xx色综合,国产午夜亚洲精品不卡网站,成年在线欧美,最近免费中文字幕mv在线视频3 ,亚洲综合人成网免费视频

人工智能

科學(xué)智能︱上海人工智能實驗室主任、首席科學(xué)家周伯文:關(guān)于人工智能前沿的十個問題

ainet.cn   2025年07月09日

通用人工智能(AGI)猶如星辰大海,吸引著學(xué)界和業(yè)界同行者不懈探索,并不斷取得新突破。但前進的路上仍然充滿未知,如能突破研究機構(gòu)與學(xué)科的藩籬,讓研究者在開放的科學(xué)社區(qū)中碰撞思想,將有望加速催生顛覆性的科學(xué)突破。

本文系上海人工智能實驗室主任、首席科學(xué)家,清華大學(xué)惠妍講席教授周伯文于2025年6月13日在首屆明珠湖會議所作的開場報告。

科學(xué)社區(qū)的力量:創(chuàng)新的搖籃

歡迎各位專家與青年朋友參加明珠湖會議。

我們今天正式啟動了一個全新的科學(xué)社區(qū)——星河社區(qū)。首先我想分享幾個故事,跟大家探討一下,為什么需要科學(xué)社區(qū)的力量。

眾所周知,現(xiàn)代科學(xué)起源于英國,英國現(xiàn)代科學(xué)的一個典型標志是英國皇家學(xué)會,它成立于1660年,是世界上歷史最悠久、從未中斷的科學(xué)學(xué)會。但其實它有著更久遠的淵源——一群科學(xué)家在1618年發(fā)起了非正式運行的“隱形學(xué)院”(Invisible College)——這種緊密的交流塑造了近代科學(xué)精神。例如,英國皇家學(xué)會成員中,牛頓奠定了經(jīng)典力學(xué)基礎(chǔ),霍金則在黑洞理論和宇宙學(xué)中揭示了時空的奧秘。

科學(xué)研究離不開思想碰撞。另一方面,現(xiàn)在追求創(chuàng)新鏈和產(chǎn)業(yè)鏈的融合,在產(chǎn)業(yè)鏈,也一樣需要碰撞和交流。

1765年,工業(yè)革命的發(fā)源地英國伯明翰誕生了一個社區(qū)——這也印證了科學(xué)先行、技術(shù)跟隨的理念。這一社區(qū)最早的發(fā)起人有瓦特等在工業(yè)革命史留下名字的人,他們以組織晚餐俱樂部的形式定期聚會。聚會時間往往選擇在滿月之夜,因為在沒有路燈的情況下,月光可以幫他們照亮回家的路——這個團體因而取名為“月光社”(Lunar Society)。“月光”社孕育了許多著名人物,如“熱力學(xué)之父”開爾文勛爵;也催生了許多突破性的發(fā)明發(fā)現(xiàn),如博爾頓與瓦特公司(Boulton & Watt)對蒸汽機的改造推動了第一次工業(yè)革命。

時鐘撥轉(zhuǎn)到20世紀,在計算機領(lǐng)域,美國高級研究計劃局(Advanced Research Project Agency)在1960年代資助了眾多美國計算機科學(xué)領(lǐng)域的研究。其中一項劃時代的工作是阿帕網(wǎng)(ARPANET)——全球互聯(lián)網(wǎng)的鼻祖。

阿帕網(wǎng)還帶來了一個“副產(chǎn)品”。

最初的“阿帕網(wǎng)”,由西海岸的4個節(jié)點構(gòu)成,包括加州大學(xué)洛杉磯分校(UCLA)、斯坦福研究院(SRI)、加州大學(xué)圣巴巴拉分校(UCSB)和猶他大學(xué)(UTAH)。后來阿帕網(wǎng)陸續(xù)擴展到其他大學(xué)。

在計算機歷史的重要著作《The Dream Machine》(夢想機器)中,記錄了個人計算機和互聯(lián)網(wǎng)誕生背后關(guān)鍵的一群人,其中的一個故事是:阿帕網(wǎng)各個節(jié)點所在的高校,每年會派出各自實驗室最優(yōu)秀的青年聚在一起,既參加封閉研討,也并肩滑雪、交流談心——就好像今天的明珠湖會議一樣。這群人自稱為“阿帕社區(qū)”(ARPA Community),從美國西海岸到東海岸,橫跨美國大陸的這批青年學(xué)者在此過程中建立起了緊密的友誼和共同的目標。

這個社區(qū)最了不起的成果之一,就是成就了一批優(yōu)秀的成員。盡管隨著時間的流逝,阿帕網(wǎng)逐漸淡出了歷史舞臺,但“阿帕社區(qū)”的成員繼續(xù)協(xié)作。其中有的人從學(xué)術(shù)界進入到產(chǎn)業(yè)界,參與創(chuàng)造出了個人計算機、GUI、面向?qū)ο缶幊?、激光打印機、點對點網(wǎng)絡(luò)、PostScript界面等劃時代的成果。這個社區(qū)有7位成員先后獲得了圖靈獎。

對發(fā)現(xiàn)問題的投入,與解決問題同樣重要

基于上述出發(fā)點,我認為我們首先要做的是提出問題、發(fā)現(xiàn)問題。

在科學(xué)研究領(lǐng)域,對發(fā)現(xiàn)問題的投入與解決問題同樣重要——這一點在科學(xué)界早有共識,但沒有得到足夠重視。

“阿帕社區(qū)”成員之一,艾倫·凱(Alan Kay,面向?qū)ο缶幊膛cGUI先驅(qū),2003圖靈獎獲得者)曾說:相比解決問題的過程,對發(fā)現(xiàn)問題的過程進行資助往往更重要,但這一過程往被忽視。“辛烷值”提出者、雷達系統(tǒng)設(shè)計者之一亨利·蒂澤德(Henry Tizard)認為,“科學(xué)的秘密在于提出正確的問題,而對問題的選擇是否得當是科學(xué)天才的重要標志。”

另一個例子是計算機科學(xué)、數(shù)學(xué)家理查德·漢明(Richard Hamming)。由于他喜歡追著別人問“你們領(lǐng)域最關(guān)鍵的問題是什么”,因而在社交場合一度不太受歡迎。他這么問一方面是為了用“那你們?yōu)槭裁床谎芯窟@些問題呢?”來調(diào)侃對方,另一方面則是因為這個問題確實能有效引導(dǎo)人們聚焦于真正重要的問題。這兩個問題被稱為“漢明問題”(Hamming Questions)。

歷史證明,能回答這兩個問題的人都在各自領(lǐng)域大有成就,而那些不能回答的人則默默無聞。所以說,這就是提出好問題的力量。

今天,我們召開明珠湖會議,正是基于對社區(qū)力量、提出問題的重視。希望通過這個平臺,聚集志同道合挑戰(zhàn)科學(xué)邊界的研究者,讓大家充分思考、討論,甚至激辯,從而發(fā)現(xiàn)問題,提出問題,并嘗試找到答案。

在會議的組織上,我們也嘗試了一系列創(chuàng)新。首先,通過引導(dǎo)報告提出問題;其次,通過“結(jié)對報告”(Pair Talk,讓觀點不同的人做同一個報告)凝練問題;最后,在平行論壇環(huán)節(jié)深化問題。明珠湖會議的目標聚焦于提出問題,讓參與者拋開資金和資源限制,思考自己真正愿意研究的問題。

與其他學(xué)術(shù)會議不同的是,我們希望明珠湖會議能做到以終為始、戰(zhàn)略引領(lǐng)。因此,我們討論的問題都有明確的時間邊界,聚焦18-36個月的技術(shù)窗口期——通過這種設(shè)定,讓大家專注于真正重要的問題。

在問題導(dǎo)向的過程中,我們希望參與者專注于“干什么”,而無需受到學(xué)歷、資歷和組織架構(gòu)等因素的限制。

我們還希望結(jié)合國家在人工智能創(chuàng)新領(lǐng)域的支持,幫助大家快速落地研究成果。明珠湖會議的預(yù)期產(chǎn)出是具有顛覆性的關(guān)鍵問題清單,并初步形成敏捷部署提案。在成果落地方面,我們有豐富的載體,如上海人工智能實驗室的開放課題、“AI4S攀登者行動計劃”等項目,以及上海市和國家相關(guān)重大研究項目等,可以從不同的層次、資金規(guī)模和邊界條件出發(fā),為提出的問題找到適配的規(guī)劃路徑。最終沉淀下來的關(guān)鍵問題還將面向社區(qū)開放,邀請更多有能力的同行者進行“答題”。

AI前沿十問:未來關(guān)鍵技術(shù)節(jié)點

本次會議的主題是“人工智能的多維突破與協(xié)同創(chuàng)新”,關(guān)于人工智能未來3-5年發(fā)展趨勢,我嘗試總結(jié)為“三化”。

第一個是智能技術(shù)體系化。人工智能是一個非常典型的先發(fā)展應(yīng)用,后補充理論的一個學(xué)科,發(fā)展到現(xiàn)在這個階段,需要更體系化地去追究智能的本質(zhì),更好地去完善這個體系。

第二個是智能形態(tài)多元化。習(xí)近平總書記多次強調(diào)要“加強人工智能和產(chǎn)業(yè)發(fā)展融合”“突出應(yīng)用導(dǎo)向”“加速各領(lǐng)域科技創(chuàng)新突破”。

所以人工智能一定要產(chǎn)生不同的形態(tài),和實體經(jīng)濟、社會發(fā)展、人民生活緊密結(jié)合,隨著人工智能技術(shù)的迭代,它一定會出現(xiàn)智能形態(tài)多元化。形態(tài)多元化的核心原因,一個是場景豐富度的要求,另一個是因為技術(shù)不完備,人工智能未來四五年中還會處于一個技術(shù)待完備的過程,這時候就需要妥協(xié),在應(yīng)用中考慮新的形態(tài)。所以這里就帶來一個新問題,要思考人工智能產(chǎn)業(yè)的形態(tài)呈現(xiàn)出來的是過程還是終局,是手段還是目的?在這一點上,我們要充分聽取來自學(xué)術(shù)界、產(chǎn)業(yè)界和投資界的聲音。

第三個是智能能力高階化。行業(yè)往前發(fā)展的核心動力是智能能力必須不斷進行高階化演進。今天的人工智能已經(jīng)讓大家驚嘆,但我相信這僅僅是開始。高階化離不開技術(shù)體系化,離不開要素的突破,離不開對形態(tài)的理解。否則,基于中階過程去探討人工智能的高階化,就有可能走上錯誤的道路。

以上是我針對“人工智能未來發(fā)展趨勢”的框架性思考,而針對人工智能未來關(guān)鍵技術(shù)節(jié)點的判斷,我總結(jié)提出了十個問題,這些問題至今還沒有確定的答案。今天借此機會與大家分享,希望可以和大家一起探討。

1、總體智能 vs 單位智能:如何平衡智能發(fā)展的質(zhì)量與效率?

我們從去年開始思考:當前評估模型時,往往關(guān)注總體智能——參數(shù)規(guī)模、訓(xùn)練數(shù)據(jù)量和排行榜排名。而忽略了另外一個也很重要的指標——單位智能(IQ per token)。這一指標涵蓋數(shù)據(jù)成本、計算成本和存儲成本,類似于經(jīng)濟學(xué)中的人均GDP概念。

在模型評估中,若能實現(xiàn)單位智能最大化,那么總體智能將會顯著提升。DeepSeek模型的工程創(chuàng)新使模型更為簡潔,這種簡潔本身就是智能的高級表現(xiàn)。2025年1月,上海人工智能實驗室正式提出數(shù)據(jù)思維密度(IQPT,Intelligence Quality per Token),定義為模型平均性能與訓(xùn)練數(shù)據(jù)量的比值,可以衡量大模型訓(xùn)練數(shù)據(jù)的“投入產(chǎn)出比”。今年3月,OpenAI研究負責(zé)人諾姆·布朗(Noam Brown)也分享了單位成本智能的相關(guān)觀點。

2、Deep RL規(guī)模化發(fā)展的資源悖論:如何平衡“數(shù)據(jù)合成”和“算法訓(xùn)練”兩大任務(wù)的算力分配?

深度強化學(xué)習(xí)(Deep RL)不僅是學(xué)習(xí)手段,同時也是一條能夠產(chǎn)出高價值數(shù)據(jù)的高效路徑。在運行過程中,它一方面會消耗一定的算力資源,另一方面卻能生成具備高精度、高密度特性的復(fù)雜推理數(shù)據(jù)。值得關(guān)注的是,這些合成數(shù)據(jù)可以反哺預(yù)訓(xùn)練環(huán)節(jié),從而顯著提升模型性能。

因此,在理想狀態(tài)下,我們可以追求效率飛輪:通過Deep RL消耗的算力與其產(chǎn)生的高質(zhì)量數(shù)據(jù)所節(jié)省的訓(xùn)練成本達成平衡。當這個臨界點到來,AI或?qū)⒛芤詷O低成本自我提升,實現(xiàn)“自己訓(xùn)練自己”。

3、軟硬協(xié)同創(chuàng)新:軟件向硬件適配,還是硬件向軟件兼容?

軟硬協(xié)同的路徑國內(nèi)外存在差異,國際廠商如英偉達選擇 “軟件兼容硬件”,通過深耕CUDA生態(tài),使其軟件能夠高度適配自家硬件;而國內(nèi)目前更多是“硬件兼容軟件”,例如芯片廠商調(diào)整算子以適配軟件需求。

然而,硬件研發(fā)的周期通常要比軟件長得多,這就導(dǎo)致“硬件兼容軟件”這條路徑在邏輯上遭遇了挑戰(zhàn)。學(xué)術(shù)界應(yīng)探索更高效的軟硬協(xié)同創(chuàng)新路徑,既要實現(xiàn)軟硬件在性能上的優(yōu)化,也要緊密貼合產(chǎn)業(yè)實際需求,為產(chǎn)業(yè)發(fā)展提供更有力的支持,促進整個產(chǎn)業(yè)鏈的良性循環(huán)與升級。

4、算力受限的影響:針對應(yīng)用、迭代和顛覆性的技術(shù),算力應(yīng)如何配置?

從算力運用的維度來看,可將其劃分為三類:

一是應(yīng)用算力(For Application),聚焦于已明確的場景應(yīng)用,通過加大算力投入,全力推動科研成果實現(xiàn)產(chǎn)業(yè)落地,將理論轉(zhuǎn)化為實際生產(chǎn)力,促進產(chǎn)業(yè)的發(fā)展與升級。

二是迭代算力(For Incremental),此類算力助力研究工作持續(xù)推進與模型迭代優(yōu)化,例如依據(jù) Scaling Law 投入算力開展模型訓(xùn)練等相關(guān)工作。

三是創(chuàng)新算力(For Disruptive),其核心作用在于對非主流想法進行驗證,積極探索更多尚未被充分發(fā)掘的新技術(shù),拓展多樣化的新解決方案。

當前,應(yīng)用算力和迭代算力相對充足,而創(chuàng)新算力嚴重不足,這對于顛覆性想法的產(chǎn)生與發(fā)展形成了潛在挑戰(zhàn)。要想避免研究走向同質(zhì)化困境,實現(xiàn)創(chuàng)新算力供給至關(guān)重要。這種供給應(yīng)當鼓勵差異化思考,并為非主流技術(shù)路線提供支持。

5、Agent與基礎(chǔ)模型的關(guān)系:Agent是目的還是過程?如何構(gòu)建真正自主進化的智能體?

早在2023年,我們便提出下一代大模型操作系統(tǒng)應(yīng)該是融合語言能力的工具平臺,其實與現(xiàn)在的Agent不謀而合。Agent和基座模型是什么樣的關(guān)系?Agent是目的還是手段?這值得我們思考。

從Agent發(fā)展情況看,它是依賴于基礎(chǔ)模型的,同時還需要通過與環(huán)境和用戶的互動不斷學(xué)習(xí)和自我改進。當前大多數(shù)自我改進系統(tǒng)都陷入了“僵化學(xué)習(xí)”的困境 。DeepMind科學(xué)家喬納森·里奇恩斯(Jonathan Richens)今年6月發(fā)布論文,表明實現(xiàn)具有通用智能的智能體(AGI),必然學(xué)習(xí)到了環(huán)境的預(yù)測模型(世界模型)。無論是在動態(tài)環(huán)境中,還是在任務(wù)復(fù)雜度日益上升的背景下,世界模型都是不可或缺的基礎(chǔ)。

人類智能的一個核心特征便是其永無止境的學(xué)習(xí)能力——不斷吸收新知識、適應(yīng)環(huán)境變化,并對過往經(jīng)驗進行深刻的總結(jié)、遷移與升華。智能體系統(tǒng)是否也有可能具備類似的、真正意義上的持續(xù)學(xué)習(xí)能力,甚至在此基礎(chǔ)上實現(xiàn)某種形式的“自主進化”?

6、具身智能:超級大腦與本體的關(guān)系? 如何突破“莫拉維克悖論”?實現(xiàn)類人的具身進化和環(huán)境自適應(yīng)?

在具身智能的研究范疇里,如何精準定義 “大腦” 與 “本體” 之間的關(guān)系,已成為核心且亟待攻克的關(guān)鍵問題。人類作為“智能體”,在本體能力維度,諸如力量、速度等方面,人類相較于眾多動物存在明顯劣勢。然而,人類卻憑借獨特的工具創(chuàng)造能力、環(huán)境交互與學(xué)習(xí)的能力,成功突破了自身生理局限,達成諸多超越想象的成就。

因此,未來的具身智能研究應(yīng)當深入探究大腦與本體間的最優(yōu)關(guān)系,并據(jù)此制定資源投入的最佳策略。既避免“超級大腦-弱本體”的陷阱,也避免“高級本體-簡單決策”的陷阱。從而推動具身智能技術(shù)取得實質(zhì)性、突破性進展。

7、安全可信 vs 智能:如何從Make AI Safe 到 Make Safe AI?

人工智能正以前所未有的速度發(fā)展,當前面臨的核心挑戰(zhàn)是:如何從被動的“彌補AI安全漏洞”(Make AI Safe)轉(zhuǎn)向主動的“構(gòu)建本質(zhì)安全的AI”(Make Safe AI)?

2024年,我們提出“人工智能45°平衡律”:安全不應(yīng)是AI系統(tǒng)的后期附加功能,而必須作為核心設(shè)計原則貫穿始終。2025年,約書亞·本吉奧(Yoshua Bengio)倡導(dǎo)的“設(shè)計即安全”(Safety by Design)也反映出這一點。

近期,形式化AI取得較多進展,華裔數(shù)學(xué)家陶哲軒的“Lean+AI=數(shù)學(xué)證明智能化”概念,以及創(chuàng)業(yè)公司Ndea的程序合成(program synthesis)技術(shù),都體現(xiàn)了通過數(shù)學(xué)嚴謹性確保系統(tǒng)行為可驗證。形式化AI有巨大潛力,但同時也存在一定的問題:會否由于限制太強,使系統(tǒng)靈活度下降,從而出現(xiàn)為了完成任務(wù)而“繞過安全檢查”,最終導(dǎo)致病變?自動形式化、形式化驗證是確保AI 100% 安全的路徑嗎?還有哪些可行的技術(shù)方案,比如Causal AI(因果人工智能)、Explainable AI(可解釋人工智能)等?真正的AI安全需要的不是完美的規(guī)范,而是具備自我修正能力的動態(tài)安全機制。

8、高分 vs 高能:從靜態(tài)到動態(tài)? 訓(xùn)練、評測、解決問題一體化?面向AGI的評測應(yīng)如何建設(shè)?

“AI上半場”聚焦于開發(fā)新的訓(xùn)練方法和模型架構(gòu),但模型任務(wù)與真實世界的“效用”存在脫節(jié),暴露出當下評測體系“高分低能”的問題。因此“AI下半場”將聚焦于“現(xiàn)實世界的任務(wù)定義與評估體系重構(gòu)”。

新評測體系要從能力導(dǎo)向(構(gòu)建評測問題)到任務(wù)導(dǎo)向 (獨立/輔助人類解決現(xiàn)實世界中的高價值問題)遷移,評測和解決問題可能會變成一體化,即在訓(xùn)練中評測、在評測中訓(xùn)練,在“干中學(xué)”在“學(xué)中干”。

2025年4月,我們發(fā)布了“測試時強化學(xué)習(xí)”(Test-Time Reinforcement Learning, TTRL)框架研究論文,探索在沒有準確標簽的情況下進行獎勵估計,驅(qū)動模型朝著正確的方向?qū)W習(xí)。同期,Google DeepMind 強化學(xué)習(xí)團隊副總裁David Silver與圖靈獎得主、強化學(xué)習(xí)之父Richard Sutton共同發(fā)表文章《Welcome to the Era of Experience》,與TTRL框架理念相似。

9、下一代AI for Science:如何從“工具的革命”到“革命的工具”?

AI for Science要真正發(fā)揮革命性作用,必須理解科學(xué)研究的本質(zhì):研究者、研究工具、研究對象三者的交互關(guān)系。目前的AI for Science主要關(guān)注研究工具層面的單點效率提升(“工具的革命”),而我們需要追求的是能夠帶來科學(xué)范式轉(zhuǎn)變的“革命性工具”,并實現(xiàn)科研各環(huán)節(jié)全鏈條水平提升。下一代For Science的AI,如何從“工具的革命”變成“革命的工具”應(yīng)該是我們這一代人的使命。

如果要成為“革命的工具”,現(xiàn)在的語言模型是否夠用?若沒有多模態(tài)的智能涌現(xiàn),或許很難實現(xiàn)革命性的AI for Science工具。當前的多模態(tài)模型仍然建立在預(yù)測下一個token的基礎(chǔ)上,缺乏對圖表、分子模型、公式和實驗觀察的深度理解能力。打造能夠推動科學(xué)突破的AI系統(tǒng),需要在多模態(tài)統(tǒng)一表征方面取得突破。

10、顛覆性架構(gòu)是什么?針對Transformer的不足,什么架構(gòu)能夠帶來根本性創(chuàng)新?

Transformer架構(gòu)自2017年問世以來,引領(lǐng)了AI領(lǐng)域的一場革命。從GPT系列到Claude,從DALL-E到Gemini,幾乎所有令人印象深刻的大型語言模型和多模態(tài)模型都建立在這一架構(gòu)之上。然而,隨著我們對AI能力的期望不斷提高,Transformer的一些內(nèi)在局限性逐漸顯現(xiàn),包括計算效率不高、上下文理解有限、推理能力存在瓶頸、難以模擬動態(tài)系統(tǒng)等。正如愛因斯坦所言:“我們不能用制造問題時的思維方式來解決問題”。突破這些局限,可能需要全新的架構(gòu)思路。展望未來,除了Transformer自身架構(gòu)的持續(xù)迭代,未來多元架構(gòu)如何共存、互補和協(xié)作?針對決策智能、世界智能、生物智能等領(lǐng)域需要探索可能引領(lǐng)下一代的AI架構(gòu)。

如何實現(xiàn)戰(zhàn)略科學(xué)家“群體涌現(xiàn)”

上面討論了科學(xué)社區(qū)及提出好問題的重要性,如果我們把目光投向更聚焦的人群——戰(zhàn)略科學(xué)家,就會發(fā)現(xiàn),在許多關(guān)鍵的歷史時期,都出現(xiàn)了戰(zhàn)略科學(xué)家“群體涌現(xiàn)”的效應(yīng)。

例如,1920年代,世界上涌現(xiàn)出了一批史稱匈牙利“黃金一代”的戰(zhàn)略科學(xué)家,包括計算機之父馮·諾依曼、氫彈之父愛德華·特勒,以及錢學(xué)森的導(dǎo)師——超音速飛行之父馮·卡門等。1970至80年代PC革命,美國涌現(xiàn)出比爾·蓋茨、喬布斯等,他們均出生于1955年。如今人工智能領(lǐng)域也出現(xiàn)了頂尖科技人才集聚效應(yīng),OpenAI發(fā)布世界首個深度思考與推理大模型o1,其核心技術(shù)的七位負責(zé)人中,五位來自波蘭。

但是,戰(zhàn)略科學(xué)家人選難以在早期預(yù)判。二戰(zhàn)后,美國基礎(chǔ)研究奠基人范內(nèi)瓦·布什(Vannevar Bush)曾在給美國總統(tǒng)杜魯門的信中寫道:“戰(zhàn)略科學(xué)家的形成是一個長期且復(fù)雜的過程,涉及個人智力、意愿、身體健康、精力、目標導(dǎo)向等多個方面”。

歷史證明,戰(zhàn)略科學(xué)家往往在承擔重大任務(wù)時,在有研判、有管理、有組織能力的群體中產(chǎn)生。承擔重大科研攻關(guān)項目是成為戰(zhàn)略科學(xué)家不可或缺的條件。以我國的“兩彈一星”工程為例,大量科學(xué)家通過參與這一國家重大科技工程,不僅發(fā)揮出其卓越的科研能力,也展現(xiàn)了非凡的戰(zhàn)略眼光和領(lǐng)導(dǎo)力。

我們一直把科學(xué)社區(qū)問題驅(qū)動作為培養(yǎng)戰(zhàn)略科學(xué)家的輸入點,并為戰(zhàn)略科學(xué)家成長創(chuàng)造條件。當前通用人工智能處于爆發(fā)前夜,存在非常難得的窗口期,亟待通過重大組織模式創(chuàng)新,發(fā)現(xiàn)、選拔,并培育出一批戰(zhàn)略科學(xué)家。

實驗室廣泛鏈接國內(nèi)外優(yōu)秀科研團隊和人才,并探索通過構(gòu)建科學(xué)社區(qū),形成戰(zhàn)略科技人才蓄水池,以問題為驅(qū)動,形成“高強度要素投入+高集中任務(wù)攻關(guān)+高密度人才歷練場”三位一體的培育模式,讓真正有潛力的青年科學(xué)家在潛心研究的過程中,持續(xù)提升前瞻性判斷、跨學(xué)科理解能力、組織領(lǐng)導(dǎo)等核心能力,最終成長為戰(zhàn)略科學(xué)家。

(來源:上海人工智能實驗室)

標簽:世界人工智能大會 我要反饋 
泰科電子ECK、ECP系列高壓直流接觸器白皮書下載
億萬克
專題報道
2025世界人工智能大會
2025世界人工智能大會

2025世界人工智能大會暨人工智能全球治理高級別會議(簡稱“WAIC 2025”)將于7月在上海世博中心和世博展覽館舉行... [更多]

加入全球AI浪潮第一現(xiàn)場
加入全球AI浪潮第一現(xiàn)場

2025世界人工智能大會暨人工智能全球治理高級別會議將于7月26日至28日在上海世博中心和世博展覽館舉辦,本屆大會主題為... [更多]

聚力同行 · 新智“碳”索
聚力同行 · 新智“碳”索

“新華社-智能·零碳”項目策劃以“聚力同行·新智‘碳’索”為主題的新能源專題,主要圍繞光伏、儲能、鋰電、氫能、風(fēng)能五大新... [更多]