素决定。赚钱是商业的本性，这无可厚非。但从产业、学界和政府的角度来看，我们应该鼓励在AI竞争中更加注重底层能力的突破和布局，因为这才是更具长远价值的选择。
张津剑： 彭总说到理想，我来说一下怎么赚钱。因为我们认为AI就是专业人士，所以这个AI值多少钱或者它的市场有多大就很简单——专业工种的价值乘以专业工种可以替代范围的数量，比如像自动驾驶值多少钱，就是单个司机值多少钱，乘以中国有多少司机，这就是自动驾驶所有的市场。
在Coding这个领域，目前已经有一个软件公司一年有20亿美金的收入。全世界可能有5000万、6000万的Coder，每个Coder一年大概多少钱，AI可以节约多少时间，那一算账就可以估算价值。所以每个专业工种在全世界的价值，就是AI在这个应用上的价值。
从节奏上讲，我们讲“合并同类项”。首先是企业内部合并同类项，以后每一个企业内部一个工种应该只有1个人，现在你可能有1万个审核员，1000个质检员，以后应该是1个人带着AI把所有工作全部做完。现在能不能从1000个人变500个人，500个人变50个人，50个人变1个人？
第二步我们认为是整个社会层面或者叫行业层面的合并同类项。既然都是1个最优秀的人带着AI做事，那这个行业里面就只剩下最优秀的那1个人带着所有AI做事； 再接下来一个国家合并同类项。以前最好的律师只能服务你，因为这个律师的资源是有限的，这个律师的时间是有限的，他的物理距离是有限的，所以第二名、第三名、第五名的律师都有市场，但未来不是了。未来最优秀的律师带着他的AI分身，可以服务全世界所有的客户，他的AI分身可能只有他三分之一的价格，但是他得到的服务是要远远优于第二名的。
所以这个世界在迅速地合并同类项，实际上已经在展开了，只是我们现在可能还没有意识到，所以我说从节奏上就是合并同类项。
宋春雨： 从未来AI和行业的结合趋势来看，数据处理的工作大概率会被AI智能体所替代。在这一领域，无论大模型还是当前的生成式人工智能，都展现出了硅基智能的强大能力。根据Github上的统计，大约有65%的代码已经是由人工智能生成的。对于更复杂的代码，人工智能在经过训练后，特别是在强化学习的推动下，其逻辑思维能力几乎可以与博士生相媲美。而硅基智能在训练一个达到博士生水平的智能体时，其效率远超人类——人类需要花费二十多年的时间才能培养出一个博士生，这是碳基智能无法比拟的。因此，我们有一个大致的判断：未来将会迅速进入一个硅基智能新物种大爆发的全新时代，各个行业都将涌现出硅基智能的专才和专家智能体。这些硅基智能将与人类（即碳基智能）共生，共同塑造一个全新的经济社会和经济模型。
其次，我们仍然非常坚信这一波生成式人工智能与物理世界的融合将引领机器人时代的到来。以往的机器人大多只能执行单一任务，智力水平有限。但我们相信，从L1到L5级别的机器人会加速发展并很快到来。这一波变革中，OpenAI、DeepSeek开创了两个全新的范式，即预训练和强化学习带来的推理式计算，这两个范式将迅速推动硅基智能体的进化。尽管在中国，春节期间DeepSeek的成果引起了广泛关注，似乎进行了全民教育，但如果冷静分析，当前硅基智能的发展仍处于初级阶段。我们的总体判断是，在未来的五年内，随着预训练和推理式计算这两个范式的加速演进，Scaling law（规模定律）将继续快速发展。因此，硅基智能服务人类的阶段才刚刚开始。
叶强：曾经有个词叫BPR——企业流程再造，指通过计算机、互联网对企业进行改造。现在到了一个新的阶段，人工智能可能对企业重新进行改造。这些人工智能的发展未来对企业组织的构架，业务的流程，以及管理模式会带来哪些更深的变化？
汪玉： 我以学校为例。我们系的规模相当大，拥有约两千名学生和四百多名教职工。我们系的规章制度繁多，老师们往往难以全面了解。为了改善这一状况，我们引入了一个模型，这个模型能够将我们的规章制度进行整理，并提供一个便捷的查询方式。
虽然这只是一个小小的例子，但它却启示我们，可以通过找到更多的切入点，将我们内部的服务进行数字化和智能化改造。我们的目标是，让老师们在遵守规章制度的同时，能够避免因为不了解规定而犯错误。这就是我们正在进行的一项简单而实用的工作。
宋春雨： 目前，所有企业都在积极探索如何利用人工智能为其核心业务提供深度服务，因为这一波人工智能被视为一个强大的生产力工具，首先从生产力工具开始，尽管AI颠覆生产关系还需时日，但在提升生产力方面已初见成效。
在美国，我们遇见一家初创公司，其业务是替代房贷审核员的工作。初见时，这位创业者带着一个拉杆箱，里面装满了文件，摞起来相当高。他解释说，在美国申请房贷需要提供大量的纸质材料，这些材料如果由人工审核，通常需要25个工作日，且还需律师参与。而他利用人工智能技术，仅需20多分钟就能完成。
去年，多点创始人张文中告诉我，多点已经在内部对所有程序进行了试行，计划将多点的代码全部切换为由大模型生成。据他预计，这将节省大约三分之一的工程师人力，这是去年的情况，至于今年这一替代进程的具体进展，我还没来得及问。此外，还有金融领域的各种分析师，他们的工作日常主要是分析各种报表，如果采用大模型，其带来的效率和实时性都会远超当前企业的处理能力。
更深层的意义是什么？上一波企业级软件的代表如Salesforce和Workday，本质上仍是流程驱动的。而特斯拉的自动驾驶技术则展示了不同的趋势，它通过原始数据集直接输出结果，这个结果可能是驾驶策略或决策，省略了中间复杂的处理步骤。这种端到端的处理方式同样预示着未来企业软件的发展方向。因此，一个显著的趋势是大模型将逐渐取代传统的企业软件，摒弃如Salesforce和Workday那样的固定流程。
就像强化学习一样，如果我们知道这个业务体系的本质，就可以直接将客户数据输入大模型，即刻获得输出结果，从而省略所有中间的流程和步骤，这就是自动驾驶的技术理念。由于中国确实缺少非常好的企业软件生态，反观美国，像Salesforce、Workday、ServiceNow等头部企业级软件，全都通过大模型改造他们原有的系统，这表明，利用大模型革新已成为软件领域重要的范式转变。
吴晓如： 我分享两个我们企业内部应用AI技术的实例。
首先，是关于我们内部员工的报销流程。以往员工出差后需要提交一堆报表给财务部门审核，审核通过后才能收到报销款项。现在我们采用了新的做法：员工出差后，只需将电子发票或实体发票拍照上传，系统即可自动处理，通常在一个小时内就能完成报销流程。
其次，是关于我们的供应链采购流程。以往，我们发布采购标书后，会收到很多厚厚的标书，需要人工花费很长时间去审核标书内容是否与我们的关键条款相符。这一环节经常导致采购流程拉长。现在，我们引入了AI协同技术，AI会先对标书进行扫描和分析，从而将我们审核标书的时间得到大幅度压缩。这项技术不仅在我们公司内部得到了广泛应用，还在一些超大型央企得到了较好的使用
这两个实例表明，AI技术正在深刻改变我们企业的运作流程。在大多数稍大一点的企业中，流程是驱动业务的核心，它将各个业务活动的节点串联起来，形成一个完整的流程，然后企业组织会根据这个流程进行适配。现在，随着AI技术替代或加速了流程中的一些重要节点，整个流程正在经历再造和变化。一旦流程再造完成，企业的组织结构也必须随之进行适配和变化。
张津剑： 当我们谈组织的时候，我们先说组织规模，比如像IBM达到10亿美金收入的时候，大概有1.4万人；亚马逊达到的10亿美金收入的时候，大概有8000人；OpenAI达到10亿美金收入的时候大概是1400人；今天DeepSeek只有140人。我相信中国绝大多数的企业是没有10亿美金的收入的，我们就算一个企业有10亿美金的收入，那就意味着如果再下降一个数量级，未来一个10亿美金收入的公司应该不到50个人。所以我们要思考的问题是： 一个10亿美金收入的公司怎么组织好这50个人？
未来可能我们的组织形式就是一个群，里面有40个高管，其余50个Agent当HR、采购，负责各种各样的岗位职能。未来人和AI之间的边界会非常模糊，人类和Agent共同组成了一个组织。因此我们要去想想，怎么在一个很小的组织里面实现协同？ 那这个组织必定是一个非常透明、扁平的组织，而不会是工业革命时期的长梯队组织。
彭雷： 我也认同未来会出现那些年收入达到10亿美金的公司，而这些公司必然具备扁平化、透明化的特点，这是显而易见的。然而，我不禁要问，这些公司将会如何合并同类项，即哪些工种会被整合？
考虑到当前大模型的能力，我们可以将人的智力分为流体智力和晶体智力两类。晶体智力是指那些基于固定知识结构的认知，这部分能力很可能被AI所替代，因为无论人的记忆力多么强大，都无法与大模型相比。可以说，AI已经实现了晶体智力的人类平权，即所有人在晶体智力方面的能力都基本相同。
然而，流体智力则是指面对新信息和新环境时，人们需要进行复杂的、混沌的计算和角色扮演的能力。在这方面，我认为人类仍然具有优势。因此，在未来的组织形态中，合并同类项应该是指将那些依赖晶体智力执行的任务整合起来，由AI来完成。而剩下的那些独特的、需要创新、在混沌条件下做决策、进行边界条件分析、跨交叉学科或跨越数字世界与物质世界的人，则应该最大化地发挥他们的流体智力能力。
这样，我们就会看到一种碳基（人类）与硅基（AI）共同工作的新型组织形态。但需要注意的是，这两者的工种并不是同等的，而是被分成了两层。人类将专注于流体智力的任务，而AI则负责晶体智力的部分。他们之间的信息必须完全数字化，否则就无法被跟踪和学习。
薛澜： 钱德勒在《战略和结构》一书中探讨了公司结构形成的原因，他指出企业随着规模的增长，需要承担多样化的组织功能，因此需要构建相应的组织结构以适应这些功能。现在许多传统公司所承担的功能，如报销、审核等，不再是必要。我认为这些功能的去除可能导致大公司总部的许多职能被大幅压缩。所以，未来的组织结构可能会变得非常扁平化，仅保留那些直接创造价值的部门，而其他部门则可能被精简。我认为，这可能预示着一场非常本质的组织变革。
叶强：人工智能大模型的应用存在哪些风险？
薛澜： 就业是最大的问题。几年前，我们在美国加州公用事业委员会讨论自动驾驶技术时，他们提到高速公路上的货运行业是自动驾驶技术的理想应用场景，因为路线稳定、驾驶条件简单。然而，他们指出这一领域却最难实现自动化，原因在于美国卡车司机工会的强大阻力。这反映出，在快速的技术转型中，替代大量人工并非易事。尤其在我们的社会中，如何适应这一转型过程尤为复杂。大家都说技术创新一定会催生更多新的工作机会，我们好好学习，去适应新的工作就行了。
但我认为没有这么简单，第二次工业革命转型历经几十年，而这次技术转型非常迅猛，学习能力再强的人，也难以迅速适应，因为硅基技术的演变速度远比碳基生物的自然进化要快得多。因此，我认为社会创新的重要性不亚于技术创新，包括社会制度、分配制度等都需要相应调整，若忽视这些调整，小范围或许影响不大，但一旦波及大范围，可能引发社会动荡。到那时，一部分人可能因技术进步而失业，另一部分人却因其复杂工作的不可或缺性和难以模块化的特点而更加忙碌，几乎无休息时间，导致健康危机。
还有一个是人工智能的安全问题。美国的一些公司在追求AGI（通用人工智能）或ASI（超级智能）的进程中，安全问题就尤为凸显。一旦人工智能超出人类控制，就会对人类生存构成威胁。如今，越来越多的AI专家正将其视为一个至关重要的问题重视并解决。
2023年，基辛格访华时，除了关注中美关系外，还特别强调了人工智能安全的问题。他期望中美两大人工智能强国能在这一领域展开对话，并指出，二战后人类社会能够避免核大战，很大程度上得益于核武器条约的签订。他认为，未来人类的生存将取决于中美能否再次在人工智能的安全方面达成合作。因此，这一问题确实值得所有参与AI开发应用的专家深思。
宋春雨： 在探讨当前人工智能、尤其是硅基智能的挑战时，我们关注到几个关键问题。
第一，神经网络的不可解释性。这种不可解释性导致在将其应用于关键任务场景时，其可能出现的错误难以预测，虽然某些“幻觉”造成的后果可能不严重，但在自动驾驶、金融决策等要求高准确性的领域，这种风险目前尚无明确的评估方法。
第二，生成式大模型的成本仍然高昂。尽管生成式大模型一方面遵循着快速增长的规模定律（Scaling law），另一方面每Token的成本也在以每年超过1倍的速度下降，预示着未来十年成本可能有10倍乃至100倍的降低潜力，但我们在评估中发现这种趋势并不合理，尽管布局超级智能具有吸引力，但若将人类所有的电力资源都用于此，则缺乏经济性。因此，我们迫切需要呼唤新的算法和范式。当前世界模型与Transformer等流派正在此领域进行竞争。
第三，人工智能替代人类智力的社会性问题。人工智能的引入本质在于替代人类独有的智力，以往，技术主要替代的是人的体力，而现在连人类独有的智力也被逐渐替代，这引发了人类未来角色定位的重大社会性问题。
第四，中国大模型公司急于商业化，容易忽视AGI的上限探索。尽管OpenAI的o1和DeepSeek的R1等模型已展现出强大的推理能力，但人类在通用人工智能（AGI）领域的探索仍处于初级阶段。若以马拉松为喻，我们或许才跑了2至3公里，刚起步而已。根据美国最新的预测，该国前五家大模型公司计划在2030年前，即未来五年内，探索并达到人类硅基智能（AGI）的上限。因此，这些公司并未急于商业化，这与中国的某些做法不同。在中国，一旦技术问世，往往迅速寻求商业化以体现其价值。相比之下，OpenAI推出的ChatGPT相较于其他应用（如豆包）显得较为基础。同样，埃隆·马斯克新推出的Grok3等项目的目标，也与中国大多数大模型公司不同，他们专注于在未来五年内探索AGI的上限，待上限明确后再进行后续开发。
第五，主权AI控制权的归属问题。从DeepSeek在中国迅速流行的情况来看，用户对大模型的忠诚度并不高，一代模型往往很快被新一代模型取代，且用户切换模型的成本几乎为零。曾经我们可能使用豆包，但DeepSeek兴起后，仅一个春节的时间，就吸引了1亿用户。由此引出一个问题：是否会有主权AI的出现？例如，美国目前AI技术领先的有五家公司，那么中国的主权AI将是什么？这个主权AI是由一家公司控制，还是多家公司共同主导？欧洲是否会发展出自己的大模型？因为这一超级大脑——硅基智能，虽非终极智慧，却可能远超人类的能力，所以主权AI的问题变得尤为复杂。这些问题不仅在学术界、工业界引起关注，国家层面也在积极考虑人工智能带来的挑战和风险。
吴晓如： 我思考更多的是关于社会公平与协调的问题。未来，可能会有一些超级企业或超级个人创造出巨大的财富。因此，学界需要深入研究，政府也需要采取措施来协调这种不平衡。
此外，我还关注到教育问题，特别是高等教育。未来高校的学生，在他们七年的学习生涯结束时，可能会发现所学的大部分专业知识（可能达到70%或80%）在实际应用中并无太大用处。考虑到一代又一代的人正在成长，而现在很多高校的教学模式和学科构成并未发生太大变化，这确实是中国高等教育需要特别关注的事情。
汪玉： 我想继续谈谈对教育的影响。从知识获取的角度来看，目前已有知识的获取可以通过通用人工智能和现有的网络资源迅速满足一个人的需求。因此，人们不一定非要进入大学才能获取这些知识。由此推演，我们的初中生、高中生的教育模式或许应该发生变化。因为不同人的能力各异，所以培养方式也应该因人而异，而现在却是采用统一的标准和模式。但现在由于大模型的普及，知识已经变得触手可及，我们需要重新思考初等教育与高等教育之间的衔接方式。
接下来是能力问题。能力本质上是做事的能力，从某种程度上说，现在的孩子们在适应AI发展上表现还不错，但推进的速度并不快。就像现在的企业家们还没有充分利用AI工具来赚钱一样，孩子们也还没有意识到要用这个工具来武装自己。他们在能力培养上的主动性并不强。因此，清华大学也在推出各种AI课程和项目，希望能引导孩子们在这方面有所进步。
第三个我认为更核心的是价值观。以前，孩子们很尊重父母和老师，因为父母和老师知道的东西多，能解答他们的问题。但现在，孩子们可以直接通过网络获取答案，甚至有时候答案比我们给出的还要好。这种传统的权威逻辑已经被打破，教育中的权威感也在逐渐消失。这对教育来说其实是一件很可怕的事情。在未来的小学到大学阶段，特别是在高等教育中，我们该如何进行教学？当研究生的导师和学生们年龄相仿时，他们如何建立起教与学的关系？这是我们现在看到的教育中的一些问题。但反过来想，这也是整个社会共同摸索的问题，不仅仅存在于教育界。
提问：AI一旦发展起来，对于中国这种人口大国来说，可能也意味着会对人才就业产生冲击。一旦政府发现这个问题，会对AI带来哪些影响？
吴晓如： 我认为，一个企业仅依赖少数几位掌握人工智能的员工来保持运行，可能是非常遥远的事。企业需要为客户解决问题，而这些问题并非单纯依靠AGI（通用人工智能）或其他人工智能技术就能解决。因此，企业内部需要保持平衡，确保拥有高素质且能掌握人工智能技术的员工，以便能更好地参与社会竞争。对企业来说，首先不必过于纠结宏观层面的问题，企业内部更重要的是培训好员工，让他们能够应对未来的挑战。
张津剑： 我们认为人有三个能力：体力、脑力和心力。过去都是体力工作者，工业革命后变成脑力工作者。今天因为AI，人类被迫要进行一次转变：你能不能成为一个心力工作者？ 我觉得真正的企业家，不是因为他的大脑计算能力更强，而是他的心力更强。关键时间、关键决策、他的信仰、他的勇气……让他成为一个企业家，而不是因为他单纯拥有更多的算力或者更好的体力。
所以我觉得未来人类都会进行一次选择：你能不能找到自己相信东西，爱的东西，进而变成一个心力工作者。否则你就退回成体力工作者，送外卖就是一个典型。心力工作者，从浅的层面举例就是提供情绪价值。人类历史上从来不缺“情绪价值”的职业，包括今天的直播，和当下很多互动方式。
包括Sam Altman，现在美国实验的UBI，就是全民发钱。中国的养老保险也是某种全民福利，因为独生子女一代上面有4个老人，以前是年轻人供养他们，现在变成他们供养年轻人。接下来在一个UBI的社会里，很多人会选择成为情绪价值的提供者，这是很残酷的事情，也是您说的伦理问题。但是我们认为这件事情已经在发生了。
彭雷： 我们可以将视野放得更长远一些，思考五年、十年后的社会将会是怎样的景象。虽然Sam常被视为非技术派的商业人士，但他的许多预测却颇具战略性。他认为，未来的社会可能会由极少数高度提升、擅长利用AI协同工作的人来驱动进步，而大部分人则可能不再需要工作，他们有足够的闲暇时间享受生活。这也是他提出无条件基本收入（UBI）理念的原因，即社会生产力的提升所带来的收益应由全体成员平均分享。
然而，这样的理念在商业公司中可能难以立足，这也是为什么在美国，马斯克等企业家对Sam持批评态度的原因。但在我看来，我对我们国家的制度充满信心。我认为，只有在社会主义或集体主义制度下，才有可能实现“先富带动后富”的目标。因此，我相信在AI时代，我们的制度将能够发挥重要作用，确保技术进步带来的红利能够惠及每一个人。
薛澜： 回到社会创新与政府规制的话题，张总提出的“合并同类项”观点颇为深刻。若完全遵循市场发展，“合并同类项”或许会成为最高效的选择。然而，为防范垄断，我们目前实施了各种市场规制，有了反垄断规制等措施，或许能在一定程度上保持竞争，避免完全的“合并同类项”。
另外，人类社会在制度创新方面潜力巨大，如果工业革命时期的竞争激烈程度，如果没有制度创新，人类恐怕都会被累死。后来我们发明每周休息一天，现在休息两天，未来，休息日可能更多，或工资结构会有所调整。但是这个前提是建立在工作能被模块化的基础上，复杂工作因其黏性强，往往难以模块化，导致人们不得不连续工作，得不到真正的休息，因此，如何改变工作性质，是社会创新面临的一大挑战，希望大家多关注、多投入对这个领域的研究。
提问：我理解脑机接口本质上是对大脑信号的逆向解析。是否有可能存在另一个领域的专家，正在研究逆向解析人脑？如果真有人成功逆向了人脑，不再依赖大语言模型，能够制造出类似人脑的设备，那我们今天的一切认知是否都将被颠覆？我们是否会成为自己创造的技术的牺牲品，甚至被某种“同类”所取代？
彭雷： 这是个非常好的问题。展望未来十五年，我坚信碳基生命与硅基技术的融合将成为不可避免的趋势，而融合的主导权将取决于两项技术各自的发展速度。
过去三年，AI技术的迅猛发展主要得益于资金的密集投入和算力的不断提升。相比之下，我们在脑科学和临床试验领域面临的最大挑战则是伦理问题。例如，我每年只能对有限数量的患者进行试验，且每个患者都需要进行为期一年的随访。在人身上进行研究和实验受到严格的伦理限制，这使得伦理的进步相较于AI技术而言显得更为缓慢。然而，我认为AI与脑科学是两个相向而行的领域。AI通过不断堆积算力和训练数据，旨在模拟人类的智能；而我们则通过打开大脑，探索人类的思考、表达和交互方式。未来，人类之间的信息交换方式是否会发生改变，将取决于我们对大脑的了解程度。目前，我们对大脑的了解尚不足5%，甚至比对月球的理解还少。因此，脑科学的研究进度很可能落后于AI技术。
尽管如此，我仍然看到了AI for Science这一领域的巨大潜力。它不仅能够加速AI向人类智能的模拟，还能推动像我们这样的公司去解码大脑。在这个过程中，我们需要通过法规、伦理和企业的原则来确保技术的融合最终服务于人类的共同福祉。
想象一下，如果科技进化到使人类的智力无限提升，同时精准医学使人类的寿命无限延长，那么社会结构可能会发生怎样的变化？或许，社会制度也将随之演变，我们称之为“科技进化人文主义”。在这样的社会中，人类可能会分化为拥有无限知识和寿命的智人，以及其他人。
因此，我说这种进化是不可避免的，即使我们不进行这样的研究，也会有其他公司或个体在进行。我们只能希望这些技术的突破能够在伦理和社会制度的框架内得到合理应用。在中国进行这方面的创业，我对未来充满信心。无论我们的单点技术突破有多么惊人，最终都会被融入我们的集体主义意识中，为整个社会的进步而服务。这一点已经有无数例子可以证明。
关于我们
清华大学人工智能国际治理研究院 （Institute for AI International Governance, Tsinghua University，THU I-AIIG）是2020年4月由清华大学成立的校级科研机构。依托清华大学在人工智能与国际治理方面的已有积累和跨学科优势，研究院面向人工智能国际治理重大理论问题及政策需求开展研究，致力于提升清华在该领域的全球学术影响力和政策引领作用，为中国积极参与人工智能国际治理提供智力支撑。
版权声明
本文为本站原创内容,转载需注明文章来源(https://www.eiefun.com)，另:文中部分素材可能会引用自其他平台，如有侵权或其它，请联系 admin@eiefun.com，我们会第一时间配合删除