AI发展现状与挑战 - AI正处于快速演化的关键阶段，大模型、具身智能与科学智能深度融合构成"知识飞轮"，可能使AI学习与再生能力超过人类[1] - AI发展面临结构性挑战：算力瓶颈、数据枯竭、评测滞后[1] - 传统依赖算法堆叠和数据量的发展路径已难以拓展AI边界[2] 数据与算力瓶颈 - 数据短缺制约大模型发展，多模态输入、合成数据生成等方式面临质量、成本和验证机制挑战[2] - AI系统面临智能水平提升与推理能效下降的矛盾，需关注单位能耗下有效Token数量[2] - 大模型训练成本激增：最新一代训练耗资约100亿美元，需20万张GPU卡支持，预计2035年突破1亿张卡[8] - 算力依赖呈指数级增长，传统电子芯片架构优化受限于晶体管物理天花板[8] 评测体系与原创能力 - 现有模型评测体系易被"对症"优化，需引入任务导向、动态更新与专家混合评估机制[2] - AI缺乏因果建模能力，科学建模需要简约假设和逻辑自洽的因果体系[3] - AI在10%原创性突破问题方面力有不逮，重大理论提出无法仅靠数据堆积[5][6] - 部分大模型已具备因果性文本结构识别能力，但语义层面理解尚不明确[3] 技术突破路径 - 提升AI系统性能的两条路径：保持能效水平提升智能水平，或通过软硬件协同优化提高单位能耗推理能力[8] - 光计算可突破能效瓶颈，需算法层面推动低精度模型优化，并利用光介质提升芯片间通信带宽[8] - 下一代AI系统需实时感知物理环境，与传感器和执行器深度融合[8] - 未来AI可能由100万个机器人在物理世界实现全域智能协同，形成新进化路径[9] 行业应用与趋势 - AI for Science在具体子任务中表现出色，尤其在"从类比中发现新结构"方面潜力巨大[7] - 机器人行业与AI融合加速，人形机器人量产爆发引发价格战，但上市公司业绩普遍承压[11][12] - 具身智能成为研究热点，微纳感知、仿生技术等推动机器人创新发展[11][12]