150 分钟，有关 AGI 的一切，柴天佑院士、何小鹏给出答案

2025年，人工智能领域迎来一系列密集突破。DeepSeek R1、Claude 4、Gemini 3、Nano Banana和Sora 2轮番上线，你方唱罢我登场，生成式图片和视频创作领域迎来集中爆发。12月中旬，OpenAI 推出的GPT-5.2将年度模型竞赛彻底推向高潮。

回看这一年，人工智能的变化已不再体现为单项能力的提升，而是在推理效率、智能体执行、多模态创作与具身智能等多个方向同时推进。每一次突破都在拉近人类与超级智能的距离，也引发了业界对技术演进方向、产业落地路径和治理框架的深度思考。

在这一背景下，由腾讯新闻主办的2025腾讯ConTech大会暨腾讯科技Hi Tech Day于12月18日正式播出，汇聚了中国工程院院士、知名专家和学者、头部科技企业创始人及知名投资人，围绕工业智能、物理AI、大模型进化、具身智能、AI治理等前沿议题展开深度对话，共同探讨智能时代的机遇与挑战。

腾讯新闻运营总经理黄晨霞在致辞中表示，智能浪潮从未像现在这样澎湃，我们正处在范式重构的关键节点——当下的智能浪潮不仅是能力升级，更是一场关于应用方式和协同模式的范式重构，既关乎技术高度，也关乎落地深度与伦理尺度。

黄晨霞表示：“腾讯新闻与腾讯科技希望搭建连接前沿与落地、思想与实践的平台，汇聚学界、产业与技术力量，共同思考‘技术应为何所用’。在鼓励创新突破的同时，始终保持对技术边界的敬畏，推动智能技术转化为真实、可持续的社会价值”。

中国工程院院士柴天佑：工业智能化，决定未来制造体系的竞争高度

中国工程院院士柴天佑从工业革命的历史出发，系统阐述了智能化兴起的根本原因。他指出，历次工业革命的本质，都是物质流、能源流与信息流的协同变革：物质转化依赖能源，而能源如何被高效利用，最终取决于信息流，即感知、决策与执行能力。

比如蒸汽机、电力和数字计算机的出现，分别推动了比例控制、PID 控制以及自动化与信息化等体系的发展——信息流能力的提升始终是工业进步的关键。

柴天佑院士认为，新一轮工业革命正在发生，其核心并不只是能源变化，而是信息流的再次跃迁。由大数据驱动的人工智能、工业互联网、数字孪生与元宇宙等技术，使工业系统首次能够在数字空间中完成感知、决策与优化，再将结果安全地应用到真实生产过程。

他特别强调，工业 AI 与通用大模型存在本质差异：工业场景要求“决策不能错、感知不能错、执行不能错”，追求的是可验证、可优化、可闭环的智能能力。

以氧化镁砂生产线为例，柴天佑展示了数字孪生与智能算法如何实现高危工艺无人化、自学习参数优化与显著节能增效，说明工业智能化能够重构生产方式，并推动产业体系持续演进。

小鹏汽车何小鹏：机器人、无人驾驶汽车与低空飞行器，或将成年轻人的“新三大件”

在本次大会上，小鹏汽车董事长、CEO何小鹏分享了对于“物理AI”的深度思考与实践，他认为人工智能正在从数字世界走向真实的物理世界。

何小鹏提出，AI时代正在出现新的规律：一方面，数据、算力和模型会不断相互强化，形成类似“黑洞”的效应，让智能快速进化；另一方面，大量智能体可以像蚂蚁一样去中心化协作，各自思考、行动，却能高效配合。

他回顾了不同年代的“三大件”变化：从自行车、手表、缝纫机，到彩电、冰箱、洗衣机，再到汽车成为重要消费品。所以他认为，随着 AI 与物理世界的深度结合，年轻人的生活标配也将发生变化。

何小鹏判断，未来十年，机器人、无人驾驶汽车和低空飞行器，有可能逐步走入日常生活，成为新的“智能体三大件”。在他看来，汽车、机器人和飞行器在本质上是同源的物理 AI 系统，底层都依赖感知、决策和执行能力的融合。

他特别提到，人形机器人更容易融入以人为中心设计的现实环境，具备更广泛的应用潜力；而自动驾驶与飞行汽车，将在不同场景下改变人们的出行方式。何小鹏强调，这些变化不会一蹴而就，但随着技术成熟和场景落地，物理 AI 正在从概念走向现实生活。

清华大学教授梁正：全球人工智能治理进入空前活跃阶段，但面临四个结构性矛盾

本次大会上，清华大学人工智能国际治理研究院（AIIG）发布了年度报告《迈向可衡量的治理：2025年度回顾与行动建议》。作为独家合作媒体，腾讯科技将于2026年与清华大学人工智能治理研究院持续推出系列内容，共建人工智能治理IMA知识库。

清华大学教授、清华大学人工智能国际治理研究院副院长、清华大学中国科技政策研究中心副主任梁正在此次大会上也解读了这份研究报告。

他指出，2025年是人工智能发展与治理的关键节点——随着AI从单一工具走向具备自主行动能力的智能体，并逐步进入自动驾驶等物理世界场景，现有治理框架正面临新的挑战，包括隐私保护、责任界定以及风险外溢等问题。

他强调，当前AI发展面临算力与能源瓶颈、地缘政治叠加竞争以及低成本模型滥用等多重压力。在工业、医疗等垂直领域，准确性、可控性与人机信任已成为影响应用落地的关键因素。梁正认为，全球AI治理正进入空前活跃却高度分化的阶段，治理倡议多、实际行动少，多边共识约束力不足。

在此背景下，他总结了四个结构性矛盾：技术快速演进与静态治理方式的矛盾；发展与治理被简化为二元选择的思维定势；国家竞争导致全球公共产品供给不足；以及缺乏系统性、可衡量的治理框架与工具。梁正提出，应推动“敏捷治理”，通过监管沙盒、负责任设计和国际协作，构建一套可衡量、可审计、可验证的AI治理体系，以更好的治理支撑人工智能的健康发展。

2025 年，随着大语言模型的能力迭代不断，正在快速接近或超越人类水平，人工智能的核心问题已然从“能不能做出来”（即技术可行性和前沿突破），转向“能不能长期跑下去”（即可持续性、可靠性与规模化产业落地），这也成为产业界展望2026年AI发展的核心关注议题。

围绕这个方向，本次大会也设置了三场圆桌论坛：

第一场聚焦大模型自身的演进方向，讨论“模型如何变强、变省、变可用”；

第二场回到底层算力与基础设施，追问“通向AGI需要哪些不可替代的底座能力”；

第三场则直面产业落地，拆解AI在真实组织与流程中落地所遭遇的结构性阻碍和机会。

模型能力层：高效模型与开源生态，正成“中国新路径”

2025年，大模型的竞争不再只看规模，而是开始围绕效率、结构与生态展开的一场博弈。

在首场圆桌论坛《2025，大模型再进化》中，华中师范大学助理教授熊宇轩，北京智源人工智能研究院院长王仲远，清华大学长聘副教授 、面壁智能联合创始人兼首席科学家刘知远以及峰瑞资本投资合伙人陈石，从技术、产业与投资多重视角，系统梳理了2025年大模型演进的关键变化。

熊宇轩指出，2025年大模型已从“规模突破”进入“能力进化”阶段，单纯堆算力、堆参数的边际效益正在下降。当下，入场的诸多中国公司们正通过高效模型、端云协同与开源生态，探索一条不同于传统路径的原创发展路线。

王仲远也认同这一判断，表示大语言模型在文本维度正进入相对成熟阶段，受限于互联网数据天花板，性能提升趋缓，但多模态模型正迎来新的突破窗口。他强调，大模型的学习范式正在从“Reading from Text”走向“Reading from Video”，视频与物理世界数据所蕴含的时间、空间和因果信息，将推动人工智能加速从数字世界迈向物理世界。

在模型形态上，这一变化进一步催生了新的演进规律路径。刘知远提出，大模型发展正在呈现类似摩尔定律的“密度法则”——通过技术创新，在更小参数规模中压缩更高能力。小模型并非能力退化，而是向高密度、高效率演进。他认为，端云协同将成为长期结构：端侧负责实时感知与行动，云端承担深度规划与知识整合。

从产业与投资角度，陈石认为，2025年大模型竞争的护城河正在重构，不再是单一算力或参数优势，而是由算力组织能力、模型能力上限与生态厚度共同构成。其中，能否通过应用与合作伙伴形成持续的数据反馈闭环，将成为拉开差距的关键。

围绕智能体与具身智能，嘉宾一致认为该领域仍处早期阶段，但人工智能进入物理世界是不可逆趋势。在此过程中，开源生态、高效模型与端侧创新，被视为中国公司们参与全球竞争的重要现实路径。

基础设施层：算力、模型与基础设施，共同决定AGI门槛

当模型参数不断刷新纪录，算力投入持续攀升，一个更根本的问题正在浮现：我们是否已经站在通向AGI的正确路径上？是沿着既有架构持续演进，还是需要一次底层范式的重构？在行业分歧与共识并存的当下，第二场圆桌将视角拉回基础层，围绕算力形态、模型架构与基础设施展开讨论，尝试回答——通向AGI，究竟需要哪些真正不可或缺的“入场券”。

英诺天使基金合伙人、北京前沿国际人工智能研究院理事长王晟，硅基流动创始人兼首席产品官胡健，阶跃星辰首席科学家张祥雨，沐曦高级副总裁孙国梁等多位业内嘉宾，深入探讨通向 AGI 的底层支撑体系。

多位嘉宾指出，AGI 并非单点突破，而是由算力体系、模型架构、基础设施与生态协同共同驱动的系统性跃迁。胡健从 AI Infra 角度强调，算力与模型之间亟需更高效、低成本的中间层基础设施，以支撑模型训练、推理与应用的快速迭代。张祥雨表示，下一代基础模型正在从单一模态走向多模态原生融合，视觉、语言、语音乃至具身能力将统一于同一模型体系中，这是通向更高层智能的重要方向。

在被问及“开源、闭源”之争时，硅基流动胡健强调这是一种“老二、老三”生存法则的博弈。“就像安卓对抗iOS。DeepSeek一出来，市场炸了，大家就都得跟进，这是一种低竞争倒逼的趋势。”胡健表示，如果模型不开源，智能如果只掌握在少数企业手里，客户不得不依赖这些巨头，并为此承担更高的成本与代价。而在算法侧，阶跃星辰首席科学家张祥雨抛出了一枚“深水炸弹”：现有的Transformer架构可能是一条死胡同。

王晟总结指出，当前技术范式正处在“稳态”与“跃迁”之间：一方面，既有架构仍在演进；另一方面，围绕模型、算力与基础设施的重构已经启动。AGI 的到来，不取决于某一家公司或某一技术，而取决于底层引擎是否真正成熟。

产业落地层：AI 能不能落地，卡的不是模型，而是“隐性数据”

当AI大模型技术越来越强，一个更现实的问题正在浮现：它究竟能不能在企业里真正跑起来？第三场圆桌聚焦“AI+产业”的关键卡点，清华大学智能产业研究院（AIR）助理教授、智源学者赵昊，清华大学经济管理学院可口可乐讲席教授、清华大学经济管理学院互联网发展与治理研究中心主任陈煜波，明略科技创始人、CEO兼CTO吴明辉，苏州明义微电子技术有限公司创始人朱从义，智平方科技有限公司副总裁邱巍，围绕落地方面的难点展开拆解。

赵昊从产业与科研交叉视角指出，AI落地的共性瓶颈并非单一模型能力，而在于高价值数据与隐性知识难以外溢——无论是企业决策逻辑，还是高端制造中的关键工艺参数等方面，都会对AI构成核心约束，必须以系统工程思维统筹推进。

在企业实践层面，明略科技创始人吴明辉进一步拆解了这一问题的内部结构。他指出，企业决策所依赖的信息至少分为三层：公开数据、企业私有数据，以及最难被系统捕捉的——决策者脑中尚未显性化的隐性信息。这一层信息不仅存在“技术能否承载”的问题，更面临“是否愿意交付”的现实障碍，直接决定了AI能否真正参与到企业的核心决策之中。

当 AI 进一步走向物理世界，技术挑战与组织问题同时显现。邱巍从具身智能落地经验出发，总结出“聪明、快、隐私”三重门槛：模型泛化能力与“快慢系统”仍需持续迭代；与此同时，高端制造场景中的工艺流程数据具有极高保密性，引出了“数据治权”的现实难题——模型究竟应在客户侧训练，还是在厂商侧训练。

在组织与协作层面，陈煜波以“骑马打仗”作比喻指出，人机协同并非新命题，但AI正在重塑协作方式。问题的关键不在于“替代人”，而在于重新定义流程与技能分工，探索“人如何与AI协作、互补”。

不过，即便上层问题得到解决，AI落地仍受制于更底层的基础设施约束。朱从义将视角拉回能源与供电层面，指出GPU功耗跃迁正在带来效率、供电密度与“瞬态负载”等系统性挑战。朱从义指出，随着GPU功率密度持续攀升，电力正在成为AI算力体系的关键瓶颈。未来，只有通过系统级供电架构升级（如800V直流架构），才能在提升效率的同时保障稳定性，支撑AI在产业场景中的长期运行。