十年后，AI会抢走我们多少工作？诺奖、图灵奖得主等多位大咖给出预测

图片由AI生成

出品｜搜狐科技

作者｜常博硕

1956年夏天，达特茅斯学院举办了一场研讨会。正是在这场会议上，“人工智能”这个词正式诞生了。70年后，当大模型成为全球科技产业的中心，人工智能已经从一个长期需要证明自身价值的研究领域，变成了被资本、产业和科学界共同追逐的热点。

但在科学家们的眼中，今天的繁荣并不意味着最重要的问题已经得到解决。

当越来越多的研究资源集中在Transformer上，人工智能是否正在失去其他可能性？如果模型可以生成数学证明、编写代码，下一步如何确认它的结果可靠？当前的AI是否存在泡沫？放眼未来，AGI真的会来吗？

在第二届国际人工智能科学家大会（ICAIS 2026）上，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与2013年诺贝尔化学奖得主迈克尔·莱维特、2021年图灵奖得主杰克·唐加拉、中国科学技术大学教授马骁以及北京中关村学院导师何纪言，围绕以上问题展开了深度讨论。

当Transformer越来越强，还需要别的路吗？

在迈克尔·莱维特看来，人工智能研究不应该过早地走向单一化。他认为，面对未知的未来，一个谨慎的投资者不会把所有资金押在同一个方向上，因为没人知道哪条路最终会成功。“多样性确实是好事，根本原因在于未来是未知的。”迈克尔·莱维特说。

他担心的是，如果所有研究者都采用相同的模型架构、训练方法和工具，那么整个领域能够探索的方向就会越来越少。不同的技术路线可以彼此组合，带来新的可能性。如果大家做的东西都一样，这些组合也就无从谈起。

今天，大语言模型的发展确实呈现出明显的集中趋势。Transformer成为主流架构，围绕预训练、后训练和强化学习形成了一套相对成熟的技术路径。资本、算力和研究人才也在向少数主流方向集中。

这种集中有现实原因。因为沿着已经验证有效的路线继续投入，往往比探索一条全新的路线更容易取得成果。但问题在于，一条路线在当前阶段表现出色，并不意味着它能够解决未来所有问题。

唐加拉认同莱维特的担忧，Transformer使人工智能取得了快速进展，但整个领域过于集中于这一方向，也可能削弱研究者探索其他技术路线的能力。“做任何研究，你都应当预期会失败。失败是研究的一部分。”

在他看来，研究者不能因为某种技术路线暂时领先，就停止探索其他可能性。那些今天看起来没有明显优势、甚至可能失败的尝试，或许会成为未来替代现有技术的基础。

何纪言同样认为，人工智能的发展离不开多样化的研究路线。他指出，即便产业界高度聚焦Transformer，学术界仍然存在不同方向的探索。未来十年，Transformer是否会成为实现智能系统的唯一途径，目前还无法确定。

不过，马骁对技术收敛给出了另一种解释。他从数学和计算机科学中的图灵完备性谈起：一台通用计算机理论上可以模拟其他计算机能够完成的计算，但这并不意味着它天然具备智能。

马骁认为，对于能力有限的系统，完成一项任务往往需要大量具体指令。随着智能提升，完成同一任务所需的人类指导可以逐渐减少。人类提供的大量数据，正帮助模型压缩完成复杂任务所需要的指令。

他以数学研究为例，在较早阶段，模型不仅需要数学题目，还需要人类提供大量指导和研究思路。而现在，模型在一些任务中已经可以直接从问题本身出发进行求解。

这也意味着，技术路线的统一未必完全是坏事。某种架构之所以被广泛采用，可能是因为它确实具备足够强的通用性。真正需要回答的问题是，通用架构的能力边界在哪里？哪些问题可以通过扩大模型和数据解决，哪些问题仍然需要新的架构、新的训练方法，甚至完全不同的计算方式？

AI能给出答案，但谁来判断它对不对？

模型架构的竞争关乎AI如何变得更强，答案的验证却关系到这些能力能否真正用于科学研究。

马骁长期研究偏微分方程。他观察到，当前AI不仅会生成错误的事实，也会给出错误的数学证明，或者写出语法上没有问题、实际却不符合用户意图的代码。模型能够生成一个看起来合理的答案，但答案是否正确，仍然需要另一套机制来判断。

虽然近年来随着形式化证明工具Lean等系统的发展，一个数学证明是否成立已经可以通过严密的逻辑规则进行检查。但验证并不等于发现。

面对一个复杂的数学问题，AI仍然需要提出猜想、寻找思路、尝试不同的证明路径。如何从大量候选答案中找到真正有效的解法，依然是一项困难的研究任务。

马骁关注的正是如何为AI建立更可靠的验证机制。对于数学和编程等结果相对容易检查的领域，研究者可以借助明确的规则判断答案是否成立，再利用反馈改进模型。但对于复杂任务，验证的难度会显著增加。

何纪言也强调了验证的重要性。在他看来，验证不仅是判断模型表现好坏的手段，也是AI继续学习所需要的反馈来源。如果模型不知道自己的答案是否正确，就很难根据结果持续改进。

问题在于，并非所有任务都像数学证明一样，可以通过一套明确的规则给出判断。

在生物学中，一个模型提出的解释是否成立，最终可能需要实验来回答。即使AI能够预测某种生物分子的结构，也不能由此认为它已经理解了相关的全部生物学问题。迈克尔·莱维特认为，科学研究首先要弄清楚自己究竟在问什么。问题本身如果没有定义清楚，再强的模型也未必能给出有用的答案。

这也解释了为什么AI在不同领域的发展速度并不相同。数学证明可以借助形式化系统进行检查，代码可以运行测试，生物学的许多假设却需要实验验证。不同领域的验证方式不同，AI能够自主完成的工作也就有很大差异。没有可靠的验证，AI生成的内容再多，也不等于科学知识真正增加了。

AI寒冬还会回来吗？

AI的发展其实经历过多次起落。每当技术进展没有兑现此前的承诺，资金和研究兴趣就可能退潮，形成所谓的“AI寒冬”。

在这场圆桌上，嘉宾们对未来是否还会出现类似情况，并没有完全一致的看法。

莱维特认为，过去的AI寒冬与过高的预期有关。当外界期待技术迅速解决大量问题，而实际进展跟不上时，失望就会积累。他也关注到当下使用AI的现实成本越来越高，模型越来越强，但token费用、不同模型的使用限制等，一定程度也影响研究者和普通用户的使用。

唐加拉相对乐观。他认为，人工智能已经在许多领域展现出实际价值，因此未必会简单重复过去的周期。不过，技术发展仍然存在不确定性，量子计算等其他领域的经历也说明，研究热度并不必然转化为持续进展。

马骁则把问题放回数学研究本身。AI可能帮助数学家完成更多工作，也可能生成错误的证明，增加研究者辨别和检查结果的负担。AI是否会改变数学研究的方式，与它是否让数学这门学科失去活力，并不是同一个问题。

何纪言认为，AI即使没有在所有领域都达到预期，也可能逐渐成为一种基础设施。某些行业可能因为技术落地不及预期而经历低潮，但AI本身未必因此退出日常工作。

AI可以在部分任务上持续进步，也可能在另一些任务上遭遇瓶颈；一个行业可以经历投资热度的变化，而技术本身仍然留在工作流程中。

因此，AI寒冬是否会重来，不能只看模型在基准测试中的成绩，还要看它能否稳定地解决实际问题，成本是否能够被接受，以及用户是否愿意长期使用。

十年后，AGI会来吗？

面对未来十年AI的发展，四位科学家给出了自己的预测。

迈克尔·莱维特判断，到 2036 年人类与机器人将和平共处。何纪言预测，如果AI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。

马骁的预测更加大胆。他认为，到2036年，通用人工智能（AGI）将会实现。他还提出了一种可能的实现路径，那就是把越来越多的问题转化为数学和编程任务。

他认为，如果AI能够在没有人类参与的情况下建造航天器，就可以认为自己的预测实现了。他对这一判断的信心为80%。

唐加拉没有直接预测AGI何时到来，而是把注意力放在计算硬件的变化上。

他担心，随着硬件越来越多地围绕AI需求设计，传统科学计算所依赖的64位浮点运算能力可能受到影响。AI训练和推理对数值精度的要求，与一些科学计算任务并不相同。如果硬件厂商主要围绕AI的需求进行优化，科学计算研究者未来可能不得不更多采用低精度计算，并通过混合精度等方式获得所需结果。

运营编辑 | 曹倩