原创能力
搜索文档
金元证券周晔:立根基而强寰宇 从“高水平自立”迈向“高质量自强”的“十五五”征程
证券时报网· 2025-11-04 08:16
文章核心观点 - 中国科技发展正从“十四五”时期的“高水平自立”向“十五五”时期的“高质量自强”跃迁,目标是大幅提高科技自立自强水平,实现从跟跑、并跑到领跑的转变,并以科技创新驱动新质生产力发展 [1][5][11] “十四五”规划回顾与成就 - “十四五”规划将创新置于现代化建设核心位置,强调科技自立自强作为国家发展的战略支撑,以应对国际形势的深刻变化和科技竞争 [2] - 规划重点建设国家战略科技力量,通过新型举国体制攻关关键核心技术,布局量子信息、人工智能、生物医药等重大创新领域,并组建国家实验室等平台体系 [3] - 期间在载人航天、量子信息、高速列车等领域取得重大成果,科技创新“硬核度”提升,并从“跟跑”向“并跑、领跑”转换 [4] - 量子信息被提升为国家战略任务,与载人航天等同为“国之重器”,并推动数字技术与实体经济深度融合 [4] “十五五”规划展望与目标 - “十五五”目标为科技自立自强水平大幅提高,创新体系效能提升,基础研究和原始创新能力增强,关键核心技术快速突破,并跑领跑领域增多 [5] - 评价逻辑从“有没有”转向“好不好、强不强”,强调在更多赛道实现领跑、定标准和规则 [5] - 核心战略是重塑增长方式,以新质生产力为主导,依靠颠覆性技术推动产业结构跃迁,提升全要素生产率 [5][6] - 要求取得集成电路、工业母机等重点领域决定性突破,并加大基础研究投入,实现从“0到1”的原创性突破 [6] 量子科技领域进展与规划 - 量子科技是“自立”到“自强”跃迁的典型,在“十四五”被列为重大创新领域,国家实验室推动其在计算、通信等方向发展 [7] - 中国在量子领域全球发文总量第二,达8000+篇,量子计算专利占比24.36%,处于领先位置 [7] - 超导量子比特是主流技术路线,离子阱和光量子方案持续突破;2024年超导量子计算融资占比45.8%,光量子计算融资居第二 [7] - “十五五”将前瞻布局量子科技等未来产业,探索多元技术路线和商业模式,使其成为新增长极 [8] 协同推进机制与制度基础 - 通过教育、科技、人才一体化布局,培养高水平人才,强化企业创新主体地位,推动创新资源向企业集聚 [9] - 完善创新链、产业链、资金链、人才链深度耦合,加快科技成果转化,布局概念验证和中试平台 [9] - “十四五”奠定了体系根基(新型举国体制)、能力根基(基础研究投入)和方向根基(前沿领域部署),为“十五五”全面竞争力提升提供支撑 [10] - “十五五”将把根基转化为关键领域可控、核心技术自主、未来产业领先的竞争力,使新质生产力成为经济高质量发展主动力 [11]
AGI是否需要世界模型?顶级AI专家圆桌论道,清华求真书院主办
量子位· 2025-07-25 05:38
论坛概况 - 2025基础科学与人工智能论坛在中关村展示中心会议中心举行,由清华大学人工智能研究院常务副院长孙茂松教授主持[1] - 四位顶尖AI专家参与讨论:刘铁岩博士、汪玉教授、顾险峰教授、沈亦晨博士[1] - 论坛吸引500名来自清华大学求真书院、北京高校及科研机构的观众[2] - 该论坛已连续举办3届,由清华大学求真书院主办,中信证券与中关村科学城管委会协办[2] 因果性与AI科学化 - 当前AI技术仍以"相关性"建模为主,缺乏对"因果律"的深刻掌握,限制了在自然科学和数理建模任务中的应用[3][4] - 大模型在高层语义表达中已出现"因果性功能的涌现",能处理逻辑推理、数学解题等任务[5] - 建议从"语义因果性"角度重新评估当前模型的能力边界[5] Token范式与世界模型 - 专家质疑Next Token Prediction范式是否适合处理复杂四维世界认知,提出可能需要转向"世界模型"等新范式[6] - 语言作为人类认知的表达系统,若对象或规律可通过语言准确描述,AI仍可能通过token prediction模型学习[6] - Next Token Prediction在语言理解和创作领域表现优异,但在非语言任务如偏微分方程求解、量子系统建模等方面存在局限[6] AI原创能力探讨 - AI在科学研究中难以实现重大理论突破,因其无法完成"对未知现象的预判与假设"[9][10] - AI可解决90%可类推工程化问题,但在10%原创性突破领域仍力有未逮[11] - AI在已知边界上的全覆盖与组合重构将对科学研究产生深远影响,尤其在"从类比中发现新结构"方面具有潜力[12][13] 算力瓶颈与未来架构 - 最新一代大模型训练耗资约100亿美元,需20万张GPU卡支持,预计2035年可能突破至1亿张卡[14] - 光互联和光计算芯片可提升芯片间通信带宽与效率,解决分布式模型训练问题[16] - 未来需推动低精度(int4/int8)模型优化,并使底层硬件异构对开发者透明[17] - 提出"Experience-driven AI"设想:由100万个机器人在物理世界中实时感知、同步数据和模型权重,实现全域智能协同[18][19] 总结展望 - 大模型的有效性是经验主义的,但其根本性问题需理论与系统两端的突破[21]