文章核心观点 文章报道了第八届GAIR全球人工智能与机器人大会首日主论坛的盛况与核心讨论，大会主题聚焦于AI对教育的重新定义（AI之道）与AI在各领域的范式重构（AI之术）[1][3]，与会顶级学者分享了AI前沿技术进展、产业应用挑战与未来发展趋势，认为AI正从技术讨论迈向重塑教育、产业乃至文明的内在力量[1] AI之道：教育的重新定义 高等教育培养模式的重构 - 深圳理工大学提出“加减替换”培养模式以应对AI冲击：减法包括压缩课堂时长20%、每周减少一天上课时间并删减低效课程内容；加法包括要求大一学生必修两学期人工智能导论、每周腾出一天进实验室；替换包括用跨文化交流课替代传统英语教学、计划以智能APP取代传统教科书[6] - 高等教育管理需从传统“电子版电话黄页”式信息系统迭代为智能信息系统，弱智能层面可在现有平台接入大语言模型，强智能层面则让系统直接对接各子系统以实现实时响应与智能决策[7] - 大学应回归培养“有智慧的人”的本质，帮助学生找到自身定位，并推出科研成果与素质教育双成绩体系进行全面评价[6] 教育理念与目标的根本转变 - 生成式AI使知识从“黄金”变成“无处不在的空气”，教育应从“知识传输”转向培养学生的能力、好奇心、学习主动性和共创意识[9] - 未来教育的重点需从“真”（知识与事实）转移到“善”（价值观、自省力、判断力）与“美”（独特的自我展现），以培养更聪明的人并防范缺乏价值判断的AI系统风险[9][10] - 大学的核心竞争力最终产品是“人”，重要能力包括运用知识的能力、沟通能力（人与机器）、创造力以及人文素养，好大学和好学科的共同特征都与数学及母语语言文学有关[15] 教育体系与评估的变革讨论 - 当前AI教育转型不存在“弯道超车”，社会对教育抱有过高期望，进步应是全社会责任而非仅由师生承担[13] - 应创造自有教学理念而非跟随他人“领先”话语体系，AI极大地推动了教育民主化并为师生带来更强自主性[14] - 考核方式需因应AI时代改变，若学生能用AI作弊则说明考试方式本身出了问题，港科大是全球首个宣布GPT是好东西并在教学中广泛使用的学校[9][11] - 在应试教育现实下，校内应减教学、减刷题、减考试量，增加“体验”以让孩子找到AI不能代替的科研与人生快乐[17] AI之术：领域的范式重构 机器人技术与产业自动化 - 全球服装市场规模巨大，预计到2030年价值达2.3万亿美元，但智能化不足，2019年数据显示纺织产业机器人密度很低，总生产时间和成本的80%用于物料搬运，67%劳动力集中于缝纫过程[23] - 研究团队开发了可像人一样思考、配合旋转布料方向的缝纫机器人，以及被动式无致动器抓手、布料边缘高速检测、双臂机械手2D和3D裁剪等技术，以革新服装生产流程[22][24] - 选择汽车座椅作为3D剪裁自动化方案的优先商业化场景，因为该品类产量高且预计到2028年相关工业生产设备投入达3.63亿美元，目前尚无自动化解决方案[24] - 欧洲因人工昂贵将成为继中国、北美、东南亚和日本之外最大的自动化服装市场[25] 大模型技术演进与挑战 - 大模型需从当前“一次性学习”模式革新为人类“连续学习”式的终身学习，并从“虚拟大脑”走向与机器人等实体载体结合的“感知机器”，这是未来5-10年的核心方向[28][29][30] - 需改善神经元连接方式让模型在同等数量神经元上变得更聪明，发展进程可能缓慢但方向明确[28] - 面临幻觉与长上下文处理瓶颈，可通过“有损计算”理念破解，即利用参数精度无需过高、无需启用全部参数两个关键点，开发简易算法优化相对位置信息与KV缓存显存占用[38][39] - 大语言模型依赖公开数据的发展模式即将触顶，如何利用私有数据持续赋能是巨大挑战，且将基于公开语言数据的成功经验迁移到其他非语言数据领域是错误的[49] 科学基础模型与AI+科学 - 科学基础模型面临语言边界限制与科学数据复杂性两大瓶颈，例如一张光谱信息量相当于1000张图片，人类30亿个基因可存储全球数据，语言作为低维离散符号系统难以覆盖[42] - 构建路径包括将分子、基因、光谱等非文本科学数据转化为Token表示并统一编码，以及通过数据对齐（如基因数据与病理数据对齐）推动科学发现[43] - 团队已完成覆盖十余门学科的超大规模模型训练，并推动“大模型种子班”和“科学家工作坊”以加速AI+科学研究[44][45] 时空AI与城市计算 - AI真正产业价值需进入物理世界（如具身智能、无人驾驶、城市管理），面临数据稀缺、需结合行业知识、现有模型非为时空而设三大挑战[33][34] - 城市计算可作为具身智能的方法论，具身智能将成为城市计算的核心组件，未来城市有望成为“巨大的具身智能体”[35] - 城市知识体系是实现时空数据与其他数据融合的路径和方法论[34] 算力基础设施与超智融合 - 超算核心逻辑是集聚算力攻克复杂科学问题（如地球系统模式、气候变化研究），与AI大模型的并行思维本质相通[52][55] - 超算领域面临国产算力硬件投入大、软件生态投入相对少以及复合型人才流失的困境[55] - 需借鉴通用人工智能的可扩展模型经验，加强算力软件与科学发现协同，完善国产生态以留住人才，深圳超算将搭建超智融合平台形成开源生态[55][56] 医疗人工智能的应用 - 医学人工智能应由医生主导，因为所有工具最终都要落到医生面对患者的场景中，AI是医生调用或辅助诊疗的工具，从人文关怀角度医生使用AI比患者独自面对机器体验更好[60] - 实现路径包括基于现有语言大模型接入更多数据模态并构建应用体系，以及大模型与小模型协同，由垂域小模型纵向攻克预警、诊断、治疗等核心环节[60] - 落地需放在整个医院医疗体系中思考，构建培训、AI赋能、后续医疗支撑的体系以实现“强基层”和真正落地价值，而非仅技术解决[60] 智能硬件与端侧AI - 云端模型存在显著浪费，一些语音指令经云端解析再回传至少50%传输成本被无效消耗，全球云端模型每日消耗成本高达万亿至百万亿量级但有效利用率存疑[63] - 行业正从云端向端侧战略转移，未来智能硬件最重要的是原生记忆和自主学习，大模型需从固定工具转向持续学习和实时成长[63][64] - 当前“更多数据、更大算力、更高人才密度、更大参数=更好模型”的共识可能扼杀创新，Transformer架构偏向压缩智能和静态函数，并未真正产生知识[63] 新型模态感知与空间智能 - 未来5-10年，面向新型模态（如声波、毫米波）的新型感知模型会非常繁荣，传统AI与新型传感将“殊途同归”以实现对物理世界的准确感知和空间智能[65][67][68] - 当前多模态感知仍集中在语音、文字、图像、视频，对新型模态探索不多，需用最新模型技术理解新型传感器数据以进行空间感知、智能交互、健康监测等技术探索[67][68]