本文来自微信公众号： IT时报 ，作者：郝俊慧
作者／IT时报郝俊慧
编辑／郝俊慧孙妍
7月17日，2026世界人工智能大会暨人工智能全球治理高级别会议开幕，从主论坛到下午科学前沿论坛，不同会场、不同身份的讲者，不约而同在谈同一个问题——AI要如何创造AI。
“它们没有能力发现知识。”2024年图灵奖得主、“强化学习之父”理查德·萨顿在主论坛演讲中，给当今现有的AI大模型泼了一盆冷水，“现在的AI还不够强大，我个人认为甚至是比较弱小而且不可靠的。”
几个小时后，复旦大学通用物理智能研究院院长苏昊几乎表达了同样的逻辑，“新知识诞生于实验”。
而在科学前沿论坛上，上海人工智能实验室主任周伯文，则将这一观点进一步阐释为“今天的大模型，不知道自己不知道什么，AI作为科学发现革命的工具”，其使命应从加速科研自动化，迈向以复杂科研任务牵引高阶智能。
科学家们的判断，恰恰与本次大会的主题“智能伙伴，共创未来”不谋而合，如果AI是人类的伙伴，那它天然应该是一个具备自主创造力的伙伴。
换而言之，智能不能只把人类已有的知识背得更熟，而是要在与真实世界的闭环中，自己产出新知识，只是当前的AI还处于这条路的起点。
然而，这个共识最大的隐忧是：如果人工智能必须从搬运人类知识变成自己创造知识，而所有人走向这条路的范式都一样：采用同一套模型、同一套评测体系、同样的上下文和问题，那么，人类是否会因此失去多样之美，变得越来越同质化？
关键词一：经验时代
AI要在与世界互动中长出新知识
“这种进步可能被夸大了。”在40多年的学术生涯中，萨顿搭建起了强化学习的完整概念与算法体系，在他看来，“本质上，现有所有的AI大模型，仍在‘使用人类知识的力量’，完成知识从人到机器的转移，但现在的问题是，高质量的人类数据语料就快用完了，而且这种范式本身无法生成新知识。”
他认为当前的AI范式是“数据学习”，而人类的学习，本身是一种“经验学习”。我们每个人或许都见过这样的场景：一个婴幼儿坐在地板上玩玩具，从一件换到另一件，每一次行为都决定了他能从世界接收到什么样的数据，没有预设的数据集，数据是在行为过程中自然生成的，且恰好契合他的认知水平。
萨顿认为，AI的下个范式也应该是“经验时代”。AI需要新的数据来源，不是静态的数据集，而是AI在自己与世界的互动中产生的第一视角经验。
无独有偶，在下午的科学前沿论坛上，周伯文也提到了类似的观点，他认为当前大模型学习范式持续突破智能存在三个瓶颈：
第一，因果缺失，大模型、智能体都是被动观察世界，只看不介入，不根植现实，换个环境就失灵，换句话说，就是没有学到因果性；第二，越难的问题反馈越少，模型越学不动，越有价值越复杂的任务，反馈信号被稀释得越厉害，训练就越难；第三，人类发表的科学研究成果只有成功数据，没有失败数据，模型只会模仿成功案例，无法长出新能力。
苏昊对于同一个问题的表达是“实验”，“今天AI读遍了人类几乎所有的论文，却几乎没有亲手做过一次实验，而新知识恰恰诞生于实验”。
真正的智能是在尝试中积累，在反馈中修正，在与真实世界的交互中“长”出来的。
因此，苏昊认为，物理智能的任务，是把AI从“科学的读者”变成“知识的创造者”，当AI拥有了能感知、操作、验证真实世界的“手”，它便能自主提出假设，亲手开展实验，昼夜不停地修正结论。
关键词二：可信任
打开AI的黑盒子
几乎所有科学家对AGI都秉持着出奇一致的“克制”态度。
阶跃星辰董事长、千里科技董事长印奇认为这轮AI浪潮已经有过两轮爆发：第一波是预训练模型与聊天机器人，催生了ChatGPT时刻；第二波是强化学习的推理模型与辅助编程；第三波应该是智能体走进物理世界，“5年前，AI Coding的智能体只能独立完成几秒钟的工作，而今天它可以用数小时甚至数天完成一个编程任务，这是一个巨大的飞跃。”
印奇认为，这第三波浪潮对人类社会变革的影响“超过PC互联网叠加移动互联网的综合”，未来人与人、人与智能体、智能体与智能体之间，都将被一张全新的网络联结，“所有的经济学基础理论，都要以算法的形式重新定义”。
但即便是乐观的印奇，也坦言当前只是“站在AGI高峰的山脚下”。原因无他，除了无法生产“经验”之外，另一个核心问题是，当前的AI依然不可信任。
苏昊有一个基本的判断：当前AI在演示与产品之间，依然有一道“可靠性鸿沟”，工程上叫“数9”，每多一个9，难度便指数级上升，AI从实验室落地产业的“最后一公里”，恰恰卡在最后几个9上。因此他强调，“通用性是终点，可靠性才是起点，信任只能靠可靠性一点点挣来”。
无法被信任的原因是不透明，而如何打开现有大模型的“黑盒”，科学家们都在探索不同的路径。
麻省理工学院教授迈克斯·泰格马克（Max Tegmark）判断一个AI值不值得信，是它能不能用数学证明会按人的意愿行事，因此他的研究方向是将可靠性量化。
在其团队进行的一个AI自动化验证的实验中，AI要自己写代码并给出数学证明，证明这段代码符合人类写的规范，实验数据显示，成功率在一年间从68%提升至96%，而此前多数模型在微积分等领域的表现接近“随机猜测”。
泰格马克打了个比方：大海捞针固然困难，但确认捞到的是针却轻而易举，验证远比生成简单，这正是可信AI的技术根基。所以未来很多AI系统或许不再是人看不懂的神经网络，而是一段人能完整验证的代码，“要让AI成为可控的工具，一个办法是把它做得窄一点，因为人脑智能有领悟能力、通用性、自主性三样，如果AI只占其中两样，就有办法管住它。”
商汤科技董事长徐立在主论坛演讲中同样认为，必须让AI在安全边界的守护之下发展，在预训练和后训练时保证训练数据的安全，同时在使用的过程当中，实现多模型交叉验证，以及用沙盒确保物理边界的安全，甚至限定它的使用场景，从而在逐步推动AI落地中保持安全的边界。
泰格马克的终极愿景是人类只写规范，AI写代码并附上证明，就像vibe coding（氛围编程），但没有bug，他甚至认为，“即使没有AGI（通用人工智能），凭借可信的工具型AI，仍能革新制造业、科学、教育，实现可持续发展目标，人类无须承担失去掌控的风险。”
关键词三：同质化
AI没有科学品位
如果说前两个关键词是共识，那么，第三个关键词便是隐忧。
在圆桌论坛中，复旦大学教授邱锡鹏提出一个灵魂拷问：当越来越多的人用同一套模型、循着同样的路子做研究，讨论的又是相似的上下文，方法和成果会不会越来越像？
这个关于同质化的担忧，出现在下午的另一场圆桌论坛中。一位专家认为，现在的AI的确已经可以提出假说，但那是一种组合式、差值式的假说，是在人类已有的概念里做文章。真正颠覆性的假说，需要能够提出新概念、实现跨范畴的类比，并且精准判断问题的价值，而“现在的AI不具备这个能力，它没有科学品位”。
如果让没有“品位”的AI主导科学研究，所有人会得到同一类答案，因为AI只会从已有数据中找最优解，而不会像人一样提出“离经叛道”的假设。因此，科学的本质是回到科学的品位，回到抽象的假设。
另一层隐忧体现在走出实验室的AI身上。
昌平国家实验室副主任金勤献给出一组数字，今年5月，全球三大AI公司与21家跨国药企签了27项战略合作，当一个学科的AI能力越来越依赖少数几家公司的模型，同质化就从方法蔓延到产业。
论坛上，青年科学家被寄予打破“AI规训”的厚望。邱锡鹏对年轻人的建议是“要提好问题，这甚至比有答案更加重要”。
清华大学人工智能学院助理教授刘子鸣则讲述了自己做KAN（一种新型神经网络）的经历：当所有人追求Scaling Law（尺度定律）时，他追求Understanding，当导师甩给他一篇上世纪的论文并放话“这个方向不work”时，他还是坚持研究下去，即便直到今天，KAN网络都不算特别主流的研究方向，但如果没有人走，这条路上便永远无人涉足。
两年前，北京智源人工智能研究院研究员曹越做视频模型时也曾有过同样的遭遇：市场上几乎所有团队都在用扩散模型，而他选了自回归。当时“非常不被看好”，甚至有朋友当面质问他，为什么不直接采用OpenAI的方案。
两年后，越来越多人开始拥抱自回归。因此，打破同质化的关键，在于“你要站在第一性原理的视角去思考问题，敢于相信自己的判断”。
最终，所有的问题都回到主论坛萨顿演讲开头时的那句话，“如果每个人都觉得人工智能进步很快，你是否要思考一下，这个结论是不是被夸大了？”
如果，所有人的判断都一样，或许这个判断本身就值得警惕。