AI走好下一步还需做什么

　　如果说展台展示的是AI已经走到哪里，论坛讨论的则是AI下一步将走向哪里、怎么走。与会专家学者围绕AI前沿方向发表见解。

　　理查德.萨顿(“强化学习之父”、图灵奖得主)

　　我的很多观点形成于人工智能研究的苦涩教训，即把知识灌输到智能体中。短期内能带来帮助，也让人有成就感，但长远来看会阻碍突破。

　　智能体设计是在工厂、实验室中完成的。在广阔的世界里，对于一个理想的智能体来说，学习、规划、发现抽象概念，都必须在运行时发生。

　　奥马尔.亚吉(诺贝尔化学奖得主、清华大学讲席教授)

　　未来，重复性工作将越来越少，更具雄心的创新项目将成为主流；真正稀缺的是能够提出重要问题、理解现实、构建新体系的人才。

　　科学研究的方式将发生根本性变革。我们将从“应该创造什么”，转向追问“为什么要创造”，开启以“选择”为核心的科研新范式。

　　引领构建全球科研发现新体系的大学，将获得更强的创新能力和更高的国际声誉，并能够长期保持这一领先优势。

　　吉勒斯.不拉塞得(图灵奖得主、蒙特利尔大学教授)

　　量子信息技术，很有可能是计算机科学下第二大快速发展的话题，排在它前面的是人工智能。

　　王坚(中国工程院院士、之江实验室主任、阿里云创始人)

　　现有大模型仅适配文本数据，无法直接解析地质、天文原始科研数据；科学基础大模型是基础学科变革关键拐点。

　　凌文(中国工程院院士)

　　我们主要瞄准的技术方向，未来是四个方面：高端的装备制造业；能源电力数字化的重构；智慧汽车、智能交通；泛消费级的精密制造、前沿的探索。

　　周伯文(上海人工智能实验室主任、首席科学家)

　　 AI的价值不只是沿着专家设定的方向去寻找最优答案，更是超出既有认知边界并被实验验证的新假设。

　　人工智能促进科学，最本质的是AGI如何能够把怎么发现边界、怎么跨越边界这件事本身变成一个可学习的样本，让人工智能真正成为科学家们探索未知的伙伴。

　　如何从失败中自我反思、自我校准、自我更新，这三个转变才能让模型从重复已知走向产出未知，这就是我们认为的科学的“元认知”时刻。

　　修大成(芝加哥大学教授)

　　大语言模型可能是人类历史上最大的一个统计模型，怎样利用大语言模型的先验知识来指导我们的训练、对未来预测、对不确定环境的决策问题等，都是数据挖掘层面很重要的问题。

　　印奇(阶跃星辰董事长、千里科技（601777）董事长)

　　第一波AI大发展浪潮经历了预训练模型和聊天机器人，所以有了ChatGPT时刻。第二波发生在强化学习的推理模型和辅助编程的场景。第三波是什么，有很大的概率是智能体，尤其是当智能体走进物理世界。

　　过去我们往往是以个人作为生产力的最小单元，而当智能体赋能很多物理载体行动的时候，未来的智能体会成为最重要的生产力最小单元。

　　穆特鲁.丘库罗瓦(伦敦大学学院学习与人工智能教授)

　　 AI能力培养不能停留在程序化的“如何使用”层面，而应建立以人为中心的理念，统筹人工智能伦理与批判性思维能力培养。

　　 AI能够提升教师的工作表现，但工作表现的提升，并不等同于学习成效的提升。

　　王伟嘉(腾讯云CloudBase产品负责人)

　　超级个体的本质，就是少数人类与一组Agent去配合，在AI原生的云基础设施上，完成过去需要数十人甚至上百人的团队才能完成的事情。

　　当下最稀缺的可能未必是Token的成本，或者说生成的时间，最稀缺的反而是Agent的注意力。

　　整理：蔡姝雯张宣