AI之问：智能的另几种可能

来源:广西日报

AI论道

舒 勇

2024年，ChatGPT的横空出世，把全球AI行业拽进了一场大模型竞赛的狂潮。那时候，圈里几乎达成共识：“参数越多、数据越大、算力越强，智能水平就越高。”千亿参数成了标配，万卡集群是入场券，谁家不做大模型，谁就会被淘汰——这话听着耳熟吧？

可回头一看，现实远没有想象中那么美好。千亿参数模型，单次训练成本动辄几千万；推理阶段算力消耗更是惊人。数据规模扩大了300倍，模型性能才提升了个位数百分点。更关键的是，至今没有一款大模型能真正实现通用人工智能的落地。一个疑问开始浮出水面：靠大语言模型这条路，是不是走进了死胡同？

说白了，今天的大语言模型，本质上就是一个“超级语言匹配器”——从海量文本里学词语搭配的统计规律，顺着前文一个个选概率最高的词，拼接成句。它只能做到“知其然”，却做不到“知其所以然”。打个比方，它就像一个人背下了整本百科全书，却从未走出过房门。在文字世界里，它能对答如流；可一旦放到物理环境中，就成了懵懂的婴儿。

那除了大模型，还有别的路吗？答案是肯定的。而且，越来越多研究者已经开始探索其他方向，比我们预想的更丰富，也更深刻。

1 路径一：世界模型

纽约大学教授、图灵奖得主杨立昆一直推崇“世界模型”这条路。核心思路是：让AI在自己的“虚拟空间”里搭出一个对应真实世界的动态模拟系统，能理解物理规则——比如物体为什么会往下掉，力怎么传递，空间怎么构成。研究方向从“预测下一个Token”转向“预测下一个物理状态”。

斯坦福大学教授李飞飞提出的“空间智能”一脉相承——智能不只是文字层面的逻辑游戏，还包含对空间的感知、想象和推理能力。她认为世界模型需要具备三种能力：生成性、多模态性、交互性。

国内也有团队在探索类似方向。仝人智能科技（西安）创始人吴易明认为，与其给机器人输入海量数据，不如直接给它装上一个能感知物理空间的“大脑”，让它像人类一样自主认知周遭世界。团队基于人类认知的具身特征，搭出了一套可解释的数学架构，训练成本低得惊人——和大模型动辄数千万美元的开销形成鲜明对比。

从世界模型的角度看，智能的本质是理解真实世界的运行规律。一个能生成通顺句子的AI，和一个能真正独立思考的AI，两者之间的差距，可能比我们想象的还要大得多。

2 路径二：非Transformer架构

Transformer架构，自2017年提出以来，几乎垄断了所有大模型的主流应用。但它有个致命缺陷：计算复杂度呈二次方增长——生成的Token越长，算力要求越高，模型越大，运算效率反而下降。

现在，一批新架构正在挑战这个垄断。美国产业界出现了RWKV这类新一代线性架构，把计算复杂度从二次方降到线性，计算量不再随内容长度暴涨，而是匀速增长，能耗大幅降低。

国内也有团队在探索更贴近生物智能的技术路线。中科院自动化研究所发布的类脑脉冲大模型“瞬悉1.0”，借鉴了大脑神经元工作机制，提出新的线性计算架构。只用主流模型约2%的数据量，就能达到相当的语言理解与推理性能，而且全流程可在国产GPU平台上运行，为自主可控的非Transformer架构提供了可行路径。

此外，上海岩芯数智自研的Yan架构大模型，以神经元选择激活为核心，是国内首个通过备案的非Transformer通用大模型，甚至能在低功耗工控机等终端设备上流畅运行。

寻找效率更高、能耗更低、更贴近真实智能规律的新架构，是AI产业突破成本瓶颈、实现规模化落地的刚需。就像飞机的发明，并没有被模仿鸟类扇动翅膀的思路困住——人工智能的最终产业形态，也不会止步于Transformer的衍生版本。

3 路径三：端侧智能

当前的大模型还有另一个特征——“中心化”。所有智能都集中在云端，依赖庞大的数据中心支撑。可智能真的需要这么集中吗？

2026年美国消费电子展上，小模型+端侧AI的崛起已经成为一个非常明显的趋势。从离线多语言翻译、本地化图像生成，到机械臂实时控制，过去需要云端完成的复杂任务，如今在手机、笔记本电脑、智能眼镜等设备里就能本地化高效实现。

所谓端侧AI，就是把经大模型“蒸馏”后的小模型“装进”手机、电脑、汽车等终端设备，让它无需依赖云端服务器，就能独立完成感知、计算、决策全流程。好处显而易见：数据不用上传，降低隐私泄露风险；本地推理，响应延迟压缩到毫秒级。

这条路线背后，有学界的理论支撑。清华大学计算机系副教授刘知远团队，通过对数十个主流大模型的测算，提出了“大模型密度定律”。研究显示，大模型的“能力密度”大约每三个月翻一番——也就是说，每隔100天左右，就能用一半的参数量，实现此前顶尖大模型的同等性能。刘知远据此判断，未来最前沿的AI技术，会首先落地在端侧。

中国信息通信研究院2025年底发布的《数字消费蓝皮书（2025年）》预计，未来三年，我国AI手机和AIPC市场渗透率将分别突破50%和80%，车载终端也将通过集成智能座舱与智能驾驶系统实现服务升级。智能终端，正在走入“本地智能”时代。

可以畅想一下：未来的智能生态，或许不再由少数几个云端大模型主导，而是由无数运行在各类终端上的小型智能体共同组成，织成一张分散协同、无处不在的智能网络。

4 路径四：具身智能与“无须训练”的智能

大模型的核心做法是“训练”——从海量数据中学习统计规律。但这是不是唯一的方法？

目前行业的探索主要分两条路线。一条是“直接写入底层逻辑”。国内已有团队在尝试用数学方法搭建出物理世界的精准映射，让机器天生就能理解物理常识，无需靠大量数据训练习得。

另一条是“仿真环境试错”。北京智源人工智能研究院提出的物理AI发展路径中，有一条“现实—仿真—现实”的范式：先把真实的工厂、街道、家居环境一比一还原到数字空间里，再让AI在虚拟环境里反复尝试、自主探索，学会走路、抓取、操作设备等技能，然后再迁移到真实世界中。这相当于给AI建了一座“训练场”。

可见，智能不只能从现成数据里“读”出来，也可以在AI和真实世界不断互动的过程中“生长”出来。

结语

回到最开始的问题：发展人工智能，就一定得用大模型吗？答案是不一定，而且很大概率不需要。

站在更高层面，我们还需要重新思考一个问题：到底什么是智能？

人类智能并不是单一维度的——它既有流畅的语言表达能力，也有对空间的感知能力；既有严密的逻辑推理，也有敏锐的直觉判断；既有知识储备的积累，也有创造创新的灵感。

未来的人工智能，核心是多元智能的融合与共同发展。它会形成一个完整的生态系统，而不是只存在单一的技术路线。

如果有人站在智能文明的视角回看当下，也许就会发现：大模型不是发展的终点，甚至算不上起点——它只是人类探索智能本质的道路上，一段值得尊重、但终究会被超越的旅程。

真正的人工智能革命，或许在不久的将来就会到来。

（作者系全国政协委员、民进中央开明画院副院长）