AGI是否需要世界模型？顶级AI专家圆桌论道，清华求真书院主办

鹭羽
2025-07-25
15:56:13

来源：量子位

作者：胥森哲

投稿：基础科学与人工智能论坛

2025年7月20日，2025基础科学与人工智能论坛在中关村展示中心会议中心举行。

清华大学人工智能研究院常务副院长孙茂松教授主持，北京中关村学院院长、中关村人工智能研究院理事长刘铁岩博士、清华大学电子工程系主任汪玉教授、美国纽约州立大学石溪分校顾险峰教授、曦智科技创始人兼CEO沈亦晨博士四位顶尖AI专家齐聚一堂，围绕人工智能的根本问题展开了一场火花四溅的讨论。

从因果性到原创能力，从算力瓶颈到未来架构，这场论坛为我们勾勒出AI技术的前沿图景与未来挑战。

共有500名来自清华大学求真书院、北京各高校、中学和科研机构的观众到场。

此外，本次论坛还是2025国际基础科学大会的特别活动之一，由清华大学求真书院主办，中信证券股份有限公司与中关村科学城管理委员会协办。

现已连续举办3届，旨在推动交叉学科合作交流，为青年学生搭建了了解科研前沿、激发探索兴趣的平台。

我们将论坛交流内容整理如下：

相关性≠因果性：AI系统的科学化门槛仍在

面对人工智能技术发展的瓶颈与限制，顾险峰教授指出，目前AI技术在方法上仍以“相关性”建模为主，缺乏对“因果律”的深刻掌握。

他认为，缺乏因果建模的能力是当前AI在自然科学、数理建模等任务上受到限制的原因。

同时他也强调，真正的科学建模需要简约假设、逻辑自洽的因果体系，不能仅靠大量数据推导模式。

刘铁岩教授则补充称，虽然大模型底层是统计学习的结构，但在高层语义表达中已出现“因果性功能的涌现”，例如在处理逻辑推理、数学解题、文本论证等任务时，大模型展现出了“因为……所以……”的结构理解能力。

他呼吁对因果性的层次与表达保持开放态度，建议从“语义因果性”角度重新评估当前模型的能力边界。

Token范式的尽头：AI模型是否需要世界模型？

与会专家还就“Next Token Prediction是否是通往通用智能的正道”展开讨论。

孙茂松教授率先提出疑问：文本是天然一维的，图像是二维的，视频再加一维时间，世界则是四维的。当认知对象越来越复杂，是否需要彻底摒弃token预测，转向“世界模型”等新范式？

对此，汪玉教授持乐观态度。

他认为，“语言本身是人类认知的表达系统”，图像、视频、物理结构等都可以在二维语言序列中进行展开。

基于此，他提出一个“可描述性”的新边界概念：如果人类能够通过语言准确描述某一对象或规律，AI就有可能通过token prediction模型学会它；如果人类尚未找到语言描述方式，则AI也难以捕捉。

刘铁岩教授对此也补充道，“next token prediction 实际上是语言理解和创作领域的极佳范式”，其泛化能力远超以往所有任务特定模型。

但当AI任务转向如偏微分方程求解、量子系统建模、工业优化等非语言任务时，“当前范式将无法胜任，需要全新学习目标与系统架构。”

AI能否“原创”？推理与建模能力仍不可替代

其次，学者们还进一步聚焦于AI是否具备“原创能力”。

顾险峰教授直言：

在科学研究中，重大理论的提出绝非数据堆积所能催生。

另外他以自己学习拓扑学为例指出：

最关键的一步转化，AI永远抓不住。

他强调，科学进步来自“对未知现象的预判与假设”，而非对已知结构的不断模仿。

沈亦晨博士以围棋为喻指出，尽管围棋规则简单，但由于搜索空间巨大（约10^360），“纯靠套路是不足以解决全部问题的。”

他区分了“90%可类推问题”与“10%原创性突破问题”，认为AI可以在大多数工程化问题中大显身手，但在人类科学的“皇冠上的明珠”领域，目前仍力有未逮。

刘铁岩教授则从产业视角提出：

即便AI无法做到“无中生有”，但它在已知边界上的全覆盖与组合重构，仍将对科学研究产生深远影响。

他认为未来AI将在“从类比中发现新结构”方面具有巨大潜力，尤其是在AI for Science的具体子任务中表现出色。

高能效计算是AI基础设施的下一场革命

面对当前大模型对算力的依赖已呈指数增长的问题，孙茂松教授引用数据显示，最新一代大模型训练耗资约达100亿美元，需20万张GPU卡支持，预计2035年将可能突破至1亿张卡。

沈亦晨回应称：

未来未必真的需要1亿张卡，但百万卡级别的计算已成为现实挑战。

他介绍了曦智科技在光互联和光计算芯片方面的进展：

通过光作为连接介质，可以极大提升芯片间通信带宽与效率，解决分布式模型训练中“多芯片如一芯片”的问题。

他进一步强调，要充分发挥光计算的高能效优势，需在算法层面推动向低精度（int4/int8）模型优化。

汪玉补充指出，“未来的关键是让底层硬件异构对开发者透明。”即芯片无论是电计算还是光计算，对开发者应“看起来就是一台机器”，从而保障工程系统的稳定性与迁移效率。

刘铁岩则抛出一种范式设想：

真正的人工智能下半场，将是“Experience-driven AI”。

他设想一个分布式交互学习系统，由100万个机器人在物理世界中实时感知、同步数据和模型权重，实现全域智能协同。

这将超越大模型集中训练范式，形成全新的进化路径。
圆桌论坛精彩纷呈、交锋密集，无论是从“相关性与因果性”的基本认知出发，还是围绕“token预测范式”的边界问题，亦或是对“原创能力”与“算力极限”的前景评估，专家们均展现出深厚的理论思考与实践视角。

正如孙茂松教授在总结中所说：

大模型的有效性是经验主义的，但它的问题也是根本性的。真正的突破，有赖于我们在理论与系统两端都迈出新的一步。

Read More