<mark id="oztn4"></mark>
0
| 本文作者： 周蕾 | 2025-12-15 16:47 |
作者丨周蕾 趙之齊 張嘉敏
編輯丨周蕾
2025年12月12日，深圳南山。
第八屆GAIR全球人工智能與機器人大會主論壇，于上午9:30在深圳南山·博林天瑞喜來登酒店正式拉開帷幕。本次大會為期兩天，由GAIR研究院與雷峰網(wǎng)聯(lián)合主辦，高文院士任指導委員會主席，楊強院士與朱曉蕊教授任大會主席。
作為粵港澳大灣區(qū)的AI標桿盛會，GAIR自2016年創(chuàng)辦以來，始終堅守“傳承”與“創(chuàng)新”的雙重底色——從學界泰斗的精神傳承，到華人頂會主席們的思想接力，再到青年學者的鋒芒展露，這里不僅是技術交流的平臺，更是承載中國AI四十年發(fā)展記憶的精神家園。
時隔四年，GAIR從海外重返深圳主場。這四年來，大模型掀起巨浪、人工智能邁上更高舞臺的四年，知識生產不再局限于傳統(tǒng)路徑，產業(yè)變革更是按下“加速鍵”。值此歲末年初的節(jié)點，GAIR如期赴約，用一場高質量的觀點碰撞，為行業(yè)與大眾回顧科技高速的腳步，呈現(xiàn)AI時代的前沿洞見。
12月12日的主論壇，延續(xù)GAIR一貫的學術前沿特色，設有：“AI之道：教育的重新定義”、“AI之術：領域的范式重構”兩大研討主題。當日，大會現(xiàn)場有十多位頂級學者發(fā)表精彩演講，更有兩場AI學術大咖激烈交鋒的高端對話，他們帶來的前沿科技進展、產業(yè)實戰(zhàn)經(jīng)驗和人文關懷，使這一天成為值得深度思考的思想盛宴。
首先，是本次大會主席，加拿大工程院院士、加拿大皇家科學院院士楊強教授登臺致辭。這一日也正好是楊強教授的生日。開幕式上，他回顧GAIR八年來的舉辦歷史，如2020年齊聚GAIR緬懷黃煦濤教授，2023年GAIR首次出海，大會始終在記錄AI領域的薪火相傳。他以“老朋友”“家里人”的身份，陪著GAIR見證歷史，預祝大會圓滿成功，繼續(xù)創(chuàng)造新的“第一次”。
首位登場的演講嘉賓，是深圳理工大學教務長、澳門大學第八任校長趙偉院士。深耕高等教育管理與學術研究數(shù)十年，趙偉院士見證了中國高等教育從追趕邁向引領的全過程，對于 AI 給高等教育帶來的沖擊與機遇有著深刻洞察。
在報告中，趙偉院士開篇點出 AI 對社會生產生活的深刻影響，指出高等教育的顛覆主要體現(xiàn)在知識產生、學生培養(yǎng)和教育管理三方面。
首先在學生培養(yǎng)方面，趙院士提出傳統(tǒng) “知識就是力量”“培養(yǎng)有用之才” 的理念需升級，大學應回歸 “培養(yǎng)有用、有智慧的人” 的本質，幫助學生找到自身定位、明確專業(yè)方向與職業(yè)路徑。
針對 AI 時代學生的特點與焦慮，深圳理工大學采取 “加減替換” 的培養(yǎng)模式：減法上，刪減微積分習題集等低效課程內容，壓縮課堂時長 20%、每周減少一天上課時間；加法上，要求大一學生必修兩個學期人工智能導論，每周騰出一天進實驗室參與科研實踐，同時強化書院素質教育；替換上，用跨文化交流課程替代傳統(tǒng)英語四六級導向教學，計劃以智能 APP 取代傳統(tǒng)教科書，更注重實用能力培養(yǎng)。此外，學校還將推出科研成果與素質教育雙成績體系，全面評價學生能力。
在高等教育管理方面，他指出傳統(tǒng)信息系統(tǒng)類似 “電子版電話黃頁”，無法應對智能性問題分析，建議迭代為智能信息系統(tǒng)：弱智能層面可在現(xiàn)有平臺接入大語言模型，實現(xiàn)初步智能分析；強智能層面則讓智能系統(tǒng)直接對接各子系統(tǒng)，實現(xiàn)實時響應、智能決策，同時降低管理成本、提升隱私保護水平。
趙偉院士總結稱，AI時代，高等教育的高層決策、中層管理到信息系統(tǒng)都有改變。人才培養(yǎng)模式要做加法、做減法、做迭代，做替換。有了人工智能之后會怎么樣？
“首先我們得活下去，我們也許能造人工智能的反，造了反也得活，不造反也得活，而且我認為我們會活得更好。”
隨后，中國工程院外籍院士、英國皇家工程院院士、歐洲科學院院士、香港科技大學首席副校長郭毅可，帶來了以《人工智能與未來教育》為主題的演講。
深耕學界多年的他，見證了AI與高等教育的演進交匯。他從生成式AI重塑知識獲取方式談起，指出當下教育的對象已經(jīng)不僅是孩子、也包括機器，而兩者之間存在著意想不到的共性。借此，他引出了對教育范式即將轉向的思考。
“現(xiàn)在知識已經(jīng)無處不在，本來的黃金變成了空氣”，郭毅可在開場便投下這句頗具分量的判斷。由此，他進一步發(fā)問：教育曾以知識稀缺為前提，但在生成式AI已成為“智能百科”的當下，我們究竟要如何教與學？
郭毅可笑說，自己是對AI發(fā)展非常樂觀的人。在他眼中，人工智能時代的教育，應從“知識傳輸”，轉為培養(yǎng)學生的能力、好奇心、學習主動性和共創(chuàng)意識。在現(xiàn)場，他展示了自己與AI對話共同制作的表格，他們共同探討出一個結論：人類攀登智能頂峰需要經(jīng)歷三個境界：真、善、美。
如今的生成式AI，已具備“真”的能力，即掌握知識與事實。但郭毅可隨即以“回形針最大化者”思想實驗提醒聽眾：一個只有效率、卻缺乏價值判斷的系統(tǒng)是危險的，因此，“善”與“美”也不可或缺。他繼而解釋，“善”對應著自我反省能力，“美”則是每個人獨特的自我展現(xiàn)。未來的教育，必須更注重價值觀、自省力、判斷力和欣賞力的培養(yǎng)，才能“創(chuàng)造智能的機器，去培養(yǎng)更聰明的人”。
而作為香港科技大學首席副校長，他在演講中也驕傲地表示港科大是“全球第一個宣布GPT是好東西、并在教學里廣泛使用”的學校。但他也強調，教育和考核方式要因應時代而變，“如果學生還能用AI作弊，那就說明考試方式本身出了問題。”
上午大會的重頭戲，是“重新定義教育：AI的顛覆與未來”為主題的圓桌論壇，楊士強教授與趙偉、郭毅可兩位院士攜手帶來一場深度對話。楊教授笑稱，趙、郭兩位校長均有海外留學任教、后回國創(chuàng)辦新學校的經(jīng)驗，對當下AI與高等教育的變革應有切身體會。圓桌過程中，三位嘉賓著眼于AI時代教育的核心矛盾與變革路徑，圍繞中外教育模式差異、社會對教育的過高期待、學生自主發(fā)展與淘汰機制、AI對教育的賦能邊界等關鍵議題各抒己見，現(xiàn)場金句頻出，掌聲不斷。
趙偉院士首先表示，當前AI在教育轉型方面不存在所謂“彎道超車”，相反地，大家對教育抱有過高的期望值，將前沿技術進步和教育成果片面地聯(lián)系起來，事實上進步應與全社會相關，不能將這一重擔都落到師生的肩上。
郭毅可院士也對趙院士的觀點表示了認可，他認為，“領先”是別人的話語體系，我們應創(chuàng)造一套自有的教學理念，“現(xiàn)在很大的問題是，我們根本不知道自己走什么道路。”
郭院士進一步指出，AI已極大地將教育民主化，也同時為學生和老師都帶來了更強的教育自主性。對自主學習的強調，也是海內外教育體系的顯著差異之一。他認為大學教育改革非常重要，比起重復多余的課程，更應該教導學生培養(yǎng)能力，尤其是實踐方面的能力。“所有的知識，你都可以從GPT那里獲得，你要做的是尋找哪些知識、解決哪些問題。”
接著三位嘉賓針對大學淘汰制發(fā)表了自己的看法，楊士強教授認為，淘汰制有利于博士質量的提高，但這一制度在內地高校接受度不高。趙偉院士也舉了英美高校的例子，表示應該讓學生“找到自己”，眼下的學歷、專業(yè)、學校都有可能不適合自己，如果學生知道了什么不適合自己，這是成功的，而非失敗的表現(xiàn)。郭毅可院士則在這一話題上分享了香港科技大學的實踐，即入校先不選專業(yè)，只選初步的院系。他認為這一機制為學生提供了靈活調整的空間，但也難以避免跟風熱門專業(yè)的情況。
隨后楊士強教授拋出了重磅提問：對2025年以后的大學生而言，哪些能力將成為最重要的求生能力？AI環(huán)境下，現(xiàn)在一所頂尖大學的核心競爭力體現(xiàn)在哪些方面？
郭毅可院士認為，知識的獲取和記憶已不重要，重要的是運用知識的能力和溝通能力，不光是人與人的溝通，還有人與機器的溝通。其次是創(chuàng)造力，因為未來未必有那么多大公司的工作機會，更看重能否獨立創(chuàng)造公司，通過AI制造想要的東西——AI會使這個社會更獨立，使組織架構發(fā)生變化，“財務、人事都不用你做，你只需要做好組織架構。”而大學最關鍵的就是培養(yǎng)學生和老師，“大學的競爭力最終的產品就是人。”
趙偉院士則指出，好大學、好學科有兩個共同特征：都與數(shù)學、與母語語言文學系有關。大學的使命就是真善美，人文。學生到大學，不應該只學科技，越是到了人工智能的時代、技術強制的時代，人文越凸顯其重要性。
現(xiàn)場不少觀眾積極舉手提問，圓桌論壇險些超時，楊士強院士笑著向趙偉、郭毅可二位校長提出“苛刻要求”：60秒內完成回答。
首先提問的是另一位主論壇演講嘉賓，南方科技大學副教授張進。她提到，國內不少孩子從小上補習班、做習題，沒有時間認識世界、體驗世界；AI出現(xiàn)后，大家也擔憂孩子們總跟AI打交道，不會跳出虛擬世界再認識世界，該如何看待此事，以及怎樣借助AI來幫助孩子們認識世界、體驗世界和改變世界？
郭毅可院士這樣回答：至少用AI幫助學習、了解世界的時候，它是回答問題，而不是灌輸你已有的知識，這已經(jīng)是第一步的改變了。
趙偉院士則表示，應試教育的現(xiàn)實不易改變，唯一能做的就是在校內減教學、減刷題、減考試量，加上“體驗”，通過體驗讓孩子體驗到科研的快樂，體驗到人生的快樂，找到自己，這是AI不能代替的東西。
隨后有觀眾提問，怎么分配孩子使用AI工具的時間和精力？趙偉、郭毅可兩位院士都表示，為了應付考試，限制使用是有道理的，但從長遠來看孩子與AI是伴生的，遲早會接觸到AI工具，阻礙他們用AI是“開倒車”的行為。
圓桌的最后有觀眾提問如何引導挖掘孩子的特長，郭毅可院士表示，應該提供環(huán)境，讓孩子發(fā)現(xiàn)特長；針對楊士強教授進一步引申出的“揚長補短”，趙偉院士則表示不光要找到專長，還要找到短板，補齊短板是沒有用的，關鍵是揚長避短，拉長“長板”。
郭毅可教授補充稱：“你的‘短’很好，短制造了你與別人的不同，一個沒有短板的人是很可憐的。”
日本工程院院士、IEEE原副主席、IEEE Life Fellow Kazuhiro Kosuge（小菅一弘），在大會上帶來了關于《如何利用人工智能機器人技術革新服裝生產流程》（Explore how garment production processes can be transformed with AI-powered robotics）的主題演講。
這已經(jīng)是他第二次參加GAIR。長期從事智能機器人、人機協(xié)作系統(tǒng)及工業(yè)機器人技術研究的小菅一弘教授，如今任職香港大學電氣與電子工程系機器人系統(tǒng)講席教授。
報告開始前，他回顧了六年前在GAIR曾播放的那支影片——在2005年的世博會上展示“翩翩起舞”的舞伴機器人。而近年來，他與港大的團隊把機器人應用研究方向錨定在服裝市場里。
小菅一弘指出，這個市場規(guī)模巨大、但智能化不足。他首先展示了幾組數(shù)據(jù)：到2030年，全球服裝市場價值估計會達到2.3萬億美元，然而，根據(jù)2019年的數(shù)據(jù)，即便在機器人使用率最高的五個國家，紡織產業(yè)的機器人密度仍然很低。其中，總生產時間和成本的80%仍然用于物料搬運，且還有67%的勞動力集中于縫紉過程，包括材料搬運環(huán)節(jié)。
盡管已有半自動化的機器人，完成基本的服裝裁剪等操作，但這些機器仍需要人工操控，且細節(jié)處靈活度不足。例如，在處理不同款式和尺寸的服裝時，每次都要重新設置整個系統(tǒng)。
小菅一弘與團隊共同開發(fā)了一系列技術，包括可以從織物堆中依次抓取最頂部織物的被動式無致動器抓手，以及布料邊緣高速檢測、雙臂機械手2D和3D裁剪制作，以及裁片對齊等。
他用一系列縫紉機器人操作視頻，生動展示機器人的運作過程，縫紉涉及進針、出針、自動進布等多個環(huán)節(jié)，但“這個機器人能像人一樣思考，在必要時配合旋轉布料的方向”。
不過，小菅一弘和他的團隊并不只把研究停留在實驗室里，即便是小到對機器進行動態(tài)運動建模的功能，他們也找到了合適的落地場景：印花材料輸送。他深知這套系統(tǒng)的商業(yè)化，需平衡衣服本身制作成本與機器投入成本間的問題，綜合考慮下，他們選定了“汽車座椅”這一場景。
他提到，如今3D剪裁還高度依賴于高技能的操作員；而放眼3D剪裁涵蓋的市場，汽車座椅品類產量高，且預計到2028年，這一市場的工業(yè)生產設備投入預計將達到3.63億美元，但該細分賽道尚無自動化解決方案。
小菅一弘還指出，在中國、北美、東南亞和日本市場之外，最大的市場將會是歐洲——迫于昂貴的人工，如果他們想繼續(xù)在服裝市場里占據(jù)一席之地，自動化已是必然選擇。
隨后登場的，是香港科技大學講座教授、馮諾依曼研究院院長，IEEE Fellow賈佳亞。作為AI領域的資深學者，賈佳亞教授曾在GAIR 2019發(fā)表以“AI多模態(tài)發(fā)展”為主題的演講。
在本次GAIR的會場，他分享了不少最新技術成果，這些成果此前均未在公開場合過多披露。例如2024年推出的多模態(tài)模型Mini-Gemini，今年新增完整中文語音系統(tǒng)，支持長視頻理解、無樣本音色克隆及跨語言生成，解決中文語音系統(tǒng)混亂的痛點。
此外，智能圖像生成編輯技術成果豐碩：ControlNeXt輕量化操作可實現(xiàn)圖像風格轉換、動效生成等。而DreamOmni2僅2名學生用500張卡半年完成，功能覆蓋像素級編輯，更在全新的抽象概念處理任務上展現(xiàn)出非凡實力。賈佳亞教授表示，它有望成為在開源系統(tǒng)里唯一能跟nano-banana對齊的系統(tǒng)。
在大模型未來發(fā)展上，他提出關鍵思考：當前Sacling Law是基本發(fā)展方向，但大模型發(fā)展需聚焦“改善神經(jīng)元連接方式”，讓其在同等數(shù)量的神經(jīng)上變得更聰明。從早期的卷積神經(jīng)網(wǎng)絡，到后來的Transformer，都是在改變神經(jīng)元的連接方式。
他進一步強調，現(xiàn)在大模型是“一次性學習”模式為主，需革新為人類“連續(xù)學習”式終身學習。與此同時，當前AI是“虛擬大腦”，未來需結合機器人等實體載體，通過四肢感知世界以縮小與人類差距。 賈佳亞總結稱，AI與大模型未來將走向“感知機器+終身學習”結合模式，發(fā)展進程雖然可能緩慢，但這將是學界、業(yè)界未來5-10年的核心方向。
在聆聽了上午場多位重量級嘉賓的精彩演講和討論后，大會于13:30繼續(xù)進行。下午場最先登場的，是KDD China主席、京東集團副總裁、IEEE Fellow鄭宇教授，他帶來了《時空AI：人工智能進入物理世界的基礎理論和關鍵技術》專題匯報。
鄭宇教授指出，人工智能過往在虛擬世界，如大語言模型、數(shù)字孿生，取得顯著成功，但真正的產業(yè)價值需進入物理世界——即問題與數(shù)據(jù)源于物理世界，通過感知、建模、分析后反饋回物理世界，例如具身智能、無人駕駛、城市管理等領域。
而AI要在物理世界發(fā)揮價值，需面對三大挑戰(zhàn)：一是數(shù)據(jù)稀缺，采集數(shù)據(jù)成本高、周期長。二是需要結合行業(yè)知識，當目標領域的數(shù)據(jù)不足時，需要學習更多領域的知識，才能實現(xiàn)跨域數(shù)據(jù)融合。三是當前機器學習模型主要服務于自然語言、圖像、聲音，而非為時空而設，時間和空間屬性難以捕捉。
會上，鄭宇教授回顧了時空AI的發(fā)展歷程，并分享了空氣質量監(jiān)測和雄安智能城市等標桿案例。他提到，城市知識體系是城市數(shù)據(jù)向知識轉化的路徑和方法論，以及城市知識對齊和復用的基準，包括知識體系的內容、表達、產生和應用，可實現(xiàn)時空數(shù)據(jù)與其他數(shù)據(jù)的融合。
他進一步結合當下技術趨勢提出：
城市計算可作為具身智能的方法論，而具身智能將成為城市計算的核心組件 ，未來城市有望成為“巨大的具身智能體”。
鄭宇教授在演講最后鼓勵道，科技競爭已打響，在座各位將是中堅力量，“一萬年太久，只爭朝夕。”
隨后，作為雷峰網(wǎng)(公眾號：雷峰網(wǎng))的“老朋友”、第三次參加GAIR的胡俠教授帶來《基于有損計算的大語言模型高效服務》（Efficient LLM Serving via Lossy Computation）為主題的演講。
胡俠教授長期研究機器學習、人工智能核心技術研發(fā)及多領域落地應用，現(xiàn)任上海人工智能實驗室主任助理、領軍科學家，重點圍繞大語言模型優(yōu)化展開學術研究。
此次胡俠教授從微小視角切入，在演講中分享如何以“有損計算”為核心的簡易算法，破解大模型長上下文處理瓶頸的難題。胡俠教授笑稱，這樣的解法是“用小學生的數(shù)學解決一個非常重要的大問題”。
胡俠教授首先拋出一個場景：用戶向LLaMA模型輸入了一個罕見病問題，但LLaMA在訓練階段并未接觸過類似數(shù)據(jù)，也未針對這類問題做過適配，因此無法給出準確答案，往往會提供虛擬或虛構的答案。
針對幻覺這一阻礙大模型大規(guī)模普及部署的核心瓶頸，他給出兩種常規(guī)解決思路：一是將相關書籍、論文整合到prompt（提示詞）中提交給大模型，使其在部署或推理階段具備對應知識支撐；二是RAG（檢索增強生成），輸入prompt后，先通過搜索引擎獲取10篇相關文章，將這些文章內容融入提示詞再提交給大模型。
但這兩種解決思路受限于模型長上下文處理能力，無法有效解決幻覺問題。針對這一痛點，胡俠教授基于兩個關鍵點——參數(shù)精度無需過高、無需啟用全部參數(shù)，提出“有損計算”理念，研發(fā)出兩套可通過基礎數(shù)學實現(xiàn)的簡易算法。第一套算法聚焦相對位置信息的優(yōu)化，第二套算法則針對KV緩存（Key-Value Cache）的顯存占用問題。
胡俠教授笑說：“我就喜歡做比較簡單、比較容易、比較小的研究，能夠極快提升模型運行的效率。”他提到，由于這一方案具備易理解、易實現(xiàn)、易集成的特性，目前已獲得廣泛關注。
接下來登場的，是之江實驗室科學模型總體部技術總師薛貴榮，他帶來了《科學基礎模型：人工智能的下一個前沿》的主題報告演講。在報告的開篇處，他提到，“AI的真正價值不只是寫論文摘要，更重要的是形成可驗證的結果。”
薛教授指出，當前科學基礎模型仍面臨兩大瓶頸：一是語言邊界限制，即依賴語言認知的模型難以突破科學問題的表達局限。 二是科學數(shù)據(jù)復雜性，光譜、基因、地震數(shù)據(jù)等呈現(xiàn)了超高信息密度，如一張光譜信息量相當于1000張圖片，人類30億個基因可存儲全球數(shù)據(jù)，而語言作為低維離散符號系統(tǒng)，遠無法覆蓋科學知識的高維空間。
針對挑戰(zhàn)，他提出科學基礎模型的構建路徑：
首先是將分子、基因、光譜等非文本科學數(shù)據(jù)轉化為Token表示，分配科學空間并統(tǒng)一編碼，實現(xiàn)生命科學、材料科學等多領域數(shù)據(jù)的拓撲化整合。
其次通過動物遷移與溫度變化、城市GDP與夜光等案例，揭示數(shù)據(jù)對齊對科學發(fā)現(xiàn)的推動作用，例如基因數(shù)據(jù)與病理數(shù)據(jù)對齊可實現(xiàn)全流程基因突變的解析。
基于上述工作，團隊已完成超大規(guī)模模型訓練，覆蓋十余門學科。
薛教授同時提出了“大模型種子班”和“科學家工作坊”兩項舉措來推動與全球科學家的合作，并發(fā)起全球倡議，征集科學領域“最難問題”，呼吁通過開放協(xié)作加速AI+科學的研究。
關聯(lián)閱讀：GAIR 2025 大會首日：AI重構教育、科學與產業(yè)的十三重碰撞（下）
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。
