专题：2026世界人工智能大会（WAIC）
转自：新华财经
新华财经上海7月18日电（记者 杜康）会写诗、写代码、做PPT的大模型，仍无法感受一只杯子的重量，也难以真正帮助卧床老人完成翻身；读遍人类论文的大模型，未必读懂光谱、地震波和实验数据；当智能体开始自主规划、替人行动，授权与责任的边界又该划在哪里？
2026世界人工智能大会主论坛上，行业大咖们围绕物理智能、科学智能、算力底座和智能体治理等前沿议题展开讨论，从中得以窥见AI发展的下一站在哪里。
不同主题的讨论背后，一个共同变化正在显现：人工智能发展的重心，正从模型能力的单点突破，转向真实世界、科学发现、基础设施和安全治理的系统竞逐。
AI开始补上“物理”这一课
从数字世界走向物理世界，是人工智能面临的下一道关口。
老龄化趋势下，养老照护人手日益短缺；高空、井下、高温等危险繁重作业，也面临招工难、用工风险高等现实问题。大量真实需求已经存在，缺的是能够感知环境、理解物理规律并完成任务的“手”。
“今天的AI能流利描述‘杯子掉在地上会碎’，却从没有机会感受一只杯子的重量。知识没有现实的锚点，说错了也无从自知。”复旦大学浩清特聘教授、复旦大学通用物理智能研究院首任院长苏昊说。
在他看来，语言是现实世界的投影。大模型主要从语言、图像和视频中学习，却难以仅凭这些信息真正理解质量、力量、摩擦、接触等物理属性。如何让机器获得“物理智能”，由此成为人工智能下一阶段的重要议题。
物理智能将如何到来？苏昊判断，它不会在某场发布会上一夜实现，而可能像当年的电气化一样，先进入工厂和仓库，再走进商家和医院，最后逐步进入千家万户。
他提出三个判断。
其一，突破口不仅在模型架构，更在物理知识的聚合。互联网上的视频、教科书中的方程、实验室里的力觉数据，以及劳动者长期积累的操作经验，需要被汇聚到同一个模型体系中。当分散的物理知识能够被规模化学习，物理智能才可能迎来属于自己的“GPT时刻”。
其二，通用性是终点，可靠性才是起点。工程系统从99%提升到99.9%，每增加一个“9”，难度都可能显著上升。演示与产品之间的距离，往往就在最后几个“9”里。填平这段距离，依靠的不只是模型能力，还包括数据积累、行业标准、供应链协同和社会信任。
“愿意在‘9’上下笨功夫的团队会走得更远。”苏昊说。
其三，物理智能可能使人工智能从科学知识的“读者”走向“创造者”。当AI拥有感知和操作能力，便有可能自主提出假设、开展实验并根据结果持续修正，从而加速新材料、新药等领域的探索。
具身智能是物理AI进入现实世界最直接的载体。围绕率先落地的场景，与会嘉宾不约而同地把目光投向高频、刚需、环境相对可控的任务。
智元机器人合伙人、高级副总裁姚卯青认为，短期内更容易落地的，是高频刚需、确定性较强，并具备一定容错空间的“简单场景、简单任务”。工厂等标准化环境可以率先积累数据和产品经验，家庭等开放环境则需要更强的通用化和泛化能力。
它石智航创始人兼首席执行官陈亦伦同样看好制造业场景。在他看来，制造业数据密度较高，任务是否完成有明确标准，同时积累了大量人类操作数据，为具身智能训练和迭代提供了相对友好的环境。
亮源新创创始人兼首席执行官姜旭曾参与OpenAI早期大语言模型研发。他给出了另一个视角。在他看来，具身智能可以视为多模态大模型向物理世界的延伸，其商业化规律也可以参考大模型过去几年的落地过程。
“OpenAI在ChatGPT之前和之后都做了大量产品尝试，其中很多是失败的。”姜旭说，具身智能为模型能力寻找合适场景，并不比训练模型更简单。
AI不只读论文，更要读懂科学数据
人工智能进入真实世界的另一条路径，是走进实验室，直接面对科学数据。
之江实验室主任王坚提出，当前大量人工智能辅助科研工作，仍集中于阅读、总结和分析论文。但科学知识并不只存在于文本中。光谱、地震波、声波、化石记录和实验数据里，还蕴藏着大量尚未被人类充分理解的信息。
“在地球科学中，超过70%的信息并不在文本里。一张图胜过千言万语，但一段光谱可能胜过千万张图。”王坚说。
在王坚看来，人工智能正在推动科学研究范式发生变化。他以一项天文学研究为例，一名18岁的学生利用人工智能算法，重新分析NASA已经退役的NEOWISE空间望远镜留下的海量数据，识别出约190万个红外变源天体，其中约150万个此前未被编目。数据早已存在，但新的工具和分析方法，使其中蕴含的科学价值被重新发现。
能够在旧数据里发现新问题，正是科学研究范式发生变化的重要标志之一。
过去，人工智能主要从人类已经整理、表达和写下的知识中寻找答案。未来，科学基础模型不能只建立在论文文本上，而应将文本、代码和科学数据放入同一个模型空间。只有真正接触科学数据本身，人工智能才可能突破人类已经写下的知识边界。
这种变化已在药物研发等领域显现。英矽智能创始人兼首席执行官亚历克斯（Alex Zhavoronkov）介绍，人工智能正在进入靶点发现、分子设计和临床前研究等环节。据其介绍，传统早期药物发现平均需要约4.5年，而在人工智能和自动化技术支持下，从项目启动到临床前候选化合物提名的平均周期可以缩短至12至18个月，并逐步形成可重复、可规模化的研发流程。
从“总结已知”到“发现未知”，AI打开了科学研究更大的想象空间。
算力竞争从“单芯片”转向“系统战”
算力和芯片是托举人工智能演进的物理基石。主论坛关于算力架构的讨论，与大会展区呈现的硬件进展相互印证：算力基础设施的竞争，正从更多比拼单颗芯片性能，加速转向系统竞争。
在硬件端，今年华为首次公开展出昇腾950超节点（Atlas 950 SuperPoD）真机，在算力规模、内存容量和互联带宽等多项关键指标上实现提升；上海东方算芯展出其首款软件定义近存计算3D芯片，试图通过新型计算架构降低对先进制程的依赖。据企业介绍，该芯片从设计、晶圆制造到封装测试，实现全栈国产供应链闭环。
面对算力需求的爆发式增长，怎样的计算架构能够承载未来？主论坛给出的一个重要方向是光电融合。
曦智科技创始人沈亦晨表示，电子芯片在运行中面临能耗和散热约束，而光在数据传输中具有高带宽、低能耗等特点。9年前，他曾在《自然·光子学》发表论文，论证利用光完成矩阵乘法运算的可行性。9年后的今天，沈亦晨创办的曦智科技已在港交所上市，成为全球AI光算力第一股。
在系统和集群端，大规模算力集群本质上已成为超大规模分布式系统工程。基流科技创始人兼首席执行官胡效赫表示，过去三年时间，公司主要是进行大规模算力集群建设、调优及相关的运营工作。”从千卡、万卡到十万卡集群，真正决定实际算力表现的核心是效率与稳定性。“
艾捷科芯首席科学家薛继龙认为，大模型对规模和效率的追求，使软硬件协同优化的空间大幅拓展。在他看来，做软件系统的人已经迎来一段可以大展拳脚的时代。“过去，算力软件系统往往绑定在单一硬件生态。如今算力架构日益多样，亟须根据第一性原理，在最重要的场景实现单点突破。”
由此来看，人工智能创新“基石”的含义正在发生变化。自主可控不只是拥有一颗芯片，更在于形成一套能够高效协同、开放兼容、稳定运行并持续演进的计算基础设施。
AI可以替人行动，但不能替人负责
随着人工智能从提供答案走向自主规划和执行任务，治理面对的问题也在发生变化。
大会主论坛上，图灵奖得主约书亚·本吉奥（Yoshua Bengio）发出警告：过去十年，人工智能在推理、数学、编程和科研等方面实现快速进步。据其援引的METR评估数据，AI系统能够完成的任务正变得越来越复杂。
“我们终将造出比人类更聪明的计算机。”本吉奥说。
与此同时，社会尚未为能力更强、独立性更高的系统做好充分准备。以智能体为例，其价值恰恰来自一定程度的自主性，不可能所有操作都由人类逐步监督。但自主性越强，滥用和失控风险也可能随之上升，包括操纵舆论、发动网络攻击、危害儿童安全，以及滥用化学、生物等专业能力。
人可以把多少权力交给人工智能？这成为主论坛嘉宾共同关注的问题。
清华大学人工智能国际治理研究院院长薛澜表示，在传统委托代理关系中，信息不对称可能带来道德风险和逆向选择，人工智能代理同样面临类似问题。但机器与人的一个根本区别在于，机器无法真正承担法律和道德责任。
什么决策永远不能交给AI？
加州大学伯克利分校人类兼容人工智能中心执行主任马克·尼兹伯格认为，涉及生死以及一旦作出便无法挽回的重大决定，不应由人工智能独立作出。薛澜的回答更加直接：“涉及价值判断的问题不能交给AI。”
这并不意味着拒绝智能体，而是要建立与其能力相适应的授权、监测和问责机制。
本吉奥提出三项社会层面的安全防护原则：一是AI应用发布前，应充分证明其安全性，任何组织、企业不能发布可能造成不可接受危害、风险超过社会可承受阈值的系统；二是风险管理不能完全由企业自行决定，重大决策应体现公共利益；三是人工智能创造的财富和收益应更广泛地惠及不同群体和国家，避免技术进步进一步扩大经济鸿沟。
薛澜则提出，应进一步明确人工智能发展的安全红线，建立风险监测和预警机制，并增加对人工智能安全、伦理和社会影响研究的投入。
从物理智能到科学智能，从算力基础设施到智能体治理，本届WAIC主论坛释放出一个清晰信号：人工智能的“下一程”，不再只是训练更大的模型、刷新更高的指标。
真正决定这场技术变革能走多远的，是机器能否理解现实、发现未知并可靠运行，也是在能力不断扩张的同时，能否守住安全、责任与价值的边界。人工智能越深入现实世界，技术突破、产业基础与治理能力就越需要同步向前。
声明：新华财经（中国金融信息网）为新华社承建的国家金融信息平台。任何情况下，本平台所发布的信息均不构成投资建议。如有问题，请联系客服：400-6123115]article_adlist-->
海量资讯、精准解读，尽在新浪财经APP
责任编辑：王翔
忠琦配资提示：文章来自网络，不代表本站观点。
