特邀报告 | 开宗明义

梅宏教授作特邀报告

中国科学院院士、北京大学梅宏教授作题为“人工智能现状和展望——若干认识和思考”的特邀报告。梅宏教授从“智能”“计算”“人工智能”“机器学习”等概念辨析出发，回顾了从莱布尼茨、希尔伯特、图灵到达特茅斯会议以来人工智能发展的思想脉络，指出当前大模型热潮之下尤其需要“冷思考”。他强调，数据驱动智能、计算实现智能是当前人工智能发展的重要特征，但现有技术路径仍高度依赖数据、算法和算力，对大模型能力来源、训练数据限制、Scaling Law适用边界、生成式架构与判别式任务之间的错配等问题，应保持审慎分析。围绕本次会议主题，梅宏教授提出应重点关注大模型能力从何而来、大模型解决哪些任务存在局限、如何从单一模型走向模型系统，以及如何强化人工智能的工具叙事，使社会预期回归理性。他特别指出，AI应作为服务人类、增强人类能力的工具，而不应成为替代人类判断与责任的主体；在教育、科研和公共知识体系中，更应坚持“能力不退化、判断不外包、责任不让渡”。

胡事民教授作特邀报告

中国科学院院士、清华大学胡事民教授带来了题为“从大模型的全栈技术体系看能力边界和应用前景”的特邀报告。胡事民教授从大模型发展的全栈技术体系出发，系统分析了模型训练、推理、软硬件生态、评测基准、数据构建和应用落地等关键环节。他指出，大模型竞争正在从单纯的基础能力竞争，转向模型基础设施、后训练能力和推理效率的综合竞争；训练是阶段性投入，推理则是持续性支出，未来任务完成率、推理成本和系统效率将成为衡量大模型应用价值的重要指标。胡事民教授还结合团队在计图深度学习框架、JittorInfer推理优化、多模态训练数据构建、复杂推理评测和视觉推理评测等方面的研究，展示了大模型在数学证明、代码生成、教育和内容生成等方向的应用前景，同时指出现有多模态大模型在真实视觉推理任务中仍显著落后于人类水平，单纯扩大模型规模并不能自动突破所有能力边界。报告最后，胡事民教授强调，高质量数据集、国产软硬件生态和面向任务的系统优化，是推动大模型从能力展示走向真实生产力的关键。

-02-

Panel论坛 | 边界、风险与下一站

左右滑动查看更多

合影左起：杜小勇、胡事民、梅宏、陆品燕、杨红霞

在“数据智能的能与不能：边界、风险与下一站”Panel环节，梅宏教授、胡事民教授、陆品燕教授、杨红霞教授等嘉宾在杜小勇教授主持下，围绕教育、知识污染、能力边界和社会责任等问题展开深入讨论。针对“能力不退化、判断不外包、责任不让渡”这一命题，与会专家从不同角度指出，大模型正在改变学习、科研和工作方式，但教育的基本逻辑并未改变：学生仍需通过基础知识学习、能力训练和价值观塑造形成长期发展能力。专家们同时讨论了AI生成内容对公共知识体系和学术生态的潜在污染风险，认为技术手段可以缓解部分问题，但高质量数据建设、生成内容标注、学术诚信制度和评价机制同样不可或缺。围绕AI+教育，嘉宾们既看到其在教案生成、个性化练习、作业批改和本科通识教育中的积极价值，也提醒在中小学认知形成阶段不能轻率外包思考过程，更不能以效率提升替代真正的能力培养。

-03-

对话 | 数据智能的理论上限

左右滑动查看更多

本次会议特别设置“对话：数据智能的理论上限”环节，这也是本期秀湖会议在组织形式上的一次创新。中国科学院院士王怀民教授与乌镇智库张晓东教授围绕“第一性原理”展开对谈，从人工智能史、计算理论、学习理论和物理极限等多个层面追问数据智能的根基与边界。对话从图灵机、通用计算、哥德尔不完备性、神经网络与图灵可计算性的关系谈起，进一步讨论了持续学习、开放世界表达、Next Token Prediction与压缩理论之间的关联。两位嘉宾指出，理解数据智能不能只停留在模型性能和工程规模层面，还需要回到“什么是计算”“什么是学习”“数据如何表达世界”“能耗和物理极限是否会先于AGI到来”等根本问题。王怀民教授强调，今天的机器学习不仅是在学习函数，更是在尝试用可执行的人工模型表达自然世界；张晓东教授则从人工智能思想史和计算理论出发，指出次优压缩、中间过程和时间—空间边界研究对于理解大模型具有重要意义。现场讨论还延伸至AI4Science、认知主体与数据使用之间的关系，进一步形成共识：不同学术流派之间的相互启发、相互学习，正是推动数据智能从经验热潮走向理论自觉的重要路径。

-04-

左右滑动查看更多

左起：杨红霞、石川、王翔、黄高、王希廷、张牧涵

本专题围绕数据智能进入科学研究、产业应用、社会治理和多模态交互等复杂场景后所面临的能力边界展开。与会专家讨论了协作生成式人工智能、图多模态统一建模、自主智能体、强化学习驱动推理、大模型安全风险和智能体参数持续学习等议题。专题讨论进一步聚焦生成式架构与判别式任务的关系、开放域长尾幻觉对高风险场景的影响，以及多模态应用距离真正落地还有多远等问题。专家们认为，未来高风险应用的关键并不只是追求“消灭错误”，而是让错误可发现、可追溯、可纠正；多模态能力也不应只看演示效果，而应在真实环境理解、结构约束处理和任务可靠性中接受检验。

左右滑动查看更多

左起：陆品燕、李建、叶翰嘉、李帅

本专题围绕大模型能力增长的底层规律展开讨论，关注模型能力究竟受哪些因素制约，以及Scaling Law、推理时扩展、增量学习和架构创新之间的关系。与会专家从大模型机理研究方法论、语言大模型的信息—计算—统计极限、模型复用与能力外推、扩散模型理论基础等角度展开观点分享。分组讨论中，专家们围绕数据的空间广度、时间跨度、分布密度和质量极限，高质量公开数据是否见底，合成数据是否导致反噬，以及Transformer和自回归范式的理论局限等问题展开辨析。讨论表明，数据智能的理论上限既不是单一数据规模问题，也不是单一模型结构问题，而是数据、计算、统计规律、任务分布和系统机制共同作用的结果。

左右滑动查看更多

左起：卢暾、李昊天、马帅

本专题关注数据智能系统如何与人形成有效协同，而不是简单替代人。与会专家围绕人智协同中大模型能力如何被激活、如何被约束，以及应用瓶颈如何从“单点任务能力”转向“复杂协作能力”展开讨论。观点报告从协同激活、交互驱动、主动引导、用户建模和协作机制设计等角度切入，强调在人机协同场景中，真正重要的不仅是模型能否给出一个答案，而是模型能否在多轮交互中澄清意图、识别偏差、动态校准，并在合适的责任边界内参与决策。分组讨论进一步指出，医疗、司法、教育和公共治理等场景尤其需要保留人的关键判断权，避免将解释、选择和责任过度外包给模型。

左右滑动查看更多

左起：李戈、张奇、魏忠钰、李雅亮、钱泓锦

本专题将讨论重点从“单个模型能做什么”推进到“模型系统如何组织、约束和演化”。与会专家围绕大模型智能体的工程能力与发展趋势、从统计机器学习角度理解大模型、智能体驱动的社会模拟、智能体实际应用对后训练的反哺，以及面向科学文献的智能体数据基建等问题展开交流。分组讨论中，专家们认为，Agent并非脱离软件工程传统的新物种，而更像是“大模型+上下文管理+工具+记忆+编排+审计”的集中显形；未来评价智能体系统，应更多关注任务分解、流程编排、异常处理、可维护性和系统级可信，而不是只看单点生成能力。围绕神经与符号结合，专家们还讨论了形式化验证作为信任锚点的可能性，即由大模型负责生成候选方案，由符号系统、证明器或外部工具承担验证功能，从而为开放领域的可信智能系统提供新的路径。

-05-

左右滑动查看更多

为进一步延展观点报告的讨论深度，本次会议创新设置“擂台”交流机制：各专题观点报告结束后，报告嘉宾分别围绕自己的报告主题设置讨论点，与会专家可自由选择感兴趣的议题继续交流、追问和争鸣。不同研究背景的专家围绕具体观点进行更充分的碰撞。

左右滑动查看更多

会议期间，与会专家围绕“数据智能的能与不能”展开了多轮分组讨论和集中研讨。讨论议题覆盖生成式架构与判别式任务、开放域长尾幻觉、高风险场景错误治理、多模态应用落地、数据驱动智能的理论上界、Scaling Law与增量学习、Transformer及自回归范式局限、人机协同中的能力保持与责任边界、意图澄清与认知校准、复杂协作能力、模型系统工程、外部记忆与系统级图灵完备性、神经与符号结合等关键问题。通过报告、提问和自由讨论，专家们既肯定了大模型和数据智能在科研、产业和社会应用中的巨大潜力，也强调必须在理论、系统、应用和治理层面同步推进，才能真正把模型能力转化为可信、可控、可持续的智能基础设施。

-06-

会议最后，与会专家围绕数据智能的发展路径、理论边界、应用红线、模型系统和人机协同机制进行总结交流。大家认为，当前数据智能正处在从“能力涌现”走向“能力治理”、从“单一模型”走向“模型系统”、从“替代叙事”走向“协同叙事”的关键阶段。未来，一方面需要继续推进大模型基础能力、推理能力、多模态能力和智能体系统的发展；另一方面，也必须正视数据天花板、幻觉风险、知识污染、教育影响、责任边界和系统可信等问题。只有在理论研究、工程系统、应用验证和制度建设之间形成良性互动，数据智能才能真正服务科学发现、产业升级和社会发展。

本期会议执行主席：杜小勇

会议联合主席（左起）：陆品燕、魏哲巍、汪云海

CCF将持续推进相关话题的讨论与总结，请持续关注CCF的后续报道。