文章核心观点 - 人工智能正从大模型向智能体和具身智能演进，催生了巨大且复杂的算力需求，这要求计算系统在架构、规模、能效和可靠性上进行系统性创新[1] - 实现真正的通用人工智能（AGI）不能仅依赖当前的大语言模型范式，AI for Science的价值在于探索语言无法穷尽的科学前沿，人类在治理与价值判断上不可替代[1] - 人工智能发展的近期主攻目标应是发展可信可用的人工智能，解决落地应用中的“不可信、不放心”问题，而非急于在两三年内实现基于大语言模型的AGI[2] - 算力基础设施是智能基础设施的根基，构建从芯片、整机、基础软件到智能应用的全栈国产化链路具有深远的战略意义[2] 人工智能发展趋势与挑战 - 人工智能技术路径正快速演进，从大模型向智能体和具身智能发展[1] - AI for Science正在推动基础研究和技术发明加速发展[1] - 当前影响人工智能落地的主要问题是应用“不可信、不放心”，而非模型能力不足[2] 算力需求与基础设施 - 人工智能变革催生了巨大的算力需求，这种计算需要同时支持高精度科学计算和低精度AI训练，是一种“超智融合”能力[1] - 满足未来算力需求要求计算系统在架构、规模、能效和可靠性上实现系统级创新[1] - 在可预见的未来，智能发展离不开算力，算力基础设施是智能基础设施的根基[2] - 构建全栈国产化的智能基础设施链路（涵盖芯片、整机、基础软件到智能应用）具有深远的战略意义[2] 对AGI与AI价值的思考 - 大模型能力的边界是语言的边界，但科学发现需要超越语言[1] - 仅依靠基于Transformer的机器学习范式，几乎不可能构建起真正的AGI[1] - AI for Science的真正价值在于帮助人类探索语言无法穷尽的科学前沿[1] - 随着AI能力扩张，人类不可替代的作用在于治理由此产生的不可验证空间，并决定科学探索的方向与价值边界[1]