高端圆桌@ICAIS 2026：致敬达特茅斯

十年后，人工智能将走向何方—— AGI能否如期叩响现实之门？AI是否可以承接人类99%的日常事务？无人干预之下，AI 能否独立完成航天器的建造？算力硬件是否会告别64位浮点运算？人类与智能机器能否和平共处？ 把时间拨回至2026年10月17日，第二届国际人工智能科学家大会（ICAIS 2026）开幕首日，一场智慧、有趣的圆桌论坛登场，对话主题设定为“致敬达特茅斯70年：智能的下一片疆域”，意在回顾70年前达特茅斯会议开启的人工智能演进历程，并探讨未来10年乃至更加久远的未来，人工智能将怎样改变科学研究、赋能千行百业、重塑社会形态。

关键词：达特茅斯会议 1956年，约翰·麦卡锡（John McCarthy）、马文·明斯基（Marvin Lee Minsky）、拿撒尼尔·罗切斯特（Nathaniel Rochester）、克劳德·香农（Claude Elwood Shannon）等科学家在美国达特茅斯学院（Dartmouth College）发起了一项为期约8周的“人工智能夏季研究计划”（Summer Research Project on Artificial Intelligence），与会者还包括赫伯特·西蒙（司马贺，Herbert Alexander Simon）、雷·所罗门诺夫（Ray Solomonoff）、艾伦·纽厄尔（Allen Newell）等后来声名卓著的学者。会议正式提出“人工智能”（Artificial Intelligence）这一深刻影响后世的技术概念，并提出了激动人心的设想：人类学习的方方面面及智能的其他特征，原则上都能被足够精确地描述，进而可用机器对其进行模拟。 跨越70年的漫长岁月，前辈们点亮的精神火炬被一代代研究者承继、传递，而ICAIS 2026，正是这场没有终点的接力探索的最新一站。 圆桌对话嘉宾： ▪︎主持人：北京中关村学院院长、中关村人工智能研究院理事长 刘铁岩 ▪︎2013年诺贝尔化学奖得主 迈克尔·莱维特（Michael Levitt） ▪︎2013年图灵奖得主 杰克·唐加拉（Jack Dongarra） ▪︎清华大学计算机系教授 唐杰 ▪︎中国科学技术大学教授 马骁 ▪︎北京中关村学院导师、中关村人工智能研究院研究员 何纪言

请想象一座小小的人工智能博物馆 对话以想象力作为开场—— 主持人刘铁岩首先请对话嘉宾“想象一座小小的人工智能博物馆”：“如果我们邀请每位嘉宾向这座虚拟的博物馆捐赠一样东西——可以是一件物品、一项技术，甚至是一次失败的经验，”他说：“请想一想，你想捐赠什么，为什么？” 高性能计算先驱杰克·唐加拉选择捐赠的，是一份超级计算机排名记录。 回溯至约40年前，职业生涯起步之际，唐加拉参与开发了LINPACK——一套用于求解线性方程组的数学软件。因其具备良好的可移植性、于当时而言颇为出色的计算效率以及开放共享的特性，逐渐被科学计算领域的研究者广泛采用。LINPACK的用户指南还衍生出一项影响深远的成果——LINPACK Benchmark。它为衡量高性能计算系统的性能提供了重要基准，并被用于Top 500超级计算机排名。过去30多年来，该项排名记录持续累积，见证了超级计算机性能的不断跃升，亦展现了高性能计算的发展轨迹。 “所以，我想给博物馆捐赠这项排名记录。”唐加拉说。 因为“复杂化学系统开发多尺度模型”（For the development of multiscale models for complex chemical systems）而荣获诺奖的迈克尔·莱维特则想捐赠一台自己在20世纪90年代中期使用过的Linux笔记本电脑——对他而言，这台电脑见证了一次计算体验的重大飞跃。“感觉就像把一台大型机放在了膝盖上，”莱维特说：“从那以后，我就爱上了这种随时随地都能进行计算的体验。” 长期从事人工智能、数据挖掘等领域研究的唐杰表示，2026年是他在清华大学工作的第20年。20年来，他在清华做了两件重要工作：AMiner和大语言模型系统。他愿将这两项成果分享给博物馆。 曾与2026年菲尔兹奖得主邓煜共同在希尔伯特第六问题（Hilbert's Sixth Problem）相关研究中取得重要进展的马骁，则希望捐赠一些数学思想，以及自己读过的各类学术论文。这些无形的知识与灵感或许能够为大语言模型的训练提供养分。他还提到，目前他对人工智能与数学的交叉领域很感兴趣，正在尝试开发新一代人工智能验证系统，以提升人工智能输出的可靠性，应对幻觉等问题。 近期率团队用 AI 原生范式从头研发通用大模型 ZGCM-1的何纪言则希望捐赠一张训练损失曲线（Loss Curve）的快照。在他看来，简洁而优雅的曲线背后，凝聚着大量复杂的科研与工程努力——从芯片制造到计算集群建设，从模型架构到算法优化，从数据采集处理与性能评估。而今，人工智能展现出的能力，正是这些艰辛工作共同作用的结果。看似简单的曲线，实则是支撑AI能力进步的一整套复杂技术体系的缩影。 “适者生存还是多样者生存？” 如果说有关“小小的人工智能博物馆”及其藏品的讨论是为致敬人工智能来时路，那么面向未来，一个更值得追问的问题是，人工智能的终极进化，是“适者生存”，还是“多样者生存”？ 在探讨生命科学、进化论与人工智能底层逻辑的演讲和访谈中，迈克尔·莱维特曾指出：“我们经常谈论‘适者生存’（Survival of the fittest），但数十年来的研究让我得出截然不同的结论：我们真正应该谈论的是‘最多样者生存’（Survival of the most diverse）。” 刘铁岩援引了莱维特的观点，并进一步与人工智能技术发展现状相联系——“30多年前，人工智能领域存在非常丰富且各不相同的方法论，呈现出极高的多样性；而今天，纵观AI版图，我们似乎正趋向于某种高度统一的方法——例如基于Transformer的大模型，甚至是统一的训练工具包。”他据此提出新的问题：“这种趋势对整个学术与技术社区而言，究竟是好是坏？”

莱维特表示，这个问题提供了相当有趣的思考角度。他认为多样性之所以重要，恰恰是因为未来无法预测。他借用投资思路来解释这一点：“如果你面对的是一个未知的未来，就应该像一位精明的银行家那样，既投资一种事物，也投资另一种不同的事物，因为我们永远不知道未来会发生什么。” 在他看来，技术路径的多样性不仅有助于应对不确定性，更重要的是，多样性为不同方法之间的组合与融合创造了空间——“如果所有东西都一样，就不可能产生组合。一旦有了两种不同的东西，就会有无穷无尽的组合可能。” 至于当下人工智能技术路线日益趋同的现象，莱维特也没有急于下结论。他提出，这或许只是当前发展阶段的特点——大型语言模型正在收获那些相对容易取得的成果，但未来的突破将从何而来，仍然是一个开放的问题。“这是对模型架构与训练方法设计者的一项挑战：我们需要努力思考，能否尝试一些不同的东西。” 杰克·唐加拉认同莱维特关于多样性的观点，并进一步指出，多样性不仅意味着不同路线、更多可能，更意味着允许试错，并为暂未成熟、甚至一度失败的探索留下空间。“失败本身就是研究的一部分，”他说：“我们需要投身于更具前瞻性的探索，为当前最先进的技术方案寻找替代选择。” 马骁更关注基于Transformer的大模型的能力何以能够持续增强，以及技术形态渐趋同一背后的原因。他从图灵完备性这一计算理论基本概念出发，提出了不同的理解。他指出，能力较弱的系统执行任务需要较长的指令，而随着智能水平的提升，完成任务所需的指令可能越来越短——“要实现更短的指令，就需要来自智能系统的大量数据。近年来，我们利用海量人类生成的数据对人工智能进行训练，使其变得愈发智能。因此，它在执行各项任务时所需的指令也变得越来越简短。以数学领域为例，早期，人工智能不仅需要题目本身，还需要人类提供大量的指令和引导——甚至需要人类给出具体的解题思路；而现在，它仅需题目本身便可完成任务。”他说。 何纪言提出：Transformer虽占据主流，却依然存在局限，因此，在学术界，越来越多人开始尝试多样化的研究路线。他明确表示，“十年之后，Transformer不见得是实现智能系统的唯一途径。” 关于技术形态的趋同，唐杰的看法是：“我们仍然将大部分精力投入主线（Transformer），但也有一部分人在开展多样化探索。”他表示，当前研究界的关注点已从新算法的设计进一步拓展至让机器学会人类解决问题的方式，也即工作流。展望未来，需要构建的是能够“自我学习”的AI，这需要AI能够在其自主构建的环境中，验证自身独立得出的结果——他对“多样性”这一概念的理解是，人类解决各类复杂难题的不同方式。 身处黄金年代，温故AI寒冬馆 时至今日，人工智能已自科学领域“破圈”浸润千行百业。即便是普通用户，也能随时随地、借助各种设备，获取人工智能的助力——但刘铁岩反而提起了历史上不止一次出现的“AI寒冬”：“我们正处在人工智能的黄金年代。人人都在讨论AI，不止是AI科学家，还包括每天都在使用AI的其他学科的学者。然而我们不应忘记AI孕育、萌芽、成长的漫长岁月，以及AI曾经历的那些寒冬。许多前辈科学家由于缺少经费和资源，不得不离开感兴趣的研究方向，转向其他领域。” 关键词：AI寒冬 70年来，人工智能的演进更像是一场看不见终点的马拉松，一次次“山重水复疑无路”，很快便“柳暗花明又一村”，至少经历了三度兴盛、两次低谷。 大致来说，第一次兴起始于上世纪50年代，以符号主义（Symbolic AI）为主要范式，同时连接主义（Connectionism）亦已萌芽，并于70年代中期遭遇第一次“人工智能寒冬”；第二次兴起则是以“专家系统”（Expert System）为代表的符号主义应用达到高峰，同时神经网络与连接主义重新受到重视，随后在90年代末再度遭受冷遇；2006年前后，随着深度学习（Deep Learning）的突破，人工智能迎来第三次兴起，并终于发展至今天以大语言模型（LLM）为代表的新阶段。 “AI领域变化太快，我们很难预测明年、今后10年乃至更久会发生什么。为任何可能性做好准备，确保AI及其影响的那些学科与产业健康地演进到未来，这非常重要。”刘铁岩说。 关于AI研究曾遭遇的“寒冬”，迈克尔·莱维特表示，那有可能是过度承诺的结果。而且他不认为寒冬必然会再度来临。与担心AI研究又一次经历冰河期相比，当下他更在意的是使用成本、能耗等现实问题。“我非常依赖便宜的Token，”他说：“如果Token的价格突然激增100倍，我会非常难过。” 杰克·唐加拉相信，我们早已走出寒冬阶段。他坦率地说：“未来当然还可能遇到一些令人担忧的挑战，但那些都会被跨越、被甩在身后。但我看到寒冬正向其他领域靠近。例如，计算领域，量子计算是一项我认为很快——甚至已经在经历寒冬的课题。所以我的观点是，AI的寒冬已过，无需担心。我只看到未来一片光明。” 唐杰的看法亦较为乐观：“可能让AI在未来再次经历寒冬的情形是，大模型或智能体在基准测试方面越来越强、越来越‘聪明’，但它却始终无法真正可靠、稳健地完成某些工作。” 马骁将“数学研究是否会因AI技术进步而陷入寒冬”这一问题拆分为两个部分。一方面，AI并不会为数学这门学科带来寒冬。相反的，AI不仅在解决数学问题时展现出日益强大的能力，还擅长把其他学科问题归约（Reduce）成数学问题，因此未来10年，AI可能让数学的边界实现大幅拓展，数学学科也可能因AI的能力而更加繁荣。另一方面，对数学家来说，AI确实带来很多挑战——“作为数学家，要快速适应AI，确保自己不会被AI简单取代；同时也要发展更好的方法，去验证和消化AI的产出。”他说。 作为年轻学者代表，何纪言认为AI今后很难会经历寒冬，因为智能一经诞生，便是对所有行业都有用的一种通用能力。“我认为AI必然会成为社会基础设施之一。也许10年后，我们会像今天看待电力那样看待AI：它无处不在，以至于我们不再特意强调AI的存在——但从另一个角度看，不排除AI会给其他行业带来寒冬。”

“开源、开放，是否有利于构建良性、健康的人工智能生态？” 何纪言团队新近研发的ZGCM-1不仅开放了模型权重，还进一步公开了预训练、中期训练和后训练三个阶段的模型检查点、训练代码、分阶段数据及数据配方，以及训练日志。这意味着，模型的全栈研发过程不再是封闭的技术黑箱，而成为每一位研发者均可研究、复现、验证并改进的对象——刘铁岩以此为例，向杰克·唐加拉提出新的问题：开源、开放，是否有利于构建良性、健康的人工智能生态？ 唐加拉对此提出自己的看法：信息的开放获取有助于加深对技术的理解、验证或复现研究成果、识别现有模型的不足，并吸引更多研究者和开发者参与协作改进——“这正是我们想看到的：我们希望社区、生态的参与度更高，帮助构建更先进的技术和产品。开源、开放确实能改善软件、改善模型，并使它们具备较封闭产品而言更长久的生命周期。”

刘铁岩则强调了开放性的重要性。他指出，目前大型人工智能科技企业几乎拥有训练模型所需的一切设施、资源和流程，但生物学、化学等其他领域的科学家们却往往因资源与工具集匮乏而难以训练出自有模型，更无法开展许多有趣的实验。通常，他们只能通过调用现有模型接口，来展开如AlphaFold那样的高层次探索——“那么，生物学家能否从零开始训练一个学科专用的模型呢？我认为，我们需要一套端到端的开源工具包来实现这一目标。”刘铁岩说。 “关于预测与数值模拟，以及可验证奖励” 谈及AI预测与基于第一性原理的数值模拟之间的关系，刘铁岩以AlphaFold为例向迈克尔·莱维特提出问题：对于某些科学问题，预测或许已经足够，但在哪些情况下，仍需依赖数值模拟？ 莱维特指出，AlphaFold的成功具有特殊性，其突破不仅得益于模型能力，也与生物序列和蛋白质结构间相对收敛的映射关系有关。对于蛋白质及生物系统的动态变化，仅依靠预测，能否充分揭示现象背后的物理机制，仍是一个开放的科学问题。 他进一步解释说，AI在特定领域取得预测突破，并不意味着所有科学问题都可经由预测解决。今后，除了继续发挥通用模型的潜能外，还应重点建设计算机可以访问、由机器人执行实验的自动化实验室，让AI智能体直接参与实验过程，推动科学发现从模型预测一步步走向实验验证与新知识创造。他强调，在当下阶段，“我认为，通用模型的表现其实好得惊人。”

继“预测与模拟”的话题之后，围绕“可验证奖励”（Verifiable Rewards），嘉宾们探讨了如何为不同学科建立有效的验证与反馈机制，使 AI 能够检验自身预测与决策的有效性，并通过反馈持续改进。刘铁岩进一步向马骁和唐杰追问：面对不同学科的特点，是否需要建设专门的验证环境，甚至开发新的工具与基础设施，以更好地训练大语言模型，提升其推理与解决问题的能力？ 对此，马骁认为，随着大模型能力不断增强，其数学逻辑验证能力亦在迅速进步。过去，模型往往需要借助Lean等形式化验证工具，由软件机制检查应用定理所需满足的前提条件；如今，模型已能够越来越多地通过自然语言推理，自主检查相关假设和逻辑条件，减少对外部验证工具的依赖。同时他强调，AI的能力离不开数据支撑，验证能力同样如此。更重要的是，验证不仅关系到最终结论是否正确，也影响着探索过程的效率——解决复杂问题时，AI需要在广阔的搜索空间中探索大量候选方案，如果能够在探索早期及时验证，筛除不合适的候选，就能节约大量计算资源，并提升问题求解能力。如何实现有效的早期验证，目前仍是有待突破的关键问题之一。 唐杰也认同验证的重要性——他指出，缺乏有效验证，AI就难以从反馈中持续学习改进。回顾AI技术范式的发展，数学和编程任务之所以能率先取得突破，一个重要原因是其结果相对容易验证。然而目前AI已开始处理更为复杂的非通用型任务。“对于这类任务，我们需要人工进行标注；但这并非针对单纯的数据进行标注，而是要对数据所处的环境、奖励函数，甚至是强化学习过程本身进行标注。换言之，让不同专业背景的研究者围绕真实任务，共同参与问题定义、环境构建与结果验证，也是未来人才培养的一个方向。 青年问前辈 70年前，参与达特茅斯会议的人工智能先驱者，大多为风华正茂的年轻人；而作为本次圆桌论坛嘉宾的何纪言与马骁，恰与昔日前辈们的年龄相近。为向70年前的先行者们致敬，刘铁岩特别给予两位青年学者一项“特权”——向在场的资深科学家各提出一个问题。这仿佛是一场跨越时空的对话，也是一次跨越70年的“履约”。“青年问前辈”这一环节，让达特茅斯会议点燃的思想火炬，在新一代研究者手中接续传递。

何纪言向唐杰提出的问题：当前AI社区的热点变化非常快。上下文工程、智能体、网络安全……如何区分哪些事情更值得做？ 唐杰结合自身的科研经历，分享了三点建议： 第一，不要盲目追逐热词和热点，而应从具体、真实的小问题入手。AI领域的热词和热点不断变化，但其背后的真实问题始终存在； 第二，要找到某种能够持续评估和验证自身能力变化状况的“基准”； 第三，要在开展研究、构建系统之前，就找到可能会采用你研究成果的真实用户，以实际需求检验研究的价值——真实用户是衡量成果的基准。 马骁向迈克尔·莱维特提出的问题：近期AI在数学领域取得突破，OpenAI发布的约700篇论文据称解决了多个数学领域的开放问题，那么，生物学是否也可能迎来类似的突破？未来一年，AI是否有望彻底解决生物学某些细分领域的问题？ 莱维特表示，数学和自然科学之间存在着重大区别。数学问题依托于明确的形式化框架，而自然科学面对的许多问题，尚难被清晰定义，更难以预先罗列未来数十年可能解决的全部问题。例如地球生命的起源问题，看似简单，实则极难——答案甚至不能排除“纯粹的偶然”。解答这个问题，主要依赖于实验观测和证据支持。他指出，科学问题的定义本身就是研究的重要组成部分，有时甚至决定了问题能否得到解决。因此，与数学不同，自然科学的突破不仅依赖计算与理论推演，也高度依赖实验验证；而计算研究的价值之一，正是为实验提供新的工具与方法。“如果我能把一个生物学问题定义得非常非常好，它会变得非常容易解决。问题的定义往往就是关键。但我认为我们（指数学与自然科学）并未面临同样的处境。” 杰克·唐加拉：“给年轻科学家的四项建议” 圆桌论坛进入尾声，刘铁岩请杰克·唐加拉为处于职业生涯早期的年轻科学家们提供一些建议。

唐加拉分享了自己此前教导学生时的四点忠告： 一是追随热情，找到真正令自己投入、愿意持续钻研的研究方向； 二是坦然面对失败，将其视为科研探索、学习与积累过程中不可或缺的一部分； 三是勇于挑战难题，不要满足于过于简单的问题，而要选择那些对自己和他人都具有挑战性的课题； 四是积极建立学术交流网络，与同行分享思想、碰撞观点、相互启发，在帮助他人的同时，也能借助集体智慧推动问题的解决。 时间胶囊：预测2036年的5张卡片 “时间胶囊”为这场圆桌论坛留下了一个面向未来十年的约定。刘铁岩邀请各位学者立足自身研究领域，写下能够通过事实检验的科学预测，明确标注相应的评判依据与现实约束，并将记录现场归档留存，待达特茅斯会议八十周年之际，再回望这些预测，检验其与现实之间的距离。

5位科学家究竟对2036年的人工智能作出了怎样的预判？ 莱维特教授认为，2036年，如果智能实现广泛分布式部署，人类与智能机器将和平共处。 唐加拉教授预测，未来硬件或将不再标配64位浮点运算，科学计算将转向低精度求解方案，并会推动我们全面迈入混合精度计算时代。 唐杰教授认为是AI能自主学习。而能否实现FSI或RSI，是检验这一判断的关键维度。 马骁亦预测，如果把越来越多问题转化为数学与编程任务，且无需人类介入AI就能独立造出航天器，AGI将会实现。 何纪言认为，如果能可靠、稳定，并且长时间运行，那么到2036年AI能够完成他现在99%的日常事务性工作。 70年前，一群年轻的科学家怀着对机器智能的大胆设想，开启了一场影响深远的探索。70年后，当新的研究者再次聚在一起，讨论的已不只是机器能否思考，更是智能将走向何方，以及人类将如何与之共同创造未来。 5张预测卡片，将新的判断留赠给未来10年；而从达特茅斯到中关村，跨越70年的对话与约定仍在延续。预测终有答案，探索永无终点——智能的下一片疆域，时刻等待着新的问题与发现。