9月23日，2026未来大会在杭州举行。本届大会以“碳硅相逢，万象启元”为主题，由网易公司主办，杭州市商务局、杭州市经济和信息化局（杭州市数字经济局）、杭州高新技术产业开发区管委会联合指导。五位院士领衔，来自学界、产业界和投资界的嘉宾齐聚一堂，围绕科技前沿、人工智能产业化与未来商业展开交流。
从可控核聚变、AI大模型技术与通信智能，到AI PC、智能体、AI制药与具身智能；从院士专家的前沿判断，到产业先锋、投资人与00后创业者的实践探索，本届大会试图回答一个共同的问题：当碳基文明与硅基智能加速相逢，技术将如何突破边界，又将怎样走进真实世界？
欧洲科学院院士、亚太计算智能学会主席焦李成在《下一代人工智能的挑战与机遇》演讲中表示，单靠更多数据、更大算力和更大模型，难以支撑人工智能继续向前。下一代AI需要把物理规律、已有经验与模型能力结合起来。
焦李成提出一个问题：人们能从海量数据中挖出有用信息，还是会被数据淹没？在他看来，把数据、算力和模型简单叠加，只是把要素放在一起；要解决更复杂的现实问题，还得让这些能力真正融合。
他解释，现实中的问题发生在物理世界。人做判断时会运用对事物运行规律的认识和过往经验，人工智能也需要把这些知识用于推理和决策。他同时谈到人工智能与科学研究的双向关系：AI可以帮助研究分子结构和筛选药物，科学知识也能反过来支撑AI的发展。
谈到具身智能，焦李成以学生与企业合作探索的地下、煤矿作业机器人为例：机器人需要把感知、决策和运动能力结合起来，才能在复杂环境中完成任务。按固定程序执行任务，不是他所说的具身智能的目标。
面对不同任务，焦李成认为也不必指望一个模型包办一切。大模型、中模型、小模型及面向具体场景的模型各有用处。在他看来，通用人工智能有一个个里程碑，却不会有一个到此为止的终点。
以下是网易未来大会上焦李成演讲实录：
感谢大会的邀请，也感谢各位专家学者的交流与分享。
前面两位院士的报告，分别涉及人工智能赋能科学研究以及未来通信技术的发展。从相关研究进展可以看到，人工智能正在逐步进入物理机理发现、材料结构设计、科学计算等领域；与此同时，未来通信也正在由单一的信息传输向感知、存储、计算与通信深度融合的方向演进。“感、存、算、通”的融合，为人工智能与信息技术交叉发展提供了新的技术空间。
今天大会给出的题目是“通用人工智能有多远”。对于这一问题，需要首先明确一个基本认识：通用人工智能并不是一个具有固定边界的终点，而是持续演进的过程。在这一过程中，技术能力不断扩展，应用场景不断丰富，人类也将持续获得人工智能发展所带来的效率提升和能力拓展。
以“网易”为例，可以从三个维度理解技术发展的基本要素：一是“网”，即连接与基础设施；二是“易”，即降低技术使用门槛；三是“新”，即持续创新。只有当网络、易用性和创新能力由简单叠加进一步形成协同效应，才能产生新的发展空间。
人工智能的发展同样如此。它不是简单增加模型、数据、算力等要素，而是需要不同要素之间形成真正的融合。从这一意义上说，通用人工智能的发展更接近一个持续学习和不断演进的过程。通信技术经历了2G、3G、4G、5G，并继续迈向6G及后续阶段；人工智能的发展也具有类似特征，每一个阶段都可以形成重要的技术里程碑，但不会因此形成最终终点。
一、从大模型热潮重新认识数据、算力与智能
2022年ChatGPT发布以后，大模型迅速成为人工智能领域的重要发展方向。2023年前后，各地围绕大模型、智能计算基础设施和人工智能产业展开了密集讨论，杭州等城市也较早形成了围绕人工智能和智能计算的产业布局。
这一时期，大模型的发展进一步强化了数据的重要性。长期以来，人工智能的重要任务之一，就是从海量数据中提取知识、规律和价值。但随着数据规模不断扩大，一个问题也逐渐显现：人工智能究竟是在数据中发现知识，还是可能被不断增长的数据规模所限制？过去一段时间，大数据、大算力、大模型构成了人工智能发展的重要技术路径。这一路径推动了模型能力快速提升，但规模扩展本身并不能回答人工智能发展的全部问题。随着大模型应用逐渐深入，幻觉、推理可靠性、知识一致性以及复杂环境适应等问题进一步显现。这说明，单纯依赖数据规模、参数规模和计算规模，并不足以支撑人工智能持续向更高层次发展。
因此，未来需要思考的不只是如何继续增加数据、算力和模型规模，更需要研究这些要素之间如何形成机制层面的协同。简单的“加法”只能形成要素集合，而真正具有意义的是不同要素之间的耦合、融合和相互促进，即从“加法”走向“乘法”。人工智能、教育、产业以及科学研究均面临这一问题。数据、模型、知识、物理规律、经验、推理和决策能力如果彼此独立，即使规模不断扩大，也很难形成完整的智能系统。
二、从ChatGPT、Sora到DeepSeek：人工智能正在快速演进
ChatGPT发布之后，生成式人工智能首先在自然语言领域形成广泛影响。随后，Sora等模型将生成能力进一步扩展到视频领域，人工智能逐渐从文本理解与生成向多模态内容生成延伸。此后，以DeepSeek为代表的新一代模型进一步推动了国内大模型技术的发展。相关技术路线也表明，人工智能正在从主要依靠监督学习和反向传播训练，逐渐引入强化学习、推理优化等新的训练机制。
这一发展过程说明，人工智能的技术迭代速度正在明显加快。但大模型的发展目标并不应停留在文本对话、图像生成、视频生成或者特定展示性任务上。人工智能下一阶段的重要问题，是如何真正进入物理世界，形成能够感知环境、理解任务、进行推理、作出决策并执行行动的智能系统。这也是具身智能需要解决的核心问题。
例如，机器人能够完成跳舞、跑步、太极等预设或训练任务，体现了运动控制和学习能力的发展；但在地下空间、矿山、工程机械、工业生产等复杂环境中，机器人面对的是动态环境、未知条件和复杂任务。这类场景要求机器人将视觉感知、环境理解、认知推理、运动控制和任务执行统一起来。相关研究已经开始面向工程机械、矿山作业等场景，将机器人的视觉系统、认知系统与运动系统结合，使其能够在真实物理环境中完成具体任务。因此，具身智能的核心并不只是“让机器人运动”，而是建立从感知、认知到决策、行动的完整闭环。
三、人工智能不能脱离物理世界
进一步来看，大模型当前面临的一个重要问题，是如何引入物理世界中的机理、规律和约束。人本身是物理世界中的具身个体，我们处理的大量问题同样发生在真实的物理环境中。人的认知过程既具有生物基础，也受到物理规律约束。因此，一个需要关注的问题是：物理机理和物理规律在现有大模型中得到了多大程度的体现？
现实中的决策并不是简单读取全部历史数据之后再进行统计分析。人在面对复杂问题时，通常会综合先验知识、经验、逻辑推理、因果关系和环境信息，在有限数据条件下快速形成判断。由此进一步产生几个基本问题：推理能力如何进入大模型？经验和先验知识如何表达？物理规律如何成为模型学习和推理过程中的约束？模型如何从相关性学习进一步走向机制理解？这些问题不仅决定大模型未来的发展，也与6G、AI for Science、Science for AI等方向密切相关。
如果人工智能主要依靠数据相关性完成预测，而缺乏物理规律、因果关系、先验知识和推理机制，那么其在复杂科学问题和真实物理环境中的应用仍然会受到限制。因此，物理机理可能成为下一阶段人工智能发展的重要基础之一。
四、AI for Science与Science for AI正在相互促进
人工智能与科学之间正在形成双向促进关系。一方面，现代人工智能的发展本身与物理学、数学、统计学、生物学和脑科学密切相关。早期神经网络研究中，能量函数、熵、统计力学等概念长期发挥着重要作用。2024年诺贝尔物理学奖相关工作进一步体现了物理思想与机器学习之间的深层联系。从能量、概率和统计物理角度研究神经网络，是现代人工智能理论发展的重要来源之一。这体现的是Science for AI，即利用科学理论推动人工智能的发展。
另一方面，人工智能也开始反向推动科学研究。2024年诺贝尔化学奖涉及蛋白质结构预测与计算设计等方向。人工智能技术使过去需要大量实验人员长期完成的一部分结构分析和筛选任务，可以通过计算方法大幅提高效率。类似变化正在材料科学、生物医学、药物发现、分子结构设计等领域持续发生。例如，对不同分子结构、材料结构以及潜在药物分子的筛选，过去往往依赖大量实验和长期积累，而人工智能可以通过模型计算显著扩大搜索空间，提高候选结构筛选效率。这体现的是AI for Science。
因此，Science for AI与AI for Science并不是两个孤立方向，而是正在形成相互促进的发展体系：科学理论为人工智能提供新的方法基础，人工智能又成为科学发现的新型工具。
五、未来不会只有一个“大模型”
讨论通用人工智能，还需要重新认识“大模型”本身。现实世界具有高度复杂性，不同任务、不同环境、不同对象之间存在显著差异。因此，很难用单一模型覆盖所有问题。网络如此，模型也是如此。未来可以发展世界模型、地球模型、宇宙模型，但任何一个模型都不可能完整覆盖所有尺度、所有场景和所有任务。不同任务需要不同的数据体系、知识体系、计算资源和模型结构。
因此，未来人工智能生态可能同时存在：大数据、中等规模数据和小数据；大模型、中型模型和小模型；通用模型、领域模型和场景模型；云端模型、边缘模型和终端模型。其核心不在于单一模型规模不断扩大，而在于不同模型能够根据具体任务进行协同。也就是说，未来不仅是“case by case”，还可能进一步发展为“model by model”以及“model times model”。不同模型之间通过协同、组合和交互，共同完成复杂任务。从这个角度看，通用人工智能不是由一个无限扩大的模型实现，而可能是由多层次、多类型、多尺度智能系统共同构成。
六、从计算、感知、认知走向行动
回顾人工智能的发展，从1956年达特茅斯会议至今，其研究目标不断扩展。早期人工智能重点研究计算和符号推理；随后逐渐发展到机器感知，使计算机能够识别图像、语音和环境信息；进一步发展到认知、学习和语言理解；当前则正在向具身智能和自主智能系统演进。
如果从人的能力结构理解这一过程，可以将人工智能的发展概括为：从“会计算”，发展到“能感知”；从“能感知”，发展到“能理解”；从“能理解”，进一步发展到“会学习、能推理、能决策”；最终进入“能够行动”的阶段。因此，未来智能系统需要形成感知、认知、学习、推理、决策和行动的一体化能力。这也是具身人工智能的重要内涵。只有大脑，没有身体，难以进入真实环境完成任务；只有运动系统，而缺乏认知、推理和决策能力，同样难以形成真正意义上的自主智能。
七、人工智能具有多学科科学基础
人工智能并不是孤立形成的技术体系，其背后具有长期的科学积累。从人工智能领域的图灵奖相关成果来看，大量工作关注机器如何进行学习、计算和推理。从脑科学领域百余年来的诺贝尔奖成果来看，相关研究持续探索人脑如何感知信息、传递信号并形成认知。从生物进化研究来看，大量成果解释了自然系统如何通过适应、选择和演化完成优化。从物理学发展来看，能量、熵、动力系统、统计规律等理论不断为人工智能提供新的建模思想。
因此，可以从四个维度理解人工智能的科学基础：机器如何推理；人脑如何思考；自然界如何优化；智能系统背后的物理机制是什么。这些问题共同构成了人工智能进一步发展的理论基础。
八、重新认识BP、卷积网络与Transformer的发展脉络
人工智能的发展也说明，一项基础方法的价值往往需要经过较长时间才能充分体现。以反向传播算法为例，Paul Werbos在博士论文中较早系统研究了利用误差反向传播训练多层网络的方法。此后，相关研究者进一步推动了反向传播算法及神经网络的发展。因此，现代深度学习的发展是长期积累和多阶段推进的结果，而不是由某一个时间点或某一个研究工作单独完成。
卷积神经网络的发展也是如此。福岛邦彦提出的新认知机等工作，为后续卷积神经网络提供了重要思想基础。他于2021年获得鲍尔奖。之后，Yann LeCun等研究者进一步将相关思想发展并应用于手写数字识别等任务。
现代深度学习的快速发展，还依赖多个条件同时成熟。其中包括大规模数据集的发展。ImageNet等数据集以及相应竞赛机制，使不同算法能够在统一数据和评价体系下进行比较，推动了计算机视觉技术快速发展。与此同时，GPU等计算硬件提供了大规模训练所需要的计算能力。模型结构也在持续演进。
2017年，Transformer架构提出以后，注意力机制逐渐成为以及多模态人工智能的重要基础。随着网络深度、参数规模、数据规模和计算能力持续提高，大规模预训练模型得以快速发展。ChatGPT进一步体现了规模化预训练和生成式模型的能力，而强化学习和推理训练等技术的加入，又进一步扩展了模型优化方式。因此，人工智能的发展并不是某一种算法单独推动的结果，而是算法、数据、算力、模型结构和训练机制共同演进的结果。
九、从数据驱动进一步走向知识、物理与交互驱动
现阶段，大模型仍然高度依赖数据驱动。但未来人工智能的发展不能长期停留在“数据—训练—预测”这一单一模式中。强化学习提供了另一种重要思路，即智能体通过与环境交互，从反馈和经验中持续学习。这与人类学习过程中的经验学习具有一定对应关系。
因此，人工智能下一阶段可能同时包含多种学习机制：从数据中学习；从知识中学习；从物理规律中学习；从环境交互中学习；从经验反馈中学习；从多智能体协同中学习。这些学习方式需要进一步融合。这也是从当前大模型进一步走向更高层次智能系统的重要方向。
十、人工智能发展的核心仍然是人才
技术演进最终仍然依赖人才。近年来，国际主要高校持续加强人工智能学科建设。2018年前后，MIT进一步强化了人工智能与计算领域的组织建设；CMU较早设立人工智能本科专业，并强调人工智能与其他学科的交叉；斯坦福大学成立以人为本的人工智能研究机构，强调人工智能技术发展与人的需求、社会价值之间的关系。国内人工智能教育体系也在快速发展。目前，多所高校已经成立人工智能学院和人工智能研究院，并持续推进人工智能与其他学科交叉融合。西电也是全国首批两所“人工智能+教育”标杆大学之一。
这一变化反映出一个基本趋势：人工智能已经不再只是计算机科学内部的一个研究方向，而正在成为支撑多个学科和产业发展的基础技术。因此，人才培养也需要从单一算法训练转向跨学科能力培养。未来人工智能人才不仅需要理解模型和算法，还需要掌握数学、物理、计算机、信息科学以及具体应用领域知识，并具备将人工智能技术与实际问题结合的能力。当前人工智能相关人才需求快速增长，本质上也是技术变革和产业发展共同作用的结果。
十一、大模型正在进入真实应用场景
除了通用大模型之外，人工智能还需要大量面向具体领域的专业模型。目前，我们也做了10个大模型，包括遥感、通信、传统文化数字化等多个方向。例如，在遥感领域，可以利用人工智能处理卫星和航空影像，实现目标识别、场景理解和信息提取。在文化遗产保护领域，可以利用人工智能对壁画等历史资料进行数字化处理，实现色彩恢复、二维到三维重建、静态内容动态化展示等，为文化遗产数字化保护和传播提供新的技术手段。通信领域同样可以通过人工智能增强信号处理、网络优化和资源调度能力。这些应用说明，大模型的价值不只是构建一个统一的通用系统，而是进一步与具体领域的数据、知识和物理规律结合，形成能够解决实际问题的专业智能系统。
十二、下一代人工智能需要进一步突破现有技术边界
总体来看，当前人工智能仍处于快速发展阶段。已有的大模型体系主要建立在深度学习、反向传播、梯度优化和大规模数据训练基础之上。这些技术推动了过去十余年人工智能的发展，但未来仍需要进一步拓展新的理论和技术空间。
下一代人工智能至少需要进一步研究以下几个方面：如何突破单纯依赖规模扩展的发展模式；如何将物理规律引入模型；如何提高推理和决策能力；如何建立因果关系与知识表达机制；如何形成感知、认知、决策和行动闭环；如何实现不同规模模型之间的协同；如何提高模型在复杂真实环境中的可靠性；如何实现数据驱动与知识驱动的融合；如何建立智能系统与物理世界之间的持续交互；如何推动人工智能真正进入科学研究和产业应用。
其中，物理智能与具身智能是两个值得重点关注的方向。物理规律为人工智能提供对真实世界的约束和解释基础，具身系统则使人工智能能够进入真实环境，通过感知、学习、推理、决策和行动完成任务。两者结合，有可能进一步拓展人工智能的能力边界。
结语
因此，回到今天的主题：“通用人工智能有多远？”通用人工智能更适合被理解为一个持续演进的过程，而不是一个具有固定终点的目标。它会经历不同的发展阶段，也会形成一个又一个技术里程碑。但随着科学问题、产业需求和人类社会不断发展，人工智能面对的问题也将持续变化。
未来的人工智能不会只是更大的数据、更大的模型和更多的算力，也不会只是单一模型能力的扩展。它需要实现数据、知识、物理规律、学习、推理、决策和行动的深度融合；需要实现不同模型、不同场景和不同智能系统之间的协同；需要从数字空间进一步进入真实的物理世界。从这一意义上讲，通用人工智能将长期处于持续发展之中。人工智能有里程碑，但没有固定的终点。
谢谢大家。
