精华速览

在ICAAS 2026首场圆桌上，诺贝尔化学奖得主迈克尔·莱维特、图灵奖得主杰克·唐加拉、数学家马骁与中关村学院何纪言围绕AI未来十年展开讨论。嘉宾普遍认为，当前产业向大型Transformer架构收敛虽加速了技术进步，但削弱了研究多样性，需警惕单一路线风险。关于AI寒冬，莱维特认为可能源于过度承诺，唐加拉则判断寒冬已过，何纪言更提出智能将像电力一样成为社会基础设施。讨论还涉及AI自我改进、开源生态与可验证奖励等议题，核心共识是：智能的下一片疆域在于让AI在真实世界中持续学习、验证并创造可证明的价值。

要点透视

  • 1956年达特茅斯会议为人工智能命名，70年后ICAAS 2026首场圆桌以“AI的下一个十年”为题，邀请诺奖、图灵奖得主及青年学者对话。
  • 迈克尔·莱维特以“谨慎的银行家”比喻提醒不要把所有筹码押在单一AI路线上，杰克·唐加拉强调应探索主流之外的机会并接受失败是研究的一部分。
  • 马骁从图灵完备性角度解释当前收敛：通用计算模型已具备，但执行任务所需指令随智能提升而缩短，海量人类数据训练使AI越来越聪明。
  • 何纪言团队在2026年夏季用7名博士生和上百个智能体，从零训练了70亿参数大语言模型ZGCM-1，并将代码、数据、配方和日志全部开源。
  • 莱维特认为AI寒冬可能源于过度承诺，并担忧token价格和等待时间影响使用；唐加拉判断AI寒冬已过，但认为量子计算可能正走向寒冬。
  • 马骁指出AI已具备用自然语言进行逻辑验证的能力，但面向搜索早期阶段的大规模验证仍未解决；莱维特认为AlphaFold是特殊情形，通用模型加文献已非常强大。
  • 唐加拉给年轻研究者四条建议：找到热情所在、预期失败、选择有挑战的问题、建立人际网络。

文章拆解

这场圆桌讨论的背景是AI产业正高度集中于大型Transformer架构和相似训练范式。这种收敛带来了前所未有的技术推进速度，但也引发担忧：一旦主流路线触及边界，行业是否还有替代方案。莱维特用“谨慎的银行家”比喻强调多样性是对抗未知未来的策略，唐加拉则从研究文化角度指出，失败是研究过程的一部分，应主动探索主流之外的方向。马骁的图灵完备性视角提供了另一种理解：收敛并非问题，因为通用计算模型本就可以模拟一切，真正的挑战在于如何让AI用更短的指令完成复杂任务，而这依赖更高质量的数据和更聪明的智能。

关于AI寒冬，嘉宾判断存在分歧但指向共同结论。莱维特认为寒冬可能源于过度承诺，并具体担忧token价格和等待时间对日常使用的制约；唐加拉判断AI寒冬已过，当前是黄金年代，但提醒量子计算可能正走向寒冬；何纪言则从智能的通用性出发，认为AI将像电力一样成为社会基础设施，因此难以想象寒冬。这些观点共同指向一个关键变量：AI能否持续创造可被验证的真实价值，而非仅靠能力演示维持期待。

何纪言团队的ZGCM-1案例展示了AI自我改进的早期实践。7名博士生借助上百个智能体，在三个月内从零训练70亿参数模型并全流程开源，说明小团队借助AI工具可以完成以往需百人规模的工作。但何纪言也指出，AI在GPU算子实现上表现突出，在系统设计和架构设计上仍有不足，需要海量数据帮助AI建立全局观。这提示AI for AI的潜力与边界并存。

开源与可验证奖励是另外两个值得关注的变量。唐加拉认为开放获取能促进可复现性和社区参与，延长软件和模型的生命周期。马骁则指出，AI已能用自然语言进行逻辑验证，但面向搜索早期阶段的大规模验证尚未解决，这直接影响AI在数学等领域的探索效率。莱维特对AlphaFold的分析提醒，预测模型在特定条件下有效，但理解物理机制仍是不可替代的。整体来看，AI下一个十年的关键不在于更大的模型或更高的分数，而在于能否在真实世界中持续学习、验证、行动并创造可证明的价值。监管介入的时机、token成本、开源生态的成熟度以及验证工具的发展，将是影响这一进程的重要变量，其中部分影响尚待确认。

查看原文