闻乐 发自 凹非寺 量子位 | 公众号 QbitAI 蛋白质模型的GPT时刻来了！ 清华大学智能产业研究院（AIR）周浩副教授课题组联合上海人工智能实验室发布了 AMix-1 ： 首次以 Scaling Law、Emergent Ability、In-Context Learning和Test-time Scaling的系统化方法论 来构建蛋白质基座模型。 这为通往蛋白质的通用智能构建起了新的技术范式。让停留在BERT时代、缺乏可扩展性和通用性的蛋白质基座领域实现了向GPT时代的跨 越。 就像NLP领域的ChatGPT一样，AMix-1不再局限于某一种蛋白质任务，而是能举一反三、自主学习。 而在GPT时代，系统化的讨论逐渐显现，通用智能的爆发也因此开始。 然而，在蛋白质基座领域，几乎没有贯彻这条智能涌现的路径，一系列工作同样停留在BERT时代， 在"预训练+任务微调"这一范式下前行， 缺乏对可扩展性、通用性和涌现能力的系统化讨论 。 | Model | | Scaling Law | Emergent Ability | In-Context Learning | Test-time Scaling | | ...

未来产业布局 - 安徽聚焦量子科技、空天信息、通用智能、低碳能源、生命科学、先进材料、未来网络7个重点领域和第三代半导体、先进装备制造、区块链、元宇宙等N个兼顾发展领域 [1] - 目标到2027年未来产业规模突破2000亿元 2030年达5000亿元 [1] - 未来产业具备四大特征：科技含量足、转化周期长、研发投入大、政策需求高 [1] 核聚变产业 - 合肥汇集核聚变能源产业企业近60家 涵盖超导线材生产、主机设备制造等全产业链 [3] - 合肥综合性国家科学中心能源研究院孵化核聚变相关企业30余家 部分企业互为上下游 [3] - 安徽出台《以创新模式加速推进聚变能商业应用战略行动计划（2022-2035年）》 确立"三步走"发展战略 [2] 量子科技产业 - 合肥高新区集聚超70家量子产业链企业 [4] - 中电信量子集团推出"量子+"科技产品30多项 包括量子密话密信平台 [3] - 合肥加快建设量子信息未来产业先导区等公共服务平台 拓展"量子+"场景示范应用 [4] 人工智能产业 - 2024年合肥市人工智能产业总营收约千亿元 集聚上下游企业超千家 [5] - 智象未来与广告营销、影视制作等领域客户合作 对接新能源汽车、机器人等优势产业 [5] - 企业培养"AI+"复合型人才 融合计算机、人工智能与艺术、设计等专业背景 [5] 航空航天产业 - 中电科芜湖钻石飞机制造有限公司是国内无人机领域细分市场主要供应商 [6] - 中科星图在合肥布局9家子公司 建立超1000人团队 [6] - 发起"航天青年科学家培养计划" 每年为重点高校提供若干重点岗位 [6] 半导体产业链 - 芯聚德科技量产半导体封装核心材料IC载板 填补安徽省技术空白 [7] - IC载板项目全部建成后预计提供3000余就业岗位 [7] - 广德集中安徽省三分之二以上PCB企业 打造专业产业园降低企业运营成本 [7] 新材料产业 - 中研院集团量产0.12毫米"世界最薄触控玻璃" 实现从"跟跑"到"领跑"跨越 [9] - 研发30微米超薄柔性玻璃 实现全链条国产化 [9] - 研发团队35岁以下青年占比超过80% [9]

人工智能发展速度与预测 - 特斯拉CEO埃隆·马斯克预测AI智能水平将在不到两年内超越人类个体智慧，五年内超过全人类智能总和，若AI能力每年提升十倍，四年后智能将达当前十万倍水平[2] - 当前AI已超越多数人类但未超越顶尖个体或专业团队，发展遵循"加速回报定律"，算力、算法与数据形成正向循环推动AI从专用向通用智能跃迁[2] - GPT系列从GPT-3到GPT-4参数规模增长10倍但综合性能提升超百倍，下一代模型可能通过多模态融合和自主进化机制实现质变[2] 全球人工智能行业格局 - 人工智能行业通过大模型突破实现语言、视觉与推理通用能力，算力、算法与数据驱动自动驾驶、AI制药、智能制造等万亿级场景[3] - 中美欧竞逐技术标准与生态主导权，全球80%以上AI专利和90%独角兽企业集中在美国和中国[3] - 美国凭借Google、OpenAI等在基础研究、硬件生态和开源社区领先，中国以"应用驱动创新"模式在计算机视觉、语音识别等领域形成竞争力[3] 领先企业人工智能布局 - Google开发TPU芯片支持深度学习运算，Meta组建芯片团队减少对外依赖，亚马逊为ALEXA硬件开发专用芯片[5] - 微软为HOLOLENS研发芯片并开展第三方授权，苹果发布A16 BIONIC芯片，百度发布昆仑芯片并收购芯片初创公司[5] - IBM拥有类脑芯片TRUENORTH和深度学习芯片LAKECREST，英特尔推出LOIHI等具有自我学习能力的AI芯片产品[5] 中国人工智能发展现状 - 中国已建立涵盖理论方法和软硬件的AI研发体系，截至2024年Q1累计发布478个大模型，数量仅次于美国[5] - 2024年9月中国人工智能核心产业规模接近6000亿元人民币，大模型技术被视为推动经济高质量发展的重要驱动力[6] - 专家建议通过"AI+实体产业"形成新质生产力，加大基础研究投入促进良性循环，空间智能视觉可推动机器人产业智能跃迁[6]

AI 的人机交互、单一设备 VS 多元设备 - 凯文·凯利预测智能眼镜将在25年后取代智能手机成为个人计算中心设备，但需攻克储能技术等五项关键突破 [5][6] - 镜像世界的构建不依赖眼镜，特斯拉自动驾驶汽车和TikTok等已在扫描真实世界训练AI的空间智能 [6][7] - 技术发展呈现钟摆效应，未来设备可能回归专业化，但智能手机是例外，AR眼镜或成为通用平台连接专业化应用 [7][8][9] AI 的路线之争、通用智能 VS 专用智能 - 技术路线呈现从专用模型向通用模型统一趋势，大语言模型已统一文本任务，但应用层面专用AI更实用 [10] - AI发展路径存在巨大不确定性，分为"扩展派"（持续扩大模型规模）和"专业化派"（终端小模型、领域专用AI） [11][12] - 凯文·凯利个人倾向专业化路线，认为需为不同场景做好准备，避免垄断生态 [12] AI 哲学思辨、"异人智能"与人类智能 - AI智能与人类智能本质不同，AI意识将是"异人意识"，其智能构成和演进环境（人类需求）决定差异 [13][14][16] - 人类价值在于责任承担能力，未来工作核心是管理AI并为其决策担责，人性本身成为稀缺资产 [15][16] AI 的创新 VS 人类的创新 - AI创造力分为日常创新（当前可实现）和颠覆式创新（25年内或部分实现），后者将开辟全新领域 [17][18] - AI创新呈现"异人"特质，如AlphaGo第37手，但社会消化现有AI技术仍需10年，重大突破尚需时间 [17][19] Agent 的生态与入口之争 - Agent生态将推动互联网从"信息网络"升级为"行动网络"，入口之争涉及超级AI助理、操作系统或新型设备 [20] - 智能眼镜可能成为Agent交互界面，需支持多模态交互（语音、手势、表情），苹果等公司正探索相关设备 [20][21] AI 时代的操作系统 - AIOS需定义自然语言交互标准，实现跨Agent协作，开源属性可避免垄断，责任是规范人机交互协议 [23] AI 变革内容创作与内容消费 - 未来内容向3D/4D沉浸式体验迁移，AI将具备情绪反应能力，引发人机情感联结革命 [24][25] - AI成为内容主要消费者，催生为AI创作的新模式，如传记专供AI阅读，重塑互联网商业模式 [26][27] AI 时代的创业公司与巨头竞争 - 科技巨头面临创新者窘境，OpenAI等创业公司更可能主导AI变革，因巨头难以冒险投入高风险新业务 [28][29] - 突破窘境需强决断力领导者，如盖茨和乔布斯，但成功概率极低 [29][30] 人形机器人 VS 专用机器人 - 绝大多数机器人非人形但适配人类尺寸基础设施，仅家用机器人可能拟人化，工作场景优先普及 [31][32][33] AI 时代的组织变革 - 小公司AI应用速度快于大公司，因需重构组织而非简单添加AI工具，亚马逊要求15万员工强制实验AI [34] - 成功关键为持续试错（容忍10次失败）、量化评估人机协同效果，中层管理者受影响最大 [34][35] 行业活动与趋势 - 《AI进化论》系列直播吸引超50万人观看，聚焦DeepSeek等前沿技术，构建高信噪比思想策源地 [1][37]

公司概况 - 李飞飞创办的World Labs专注于开发具备"空间智能"的下一代AI系统，探索AI对三维世界的理解与重建能力[2] - 公司在短短三个月内完成两轮融资，累计筹集资金约2.3亿美元，估值突破10亿美元，成为AI领域新晋独角兽[2] - 投资方包括a16z、Radical Ventures、NEA、英伟达NVentures、AMD Ventures和Intel Capital等科技与风投界重量级机构[2] 技术方向 - 公司致力于从语言模型向世界建模转变，认为真正的智能需要能理解和构建三维世界[5][8] - 核心技术包括NeRF（从二维图像到三维重建）、高斯平面表示法（快速描绘三维场景）、扩散模型（提升三维内容精细度）以及多视角数据融合技术[17][19][20][21] - 物理仿真与动态建模是另一关键技术方向，使AI能预测物体运动变化[23] - 这些技术组合旨在让AI获得类似人类的空间感知能力[24] 应用场景 - 游戏行业：AI可根据照片或视频自动生成逼真三维世界，替代传统手工建模[25] - 建筑行业：几分钟内生成完整空间立体结构，模拟不同光照效果[26] - 机器人领域：赋予机器人三维视觉，解决二维视觉下的空间判断问题[26] - 数字孪生：为工厂、建筑或城市建立虚拟世界进行预测测试[27] - 创意产业：辅助艺术家、设计师进行空间理解和创作[28][29] 行业挑战 - 数据问题：获取足够多包含深度信息、空间结构的真实场景数据成本高[31] - 算力限制：NeRF等技术计算资源需求大，难以大规模落地应用[32] - 泛化能力：现有模型在陌生场景中表现不佳，需要更强适应性[33] - 需要硬件、软件、数据、应用场景的全链路打通，非单一公司能完成[33] 团队优势 - 团队汇聚计算机视觉、图形学、扩散模型、物理仿真和机器人控制等多领域专家[34] - 采用多学科融合的研究范式，探索AI理解三维世界的新路径[35] - 团队背景多元，能从技术、人文、社会等多角度思考AI发展[37] 未来愿景 - AI终极目标是成为人类在物理世界中的智能延伸，而非替代人类[43] - 医疗、建筑、教育等领域将受益于AI的空间理解和操作能力[44] - 世界模型被视为实现通用人工智能（AGI）的第一步，需具备空间感知、动态推理等能力[46] - 代表AI从语言到世界、从二维到三维的演进方向，重新定义人机关系[47]

具身智能路线之争 - 清华大学许华哲认为特殊任务研究对推动具身智能发展"几乎没有用处"，主张标准化数据集和通用模型才是核心推动力[1][2] - 南方科技大学周博宇反驳称无用之用方为智能基石，以波士顿动力和蛇形机器人研究为例，证明特殊任务推动技术突破[1][2] - 争论焦点在于行业应押注通用颠覆还是深耕工业场景的工程细节，折射学界对技术决定论的警惕[1][3] 技术路径分歧 - 许华哲强调强化学习使机器人具备跨场景通用能力，认为"通用智能解决后细分领域问题迎刃而解"[3] - 周博宇批判"通用大脑优越论"，指出人类技能需反复锤炼，应关注汽车线束整理、半导体封装等高精度产业需求[3][6] - 科大讯飞季超认为技术迭代与工程化落地能力同等重要，缺乏场景打磨的优势易被复制[6] 行业实践与挑战 - 钛维云创张磊50%采用真实数据+50%仿真数据训练模型，因柔性物体参数达上百个导致仿真成本指数级增长[7] - 当前方案85%-90%采用经典控制理论建模，仅10%-15%用强化学习算法，客户更注重安全性[8] - 2025年4月中国机器人行业融资环比增长9.3%，总金额达60.5亿-71.5亿元，较3月增长2-3倍[11] 商业化与资源错配 - VLA模型成企业展示重点，但周博宇指出工业医疗场景更需高精度运动控制而非语言交互[12] - 担忧企业为融资分散精力做"秀肌肉"功能，忽略真实场景需求[12] - 行业共识为"长坡厚雪"，技术拐点前竞争关键在于工程细节而非demo渲染[12]

人形机器人智能化分级标准发布 - 全球首个《人形机器人智能化分级》（T/CIE 298-2025）团体标准由中国电子学会正式发布，由北京人形机器人创新中心牵头，联合多家企业及科研院所共同制定 [1] - 标准采用"四维五级"评价框架，包括感知认知（P）、决策学习（D）、执行表现（E）、协作交互（C）四大能力维度，构建L1-L5五级智能化能力分级体系 [2] - 标准包含22个一级指标、100余项技术条款、通用安全底线及典型应用场景映射，为企业提供产品设计和技术对标依据 [3] 标准核心能力维度详解 - 感知认知能力：涵盖多源信息获取、多模态融合、语义理解等11项二级指标，强调环境信息处理与知识构建能力 [3] - 决策学习能力：通过大模型、强化学习等方法实现动态决策和任务规划 [4] - 执行表现能力：要求精准控制关节运动，具备动态平衡、定位导航等综合能力 [4] - 协作交互能力：强调与人类、环境及其他智能体的安全高效协作 [5] 行业政策背景与发展意义 - 2023年工信部印发《人形机器人创新发展指导意见》，明确要求建立产业标准体系并开展标准化路线图研究 [2] - 标准借鉴自动驾驶分级逻辑，针对人形机器人特殊性创新设计，填补行业评价体系空白 [2][6] - 北京人形机器人创新中心将持续推进技术标准与产业融合，构建覆盖研发至产品流通的全流程标准体系 [8] 典型应用场景与等级映射 - 工业生产领域：从L1级预编程简单任务到L4级危险环境自主作业，覆盖5个应用层级 [7] - 医疗康养领域：包括L1级物品递送、L2级康复训练辅助、L3级智能医疗咨询等服务场景 [7] - 未来规模化应用方向：特种作业、物流搬运、工业制造、教育科研等六大领域 [6][8] 产业发展阶段与趋势 - 行业正从"功能导向"向"智能进化"转型，智能化能力提升将扩展复杂场景应用潜力 [1] - 标准落地有望推动人形机器人突破"展示性智能"，实现"通用智能"跨越式发展 [6][8] - 标准化建设将加速技术透明化与产业协同，打破技术与场景间的应用壁垒 [7]