华为《智能世界2035：从愿景到行动》VIP免费

智能世界2035构建万物互联的智能世界从愿景到行动近年来，大模型、生成式人工智能快速发展，人工智能从相对单一的感知、识别和预测，逐步走向内容生成、知识处理和复杂任务协同，并与计算、网络、数据、机器人及各类产业技术深度融合，正在从数字空间走向物理世界。这意味着，人工智能带来的变化，不能简单理解为又出现了一项新的信息技术，而是生产力体系的一次深刻变革。其中一个关键变化，是“智能”正在成为一种可以被计算、被传输、被调用、被规模化使用的生产力要素。过去，知识和经验主要被劳动者掌握；现在，越来越多的知识可以通过数据和模型沉淀下来，借助算力在不同场景中快速调用。当这种能力进入研发、设计、制造、交通、医疗、教育等生产活动，人工智能就不再只是辅助工具，而会逐步成为新的生产要素和生产工具。因此，真正值得关注的，不是模型有多少参数、回答问题有多快，而是人工智能能在多大范围内进入真实生产过程、创造多少新的价值。也要清醒看到，当前人工智能仍处于快速发展的早期阶段：在复杂推理、持续学习、因果理解、长期规划以及真实世界交互等方面，还有许多基础问题有待解决。技术发展越快，越要尊重规律，不能把阶段性突破等同于最终成熟。人工智能进一步发展，越来越与基础条件紧密绑定，主要有三个。第一是算力。大模型使算力从信息化建设的基础资源，变成人工智能时代的重要生产力，但算力资源分布不均、利用效率不高、供需匹配不足的问题仍然突出。这与电力的早期阶段相似：最初电力是哪里生产就哪里使用，后来才逐步形成覆盖全局的电网体系，算力也要经历类似的过程。我们推进鹏城云脑和中国算力网建设，就是要让不同地区、不同类型的算力高效连接、统一调度，使算力从相对孤立的资源变成便捷可用的公共基础能力——未来，算力的使用应该像用电一样方便。高文序言 同时，随着人工智能规模化发展，算力与电力的关系越来越紧密，算力布局要统筹考虑能源供给和利用效率，推动算电协同。第二是数据。大模型的能力离不开数据，但真正有价值的数据不只是规模大，更要质量高、样本分布合理、标准统一、反映真实业务。当前产业数据分散在不同系统和企业之中，质量、安全、标准、产权问题交织。如何把行业数据和知识转化为机器可理解、可学习、可利用的资源，是人工智能向纵深发展的基础。第三是软硬件体系。人工智能已经形成算法、模型、芯片、计算系统、网络和数据相互耦合的技术体系，单靠一个环节的突破，难以形成整体优势。既要加强基础理论研究，也要夯实芯片、框架、工具链和训练系统等工程能力，构建完整的技术和产业生态。人工智能最终要靠应用走向成熟。要推动人工智能与制造、交通、能源、医疗、教育等领域深度融合，让技术进入真实生产流程，在应用中发现问题、持续迭代，形成“技术研发—场景应用—持续迭代—产业升级”的良性循环。与此同时，人工智能越发展，越要处理好创新与规范、发展与安全的关系，同步建立法律、伦理和安全保障体系，使人工智能始终服务人的发展。展望 2035 年——那也是我国基本实现社会主义现代化的时间坐标——我们很难准确预测智能社会发展到什么程度，但可以预见，智能将越来越深地融入经济社会运行，算力、数据、模型和网络将成为重要的智能基础设施。真正值得期待的智能世界，不是机器简单地替代人，而是人与智能系统高效协同，让技术拓展人的能力边界。所以，比“未来的智能世界是什么样”更重要的问题是：今天做什么，才能走向这样的未来。未来不是等来的，是干出来的。《智能世界 2035：从愿景到行动》正是沿着这个思路展开的。报告以 2035 年为坐标，用“变局—命题—行动”的框架，把对未来的判断落实为面向现实的行动方案：既分析人工智能给技术和产业带来的关键变化，也提出迈向智能世界的十个关键命题，进而围绕智能体时代的需求，给出构建智能基础设施、重塑用户体验和生产模式的具体路径。这种把愿景和行动连接起来的努力，正是当下最需要的。愿这份报告带给读者启发，也期待我们共同以更长远的眼光认识人工智能，以更扎实的行动走向智能时代。鹏城实验室主任北京大学博雅讲席教授所有实用的 IT 应用都应建立在对特定问题解决方案的理解之上。这一理解所需的知识既可嵌入程序代码中，也可通过知识描述进行详细记录。AI 领域历来高度重视应用中的知识相关要素。自 1956 年 AI 概念提出以来，该领域经历了深刻的变革。知识描述方法从早期依赖 AI 编程语言（如 LISP（列表处理）和 PROLOG（逻辑编程）），逐步发展为基于规则的系统，并进一步演进到统计学习。基于数理逻辑的方法（包括规则系统、本体和知识图谱）与亚符号神经网络在知识模型领域长期并存。直到近三年来，基于概率的大规模生成式模型才逐渐成为知识模型研究领域的主导范式。“模型”是贯穿这一演进历程的核心概念，是对知识、规律或函数的结构化表征。模型得以在解决问题场景中使用的前提，是其能够对现实世界各个组成部分进行编码。模型采用的方法可分为两类：显式方法（如由知识工程师构建知识图谱）和隐式方法（如通过神经网络从数据中自主学习）。隐式知识模型的创建过程，是将工程重心从繁重的人工知识模型构建，转向大规模数据样本集的收集。而知识模型对应用系统能力和局限性的影响是该领域的一个关键考量因素。从广义上看，AI 模型是一种数学或计算架构。AI 模型可以配置为基于公式执行简单的计算（如销售业绩预测），也可配置为深度神经网络（如生成逼真的人类语言）。作为对现实世界的抽象，模型旨在捕捉数据中概念、规律和结构之间的关系。此类知识关系有助于将模型用于分类、预测和决策。从符号模型到数据驱动型统计模型的迁移是近期 AI 发展的标志。以生成式对抗网络和大语言模型为代表的生成式模型，已展现出基于习得的概率分布生成多模态内容（如文本、图像、音频、Otthein Herzog视频等）的能力。这些深度学习模型在处理高维数据以及结构化和非结构化数据（包括自然语言）任务中展现出强大的能力。其主要优势在于能够从原始数据中自动提取特征：模型可直接从样本中学习知识，而无需依赖人工设计的特征，从而挖掘出人类难以察觉的规律。大语言模型是深度学习模型的子集，通常具备数十亿级别的参数规模，并在海量数据集上进行训练，无需针对特定任务进行训练即可具备执行各类任务的能力。大语言模型的能力包括编写代码、输出文档摘要、问答以及自然语言对话等。此外，大语言模型还可用于实现工作流程、辅助决策以及利用外部工具来扩展自身能力。这些能力是行业应用创新的基础。大语言模型还展现出仅需极少额外训练即可适应新任务的能力，并具备多模态输入和输出能力。这一范式转变克服了最初针对特定任务设计的狭义 AI 系统存在的局限，向具备灵活推理与决策能力的通用系统演进。然而，这些模型的质量取决于三个因素：模型训练数据、模型架构以及优化过程。大语言模型的应用近期显著增长，在通信和生产等多个领域支持并实现决策流程的自动化（如聊天机器人和工业系统）。在制造领域，预测模型有助于管理工厂的资源分配、早期故障检测以及增强其适应不同环境的能力。在交通领域，大语言模型在自动驾驶车辆控制以及交通和物流优化等方面也发挥着重要作用。然而，在将大语言模型融入到决策流程的过程中，我们需要避免放大偏见，保证透明度，确保系统作出的决策经过人工评审。在现实场景中部署 AI 模型时，确保公平性、问责制和可解释性至关重要。AI 模型已从单纯的分析和预测工具演变为重要的生产力引擎。生成式模型的运用有望推动工业设计等领域的创意开发。大语言模型可用于探索新的形态、助力科学家生成假设，辅助工程师设计复杂系统。大语言模型的开发需要获取大量高质量的数据集，而从各行业真实场景获取这些数据集通常非常困难或获取成本高昂。此外，训练大语言模型需要耗费大量计算资源和电力，加剧环境问题。因此，在提供行业基础设施时应考虑这些要素，这一点至关重要。正如本报告所指出的，将多模态大语言模型应用于智能行业基础设施，对于行业系统的发展至关重要，有助于跨越数据、信息与知识之间的鸿沟，从而实现自主决策。近期研究主要聚焦以下方向：• 采用小规模、本地运行、高效能的大语言模型，实现高性能行业应用。• 推动学习模型与其具体应用场景的动态适配。• 探索分布式智能体模型架构，支持自主规划、工具调用以及长周期任务执行。• 制定完善的全球治理体系、伦理规范和负责任部署的框架。知识模型驱动的系统的出现，正在加速重塑各行业的作业流程、工具与方法。随着这些系统的部署，企业有望构建起贯穿其各个领域的以知识为中心的基础设施，驱动其业务、生产和物流流程实现前所未有的优化。中国工程院外籍院士德国国家工程院院士同济大学教授德国不来梅大学教授与人工智能结缘三十余年，我愈发确信：人工智能并非一项孤立的技术，而是一种具有广泛“赋能”意义的基础力量。它正在从底层逻辑上改写所有行业的生产方式与创新范式。正因如此，当看到华为《智能世界 2035：从愿景到行动》这份报告时，我感到由衷的欣慰。它没有停留于泛泛的趋势宣言，而是以工程思维将战略远见转化为清晰的行动框架。报告对产业变革的关键判断与核心挑战的精准定义，展现了难得的系统性与务实精神。尤其是，报告直面当前 AI发展中的一项深层矛盾——数据驱动与知识驱动的融合难题。近年来，基于海量数据的机器学习取得了举世瞩目的突破，但“数据驱动”路径在可信性、可解释性方面的短板日益凸显；而“知识驱动”路径虽能提供逻辑保证，却在数据利用效率上天然受限。二者如何互补共生，是 AI 基础研究的重大命题，我本人在这方面做了很多探索，报告中对“数据向知识和记忆转化”的阐述，以及对“结果准确、可信与可追溯”的深入探讨，正是对这一命题的积极回应，方向值得肯定。作为一名长期从事机器学习基础研究的科研工作者，我也想借此机会强调一个容易被热潮淹没的观点：没有任何一个算法模型能“包打天下”、解决一切问题。大模型能力强大，但绝非“万能钥匙”。我们必须纠正盲目跟风“大模型解决一切”的倾向，将更多资源投向 AI 算法的基础研究，鼓励多元路径的探索。在产业热情高涨的当下，保持科学家的清醒尤为重要。报告提出的解决方案——从技术架构到产业落地——恰恰体现了“具体问题具体分析”的原则，而非试图用一个通用模板覆盖所有场景，这种务实态度值得倡导。我还注意到，报告将“智能型企业走向新四化”“组织液态化”作为重要趋势，揭示了一个深层逻辑：未来的竞争不仅是技术的竞争，更是人才与组织能力的竞争。作为教育工作者，我深感人周志华才培养必须从源头抓起。要真正释放 AI 的潜力，关键之一在于培养一批既深谙领域知识、又精通前沿 AI 技术的“双语”科学家——他们能跨越技术与产业的鸿沟，成为人工智能赋能的中坚力量。至于报告提出的“五大倡议”——以人为本、科技向善、开放合作、系统思维、可持续发展，我完全赞成。AI 发展的根本目标是服务人类、赋能社会，而非取代人。我们始终应保持对技术边界的审慎，对“人类无法控制的人工智能体研究”暂不宜开展，这是科学伦理的底线。回望 AI 七十余年的范式演进，每一次跃迁都源于基础研究的突破。今天，我们正站在人工智能技术从虚拟数字世界走向现实物理世界的新节点上。将愿景变为现实，需要产业界、学术界和政策制定者以冷静的头脑、开放的胸怀和务实的行动协同共进。我期待更多资源投向基础研究、人才培养和多元路径探索，让 AI 真正成为服务人类进步的有益力量。中国科学院院士南京大学教授、副校长国际人工智能联合会理事会主席我们正站在一个历史拐点上。历次工业革命解放了人类的体力，信息革命延伸了人类的感官，而今天，人工智能开始触及人类最核心的能力——认知与决策。AI 已经走出实验室，成为驱动科技创新与产业进步的新引擎。一年前，我们发布《智能世界 2035：探索未知，跃见未来》，勾勒了面向未来十年的技术图景——算力增长十万倍、存储需求增长五百倍、数千亿智能体广泛联接。这些愿景并非简单的预测，而是基于产业与技术长期积累下的战略判断。过去一年，人工智能以 Agent 的形态走进代码仓库、走进客服窗口、走进工厂产线。企业的追问，已从“要不要拥抱 AI”转向“AI 能替我们做成什么”。方向已然清晰，但愿景落地，还...