太阳成集团★◈。澳门太阳网城★◈，太阳成集团官方入口★◈。太阳集团电子游戏官网太阳集团电子游戏智能监控9728太阳集团澳门太阳集团城9728★◈，从生成式人工智能（AIGC）到智能体AI（Agentic AI）★◈，AI发展正经历深刻的范式转变★◈。12月5日晚★◈，★◈，在人文清华讲坛发表题为《人工智能★◈：无尽的前沿》的演讲★◈，他指出 AI作为核心驱动力★◈，正以前所未有的速度重构生产力与生产关系★◈，并推动物理世界★◈、数字世界乃至生物世界的深度融合★◈。

　　★◈，清华大学智能产业研究院（AIR）创始院长★◈。曾任百度总裁★◈、微软全球资深副总裁兼微软亚太研发集团主席★◈、微软亚洲研究院院长兼首席科学家等职★◈。

　　张亚勤院士是数字视频和人工智能领域的世界级科学家和企业家★◈。他发明的多项图像视频压缩和传输技术被广泛地应用于高清电视★◈、互联网视频等领域★◈。他是世界经济论坛达沃斯“人工智能委员会”委员★◈、“未来交通指导委员会”委员太阳成集团★◈。

　　张亚勤院士是中国工程院外籍院士★◈，美国艺术与科学院院士★◈，和澳大利亚国家工程院院士★◈。1997年他31岁被授予IEEE Fellow★◈，成为历史上获得这一荣誉最年轻的科学家★◈。

　　时光回到 80 年前★◈，1945 年二战刚刚结束★◈，时任美国总统罗斯福在一个深冬的晚上收到了一份提案★◈，名为《科学★◈：无尽的前沿》★◈。这份提案后来成为法案★◈，一举奠定了美国在科学领域的领军地位★◈，催生了众多技术★◈、产品和产业★◈，直接推动了第三次工业革命——我们熟知的无线通信★◈、半导体★◈、互联网★◈、光纤通讯等★◈，都是源于这份科学法案★◈。而今天★◈，我们正迎来一个全新的重大机遇——人工智能★◈，它已然拉开了第四次工业革命的序幕★◈。所以我今天的演讲题目是《人工智能★◈：无尽的前沿》★◈。

　　宇宙里面最聪明的物种是什么？是人★◈。经过几十万年的进化★◈，我们的大脑是如此神秘和神奇★◈。我们的大脑不到 3 斤重★◈，功耗只有 20 瓦★◈，但是我们却如此之聪明★◈。它里面包含了 860 亿个神经元★◈，有百万亿个连接或者说突触★◈，存储量至少有1个 Petabyte★◈。我们人类对大脑的理解也是渐进的★◈，现在我们可能对大脑的理解还不超过10%★◈。很有意思的是★◈，我们有两个最神秘的东西★◈，一个是我们的宇宙★◈，我们对宇宙的了解不到5%★◈，95%以上都是暗物质★◈、暗能量★◈；另一个就是我们人类的大脑★◈，我们对它的了解也很少★◈。但这么多年来★◈，随着研究的深入★◈，我们越来越多地知道了它的一些结构★◈、功能海派甜心2★◈。

　　早年间★◈，保罗・麦克莱恩提出了 “三重脑” 理论★◈，将大脑分为不同层次★◈：负责呼吸★◈、睡眠海派甜心2★◈、运动等生理功能的物理层次★◈，处理情感的层次★◈，以及负责推理★◈、决策的高级层次★◈。这个理论虽然不够精准★◈，但为我们理解大脑提供了直观的视角★◈。如今我们知道★◈，大脑拥有一百五十多个不同的功能区★◈，860 亿个神经元分布其中★◈，分别负责声音★◈、视觉★◈、语言★◈、运动等不同功能★◈。

　　人类的记忆功能尤为神奇★◈，包含天生的DNA记忆★◈、短期的海马体记忆★◈、长期的皮层记忆★◈，还有显性记忆和隐性记忆★◈。可以说★◈，人类大部分智能都来源于这些不同类型的记忆体★◈。

　　诺贝尔奖获得者丹尼尔・卡尼曼将人类的思考模式分为两种★◈：系统1是快思考★◈，面对事物时能快速产生直觉★◈、迅速做出决定★◈，无需深入思考★◈；系统2是慢思考★◈，需要经过深度分析和推理★◈，是人类高级智能的体现★◈。这两种系统可以相互转换★◈，当我们对某件事足够熟悉后★◈，慢思考会转化为肌肉记忆和直觉★◈。比如学车初期★◈，我们会刻意关注交通规则★◈、路牌★◈、信号灯和路况★◈，但熟练之后★◈，驾驶就会变成自然★◈、自觉的行为★◈，这就是系统转换的过程★◈。

　　人工智能★◈，本质上是学习人类智能的过程★◈，多年来我们一直在探寻智能的本质★◈。“人工智能”（Artificial Intelligence）这一概念于 1956 年正式定义★◈，而它的理论奠基可追溯到更早——图灵率先定义了 “计算” 与 “智能”★◈，并提出了 “图灵测试”★◈：若机器能通过多轮对话★◈，让人类无法分辨其是否为人类★◈，就意味着通过了测试★◈。

　　另外两位重要奠基人常常被忽略★◈：“信息论之父”香农定义了比特和信息量（熵）★◈，“控制论之父”维纳定义了负反馈★◈、学习和自适应★◈，这些基础概念对人工智能的发展起到了至关重要的作用★◈。

　　这么多年来★◈，人工智能领域出现了很多不同的学派★◈，但整体分一下★◈，主要是两种不同的思路★◈。一种思路认为★◈，可以把大脑的逻辑★◈、规则★◈，还有推理的过程都用符号表示出来★◈，这就是符号学派★◈。基于这种方式★◈，逻辑体系很漂亮★◈、很简洁★◈，也有明确的因果关系★◈，具备透明性★◈，我们知道机器是怎么推理的★◈，但它唯一的缺点就是不实用海派甜心2★◈，在实际应用中效果不佳★◈。当然还有另外一个学派★◈，叫连接学派★◈。这个学派认为★◈，大脑如此复杂★◈，智能的实现十分困难★◈，所以要通过大量的数据★◈，通过积累经验★◈、持续学习★◈、不断适应★◈，以及与世界的连接来获取智能★◈，这就是连接主义★◈。最近10-20年主流的深度学习技术★◈，用的就是这样的方法★◈。

　　2016年AlphaGo第一次击败了李世石九段★◈，是以3:1的比分击败的★◈。咱们清华的同学柯洁九段不服气★◈，2017年和AlphaGo下了三盘棋★◈，最终0:3屈居第二★◈。AlphaGo当然很聪明★◈，它用到了深度学习★◈、强化学习★◈，还有蒙特卡洛搜索★◈，是很了不起的成果★◈，它学习了人类几十万盘棋局★◈。但我觉得更了不起的★◈，是大家不太听说的AlphaGo Zero★◈。它完全不用学习人类的棋局★◈，它是自己和自己下棋★◈，互相博弈★◈，通过不断地博弈来学习★◈，而且进化速度非常快★◈。AlphaGo Zero和 AlphaGo的前一个版本下了 100 场棋★◈，它完胜★◈，比分是100:0★◈。它不仅可以下围棋★◈，还可以下国际象棋以及别的棋类★◈。所以后来DeepMind这个团队说★◈，从此我们不和人类下棋了★◈，因为所有的棋类★◈，人类都下不过人工智能了★◈。这是一个特别重要的概念★◈，就是智能体的概念★◈。

　　基于类似逻辑（算法不同）★◈，DeepMind推出AlphaFold★◈，解决了人类蛋白质解析预测长达50年的难题★◈。原本人类需要10亿★◈、众多科研人员耗费十余年才能完成的工作★◈，AlphaFold 仅用一年就全部解决★◈。

　　2024年★◈，诺贝尔奖物理学奖★◈、化学奖均授予了人工智能领域的奠基人★◈，其中就包括 DeepMind创始人德米斯・哈萨比斯——他的团队既创造了AlphaGo★◈，也打造了AlphaFold★◈。今年1月★◈，我在达沃斯与他有过一场关于新药研发★◈、生物计算及人工智能未来发展的有趣对话★◈。

　　另外一个大的里程碑★◈，是2022年★◈，也就是三年前★◈，同样是一个很冷的冬天★◈，OpenAI的ChatGPT出现了★◈，这带来了一个全新的范式★◈。过去的深度学习或者神经元网络★◈，主要还是针对具体任务★◈，本质上是一种很聪明的模式识别★◈，比如说语音识别★◈、人脸识别★◈、图像识别★◈，或者字符识别等★◈，算是一种高级的识别技术★◈。但ChatGPT出来之后★◈，我们跳跃到了一个新的范式★◈，它不仅可以识别★◈，还可以生成★◈，还可以创造★◈，所以生成式AI就这么出现了★◈。

　　生成式AI有三个重要的元素★◈，统一表征（Tokenization）★◈、规模定律（Scaling Law）和涌现效应(Emergence)★◈。最重要的★◈，我认为是统一表征★◈。ChatGPT是怎么做的呢？有点像人类的神经元★◈，我们人类有860亿个神经元★◈，不管分布在什么地方★◈，每个神经元的结构都是完全一样的★◈，视觉的★◈、听觉的★◈、运动的★◈、记忆相关的★◈，都是同样的结构★◈。生成式AI的统一表征也是类似的道理★◈，不管什么样的信号进来★◈，都把它变成Token★◈，核心任务就是预测下一个Token★◈，生成下一个Token★◈。它可以生成文字★◈、图像★◈、视频★◈，现在大家已经用得很多了★◈。同时它还可以生成新的数据★◈、代码★◈、数学方程式★◈、工具——它不仅能生成工具★◈，还能使用工具★◈；它还可以生成新的蛋白质★◈、分子★◈、材料★◈、药物★◈。当大语言模型的参数量突破百亿级别★◈，便会触发规模定律,出现涌现效应★◈。也就是说★◈，模型的性能并非线性增长★◈，而是随着规模扩大发生跃迁★◈，从而涌现出未经编程的★◈、令人惊喜的新能力★◈。

　　另外一个重要的里程碑★◈，来自中国的DeepSeek★◈。这个也是出现在一个寒冷的冬天★◈，就是今年的1月份★◈。DeepSeek出现之前★◈，中国有上百个大模型★◈，这些大模型基本上都在学习 OpenAI★◈，学习ChatGPT★◈，整个技术路径★◈、算法的架构体系★◈，基本上都是在模仿学习★◈。

　　DeepSeek出现之前★◈，我曾经说过★◈，我们和美国在大模型领域的差距★◈，大概是两到三年★◈。DeepSeek是一家小小的创业公司★◈，它的工程团队离清华可能就 5-10 分钟的路程★◈，团队里很多都是清华的学生★◈。DeepSeek所做的★◈，是一条新的路径★◈，在算法★◈、技术★◈、系统架构上都有创新★◈，它用1%的算力就可以达到和美国前沿大模型相似的能力★◈。DeepSeek出来之后★◈，咱们和美国的差距可能就缩短到2-3个月★◈，也就是一个版本的差距★◈，从之前的2-3年缩短到 2-3个月★◈，而且在有些应用方面★◈，我们可能做得更好★◈。另外它采用开源模式★◈，它的开源模型很快就被很多买不起大模型的国家★◈、地区所使用★◈，这使得整个模型的落地和应用变得越来越快★◈。所以我把它叫做“DeepSeek时刻”★◈，一开始有“ChatGPT时刻”★◈，现在这是“DeepSeek时刻”★◈，是属于中国的时刻★◈。

　　2025 年★◈，人工智能领域迎来了又一重要转变——从生成式AI迈向智能体AI★◈。在此之前★◈，我们遵循“规模定律”★◈：数据越多★◈、算力越强★◈，模型效果越好★◈，达到一定阶段后会出现量子跃迁和涌现效应★◈。但2025年我们发现★◈，预训练阶段的规模效应正在放缓★◈，数据资源逐渐趋于饱和★◈，继续增加算力的边际收益不断减少★◈。与之相对★◈，后训练（Post-train）阶段的重要性日益凸显★◈。这就像人类的成长★◈：预训练如同上学阶段★◈，从本科到硕士海派甜心2★◈、博士★◈，通过学习积累知识变得聪明★◈；而后训练则像是工作后的实践★◈，在具体场景中不断学习★◈、进化★◈，这也是智能体AI 的核心来源★◈。

　　什么是智能体？人类作为高智能物种★◈，能够设定任务和目标★◈、规划实现路径★◈、不断试错反馈★◈，凭借强大的记忆完成任务★◈。比如同学们想学人工智能★◈，会想学人工智能我要上哪个老师的课★◈，哪个老师讲得最好★◈，我要找什么参考书★◈，我要怎么准备考试★◈，做什么练习题★◈，会把这个目标分解★◈，然后找到最佳的实现路径★◈，这是我们人类的核心特点★◈。而AI智能体★◈，就是在学习人类这种高级智能★◈，具备三大关键能力★◈：

　　首先它要自主学习（Autonomous）★◈，不是自动学习（Automatic）★◈，这两个差别很大★◈。自主学习是没有固定的规则★◈，在不断地探索中学习★◈；而自动化往往是有预设规则的★◈，是按照定义好的规则来运行的★◈。所以智能体的第一个关键特征是自主的（Autonomous）★◈。

　　第二点是可进化的★◈，就是通过不断迭代可以变得更好★◈，而且进化之后★◈，下一次再做类似的事情★◈，可以把原来学到的知识用上★◈。这是我们人类和别的物种很大的区别——人类的智能是可以叠加的★◈。而和我们最近的物种黑猩猩★◈，它们的智能一代和一代之间是没有本质区别的★◈，所以可进化性十分重要★◈。

　　第三点就是泛化能力★◈，能够举一反三★◈。比如说我学会怎么去订票★◈，这些功能★◈、技能可以用到别的地方★◈，它可以帮你去报销★◈，可以帮你去购物★◈，我也希望它以后可以帮你开车★◈，当然开车这个任务就很难了★◈。可泛化性是我们人类的特点★◈，但是我们人类的可泛化能力也是有一些界限的★◈。比如说我们清华的同学可能理科成绩很好★◈，但文科可能相对差一点★◈；我有一个特别好的朋友★◈，他特别聪明★◈，工作也做得很棒★◈，但学开车拿驾驶执照花了15年还没拿到★◈，最后拿到执照之后马上就撞车了★◈。所以有些地方★◈，人类的泛化能力也会受限★◈，但我们还是希望人工智能能够具备举一反三的泛化能力★◈。

　　这些智能的实现★◈，离不开最基本的东西★◈，其实就是数据★◈，数据的本质就是数字化★◈，我们的技术底座就是数字化★◈。首先是信息世界的数字化★◈，然后是物理世界的数字化★◈、生物世界的数字化★◈。过去40年★◈，我们最重要的工作就是数字化★◈。早期从1985年开始★◈，我们进行内容数字化★◈、文档数字化★◈，我们的语音★◈、图像★◈、视频★◈、文本★◈、PPT等★◈，这些都是在那个时候变成数字化内容的★◈。后来加上HTML等技术★◈，取得了一个重大成果★◈，就是互联网★◈，先是 PC 互联网★◈，后来是移动互联网★◈。然后我们又对企业进行数字化★◈，或者说对企业进行信息化★◈，这里面有ERP系统★◈、CRM系统★◈、数据库等★◈，还有企业各种各样的业务流程★◈。这一阶段催生了两个最大的成果★◈，一个是数据库★◈，另外一个是云计算★◈。那么现在★◈，我们的物理世界正在被数字化★◈，汽车★◈、公路★◈、交通灯★◈、城市在数字化海派甜心2★◈，我们的电网在数字化★◈，我们的家庭在数字化★◈，我们的车间在数字化★◈，我们的工厂在数字化......整个物理世界都在经历数字化的变革★◈。同时★◈，我们生物世界的蛋白质★◈、大脑★◈、细胞★◈、基因等等也都在被数字化★◈。

　　MIT媒体实验室主任曾在数字化1.0开启时提出★◈，我们正在从 “原子” 走向 “比特”★◈。“比特”是香农所定义的数字世界的基本单位★◈。而如今★◈，我们正从比特回归原子★◈、走向分子——新一代智能是信息智能★◈、物理智能和生物智能的融合★◈，是比特★◈、原子和分子的融合★◈，也是碳基生命和硅基世界的融合★◈。

　　五年前★◈，2020年12月★◈，我来到清华大学创立了智能产业研究院（AI Industry Research, 简称AIR）★◈。AIR的“I”有三重含义★◈：国际化（International）★◈、人工智能（AI）★◈、产业（Industry）★◈。我们的使命清晰明确★◈：用人工智能创新赋能产业★◈，推动社会进步★◈；目标是打造面向第四次工业革命的国际化★◈、智能化★◈、产业化研究机构★◈。

　　要实现这一目标★◈，核心是培养未来技术领军人才★◈。我们采用“学术 + 产业”双引擎模式★◈，大部分老师既具备深厚的学术造诣★◈，又拥有丰富的产业经验★◈。目前研究院已有20多位老师★◈、100多位博士后和博士生★◈、400多位实习生太阳成集团★◈，已成为全球人工智能领域最活跃★◈、最具贡献的机构之一★◈。

　　我们的研究方向与今天所讲的三元智能高度契合★◈，聚焦信息智能★◈、物理智能和生物智能★◈，开展机器人★◈、无人车★◈、边缘智能★◈、大健康★◈、生物制药等领域的研究★◈，合作对象也以产业界企业为主★◈。

　　下面我将结合AIR老师们的研究成果★◈，从信息智能★◈、物理智能★◈、生物智能三个维度★◈，为大家介绍智能体的具体应用★◈。

　　目前★◈，Gemini★◈、ChatGPT等最新大模型在数学奥林匹克竞赛中已能击败人类冠军★◈。而我们的目标不止于此——我们希望让AI证明尚未被人类证明的数学定理★◈。

　　AIR李鹏老师团队与清华大学丘成桐先生的数学研究院合作★◈，研发了数学智能体AIM★◈。它能够分解任务★◈，完成定理证明★◈。例如在材料科学★◈、分子动力学领域的重要难题“均匀化问题”的证明中★◈，AIM形成了17页的证明文档★◈，其中绿色部分完全由机器生成★◈，橙色部分主要由机器证明后经人工校正★◈，蓝色部分为人工完成★◈，黑色部分是问题描述★◈。这是人机协作的绝佳范例★◈，据数学老师反馈★◈，证明中最难的部分由AI完成★◈。

　　虽然目前AIM证明的问题仍有一定难度限制★◈，但我相信未来五年★◈，人工智能能够独立证明更难的数学问题——比如千禧年提出的7个最难数学问题（目前已有2个被解决★◈，剩余 5个包括计算机领域的NP完备性问题★◈、哥德巴赫猜想★◈、黎曼猜想等）★◈。我与丘成桐先生就此“打赌”★◈，我认为五年内AI能完成其中至少一个难题的证明★◈。无论具体时间如何★◈，

　　ChatGPT本质上是语言模型★◈，而物理世界的智能体需要具备视觉（Vision）★◈、语言（Language）★◈、行动（Action）能力★◈，构建 “世界模型”★◈。AIR的曹婷老师团队研发的系统★◈，就实现了物理世界机器人智能体的核心功能——通过感知★◈、推理★◈、进化★◈、行动和奖励机制★◈，生成决策和动作★◈，指挥机器人完成任务★◈。

　　詹仙园老师团队研发的X-VLA系统★◈，尝试解决智能体的泛化问题★◈。传统机器人学会一项技能后★◈，难以迁移到其他机器人或不同场景★◈。而X-VLA 系统仅需9亿个参数★◈，就能部署到不同机械臂和机器人上★◈，实现技能的跨设备★◈、跨场景迁移★◈。比如机械臂学会叠衣服后★◈，更换不同机械臂★◈、调整桌子高度★◈，仍能完成叠衣服任务★◈，还能将相关技能迁移到做家务等其他场景★◈，完全通过自主学习适应环境★◈。

　　无人驾驶是物理智能体的另一重要应用★◈，也是我多年来持续关注的课题★◈。此前在百度担任总裁期间★◈，我们启动了“阿波罗”项目★◈，其落地应用“萝卜快跑”就是一款专门用于驾驶的机器人★◈。无人驾驶的难度极高★◈，需要车辆精准感知复杂交通环境★◈、规划路径★◈、做出实时安全的决策★◈，集成了人工智能的各个核心技术★◈，因此被称为“人工智能集大成者”★◈。

　　我对阿波罗团队提出了三个核心要求★◈：安全★◈、安全★◈、再安全★◈。这里的“安全”定义为★◈：机器驾驶的事故率比人类驾驶低10倍以上★◈，才能实现商业化上路★◈。经过近10年的研发★◈，无人驾驶L4级（完全无人★◈、无安全员）的核心技术挑战已基本克服★◈，长尾问题不断优化★◈。

　　目前★◈，“萝卜快跑”已累计行驶2亿公里★◈，在国内外十几个城市落地运营★◈，安全程度超过人类驾驶10倍★◈，未发生过一次恶性事故★◈。仅在武汉★◈，3000平方公里的区域内★◈、1700万人口的城市中★◈，1500辆萝卜快跑车辆可实现7×24小时服务★◈，我们已在中国打造了全球最大的无人驾驶平台和运营体系★◈。

　　人工智能在生物智能领域的应用★◈，首先体现在新药研发的加速上★◈。德米斯・哈萨比斯在达沃斯对话中提到★◈，未来十年左右人类所有疾病都可能被治愈★◈，这一观点也许过于乐观★◈，但人工智能确实能大幅缩短新药研发周期★◈。

　　AIR的兰艳艳老师团队研发了新药筛选新技术★◈，通过AlphaFold解码2万多个蛋白质结构★◈，找到“口袋靶点”太阳成集团★◈，再与几十亿★◈、上百亿个蛋白质进行对接★◈。目前仅有不到10%的蛋白质可用于制药★◈，大量蛋白质分子结构的应用价值尚未被发掘太阳成集团★◈，而该技术通过人工智能算法实现了快速对接★◈，相关成果即将在《科学》杂志发表★◈。

　　聂再清老师团队打造的新药研发智能体★◈，能够根据研发需求分解任务★◈，自动查找资料★◈、分析蛋白质结构和功能★◈，生成初步研发图谱★◈，极大提升了新药研发的效率★◈，为科研人员提供了重要支持★◈。

　　人工智能在医疗领域的另一突破★◈，是AIR刘洋老师团队打造的全球首个无人智能体医院——清华大学人工智能医院（今年4月成立）★◈。这是一个虚拟医院★◈，医生★◈、病人★◈、护士等角色均由智能体担任★◈，涵盖不同科室★◈，形成完整诊疗闭环★◈。智能体之间通过协作★◈、博弈不断进化★◈，无需人工标注数据★◈，仅需两天时间就能完成相当于两年的病例诊断学习★◈，诊断准确率超过传统医院★◈。

　　需要强调的是★◈，AI智能体医生并非要替代人类医生★◈，而是作为医生的助手★◈，提升诊断效率和准确性★◈。目前★◈，该系统已在清华校医院★◈、长庚医院等十几家医疗机构开展测试★◈，由真实医生和病人参与验证★◈。

　　下面我想讲一下未来技术的发展趋势★◈，特别是产业格局的变化★◈。我在微软公司工作近16年★◈，期间主持开发了全球最大的嵌入式操作系统WindowsCE,所以我对操作系统有一个特殊的情结★◈。操作系统★◈，它是定义一个时代最重要的技术平台★◈，有了操作系统之后★◈，下面的芯片★◈，上面的应用程序太阳成集团★◈，整个技术生态其实都是围绕着操作系统来部署的★◈。在 PC 时代★◈，我们知道操作系统是Windows（视窗操作系统）★◈，芯片是X86架构★◈，上面围绕着这个平台开发了各种各样的应用程序★◈。到了移动互联网时代★◈，我们用的手机操作系统是iOS和安卓★◈，在国内我们也用华为的鸿蒙系统★◈。下面的芯片也变了★◈，变成了ARM架构★◈，上面的应用也变了★◈，有各种不同的移动应用★◈，像微信★◈、短视频等各种应用★◈。到了人工智能时代★◈，大模型就是人工智能时代的操作系统★◈。围绕着这个操作系统★◈，下面的芯片架构变成了以GPU为主流★◈，NVIDIA（英伟达）为什么全球市值这么高？因为它主要就是做GPU的★◈。上面的芯片架构变了★◈，下面的应用生态也变了★◈，这次人工智能时代的技术规模★◈，比移动互联网时代★◈、比 PC 时代要大很多倍★◈，可能会达到一个数量级★◈、两个数量级★◈，甚至更大的规模★◈。

　　2023年3月★◈，我绘制了人工智能时代的架构图★◈：以前沿基座大模型为操作系统★◈，上层涵盖行业垂直系统★◈、SaaS 应用软件★◈，端侧（手机★◈、PC）则通过大模型蒸馏或压缩后的小模型运行 APP★◈。到 2025年10月★◈，我对这一架构进行了更新★◈，核心变化是将SaaS和APP替换为智能体——我认为智能体是未来的SaaS★◈，也是未来的APP★◈。虽然短期内手机APP仍是主流★◈，但智能体功能将逐步融入其中★◈。

　　要实现AGI★◈，还需要解决一系列关键问题★◈，比如构建符合物理定律的世界模型★◈、理解因果关系★◈、优化记忆系统等★◈。当前AI的记忆较为粗糙浮浅★◈，而人类记忆是智能的核心复杂部分★◈。

　　如果按照这样的定义★◈，我认为我们在 15-20 年内会达到AGI的水平★◈，并且能够通过 “新图灵测试”★◈。图灵测试★◈，一开始只是文本对话层面的测试★◈，现在它已经延伸到各个领域了★◈。首先在信息领域★◈，在内容生成方面★◈，我觉得5年之内就可以达到AGI的水平★◈，大家看最新的Sora视频生成模型★◈，它生成的视频已经和人类制作的差不多了★◈，甚至在某些方面比人类做得还好★◈。在10年之内★◈，在物理智能方面可以实现AGI★◈，无人车从技术方面已经基本过关了★◈，人形机器人还需要更长的时间★◈。我们现在看到各种人形机器人的表演都很好★◈，也有很多相关的研究★◈，包括人形机器人的灵巧手★◈、人脸肌肉控制等技术★◈，但要做到真正和人类相似★◈，至少还需要10年的时间★◈。不过我很看好这个产业★◈，我认为2030年★◈，也就是十年以后★◈，机器人的数量会超过人类的数量★◈，这会是一个巨大的产业★◈。但是现在★◈，人形机器人还处于科研阶段★◈，还没有到完全量产的地步★◈。那么更重要的是生物智能领域★◈，比如脑机接口★◈、生物体与AI的融合★◈、生命体的数字化等★◈，这个领域要实现AGI★◈，还需要差不多20年的时间★◈。

　　另外一个角度看我们的产业发展★◈，是从互联网的发展脉络来看★◈。1995年开启了PC互联网时代★◈，2005 年开启了移动互联网时代★◈，2015年开启了物联网时代★◈，也就是万物互联的时代★◈。现在我认为★◈，我们进入了一个新的时代★◈，就是智能体互联网时代★◈，也就是Internet of Agents★◈。这里面有一个特别有意思的概念★◈，叫做Agent Swarm（智能体群）★◈。

　　红杉资本在 2025年的演讲中提出了“Agent Swarm”（智能体群）这个概念★◈：未来人类交往将通过智能体实现★◈，智能体之间将形成群体智能★◈，通过协作★◈、博弈★◈、纠错不断进化★◈，如同蜂群★◈、动物群体一般★◈，最终进化为类似人类大脑神经元网络的结构★◈，催生 “智能体经济”★◈。

　　这种智能体经济将彻底改变经济形态★◈、人类组织架构和企业运作模式★◈：企业的核心资产将变为芯片★◈、数据中心★◈、数据和AI模型★◈；团队组建不再局限于招聘人类员工★◈，智能体将成为重要组成部分★◈；就业形态★◈、分配模式等深层次社会问题也将随之重构★◈。

　　这个风险有几个层面★◈：首先是信息智能领域的风险★◈，我们已经看到了★◈，它可以生成虚假信息★◈，它可以进行深度伪造★◈，有的时候它还会产生幻觉★◈，还可以用来欺骗他人★◈，另外还有版权归属的问题★◈。我们现在使用的互联网信息★◈，从上个月开始★◈，已经有 50% 以上的信息是人工智能所产生的★◈。这个时候我们怎么防范这些风险？比如现在有很多不实的信息★◈，这些不实信息又被用来训练新的大模型★◈，然后生成更多的不实信息★◈，形成恶性循环★◈。我们怎么解决这些问题？需要从技术★◈、政策★◈、法规方面共同努力来解决这些问题★◈，不过这个领域的风险我认为还是可控的★◈。

　　到了物理世界★◈，我们把大模型★◈、智能体和无人车★◈、机器人★◈、无人机★◈，包括军事系统连接起来★◈，智能体之间的协作和博弈★◈，如果出现失控★◈，如果被恶意滥用★◈，那么造成的风险就会更大★◈。到了生物智能领域★◈，假如我们的大脑和AI连接在一起了★◈，碳基生命和硅基世界通过芯片或者外挂的传感器连接在一起了★◈，到了那个时候★◈，尽管它可以给我们带来巨大的好处★◈，我们可以想象到★◈，如果一旦出现失控★◈、被滥用★◈，风险就会特别大★◈。所以这个领域需要我们人类最聪明的人去研究这些问题★◈、解决这些问题★◈、面对这些挑战★◈。这里面有做科学研究的★◈、技术开发的★◈、产品设计的★◈，同时也需要政府的政策法规专家一起★◈，共同打造一个有效的治理框架★◈，而且这个治理框架需要是全球范围的★◈。但我自己是有信心的★◈，人类进化了这么多年★◈，我们有一个特殊的能力★◈，就是可以发明高级的工具★◈，同时我们也可以管理好高级的工具★◈。

　　当前★◈，人工智能正从鉴别式AI走向生成式AI★◈，并逐步迈向智能体AI★◈。新一轮人工智能是信息智能★◈、物理智能和生物智能的融合★◈，是原子★◈、比特和分子的融合★◈，是碳基生命和硅基世界的融合★◈。在这一进程中★◈，我们拥有天文级海量数据★◈、指数级运算能力★◈，更重要的是人与机器将协同进化★◈，催生巨大的产业机遇——达沃斯AI理事会预测★◈，到 2030 年★◈，人工智能带来的新机遇将创造20万亿美元的经济价值★◈，超过当前许多国家的GDP总量★◈。同时★◈，我们也面临着隐私保护★◈、安全保障★◈、就业转型★◈、社会公平★◈、风险治理等一系列社会挑战★◈，

　　80 年前★◈，《科学★◈：无尽的前沿》法案推动了第三次工业革命★◈，而在前三次工业革命中★◈，中国始终是旁观者或跟随者★◈。而人工智能带来了新的无尽的前沿★◈，正在开启第四次工业革命★◈，这一次★◈，我坚信凭借强大的国力★◈、众多的人才和有利的政策★◈，中国必将成为领军者★◈！

　　“人文清华”讲坛是清华大学发起的大型思想传播活动★◈，推动建设更创新★◈、更国际★◈、更人文的清华新百年★◈。讲坛定期邀请优秀人文学者★◈，在标志性建筑新清华学堂发表公众演讲★◈，阐述其经典学说★◈、独特思考和重大发现★◈。