GAIR 2025 大会首日：AI重构教育、科学与产业的十三重碰撞

2025年12月12日，第八届GAIR全球人工智能与机器人大会主论坛，在深圳南山·博林天瑞喜来登酒店正式拉开帷幕。本次大会为期两天，由GAIR研究院与雷峰网联合主办，高文院士任指导委员会主席，杨强院士与朱晓蕊教授任大会主席。

作为粤港澳大湾区的AI标杆盛会，GAIR自2016年创办以来，始终坚守“传承”与“创新”的双重底色——从学界泰斗的精神传承，到华人顶会主席们的思想接力，再到青年学者的锋芒展露，这里不仅是技术交流的平台，更是承载中国AI四十年发展记忆的精神家园。

时隔四年，GAIR从海外重返深圳主场。这四年来，大模型掀起巨浪、人工智能迈上更高舞台的四年，知识生产不再局限于传统路径，产业变革更是按下“加速键”。值此岁末年初的节点，GAIR如期赴约，用一场高质量的观点碰撞，为行业与大众回顾科技高速的脚步，呈现AI时代的前沿洞见。

12月12日的主论坛，延续GAIR一贯的学术前沿特色，设有：“AI之道：教育的重新定义”、“AI之术：领域的范式重构”两大研讨主题。当日，大会现场有十多位顶级学者发表精彩演讲，更有两场AI学术大咖激烈交锋的高端对话，他们带来的前沿科技进展、产业实战经验和人文关怀，使这一天成为值得深度思考的思想盛宴。

首先，是本次大会主席，加拿大工程院院士、加拿大皇家科学院院士杨强教授登台致辞。这一日也正好是杨强教授的生日。开幕式上，他回顾GAIR八年来的举办历史，如2020年齐聚GAIR缅怀黄煦涛教授，2023年GAIR首次出海，大会始终在记录AI领域的薪火相传。他以“老朋友”“家里人”的身份，陪着GAIR见证历史，预祝大会圆满成功，继续创造新的“第一次”。

深圳理工大学教务长、澳门大学第八任校长赵伟院士：AI 时代高等教育重构路径 —— 以 “加减替换” 模式培养有智慧的人

首位登场的演讲嘉宾，是深圳理工大学教务长、澳门大学第八任校长赵伟院士。深耕高等教育管理与学术研究数十年，赵伟院士见证了中国高等教育从追赶迈向引领的全过程，对于 AI 给高等教育带来的冲击与机遇有着深刻洞察。

在报告中，赵伟院士开篇点出 AI 对社会生产生活的深刻影响，指出高等教育的颠覆主要体现在知识产生、学生培养和教育管理三方面。

首先在学生培养方面，赵院士提出传统 “知识就是力量”“培养有用之才” 的理念需升级，大学应回归 “培养有用、有智慧的人” 的本质，帮助学生找到自身定位、明确专业方向与职业路径。

针对 AI 时代学生的特点与焦虑，深圳理工大学采取 “加减替换” 的培养模式：减法上，删减微积分习题集等低效课程内容，压缩课堂时长 20%、每周减少一天上课时间；加法上，要求大一学生必修两个学期人工智能导论，每周腾出一天进实验室参与科研实践，同时强化书院素质教育；替换上，用跨文化交流课程替代传统英语四六级导向教学，计划以智能 APP 取代传统教科书，更注重实用能力培养。此外，学校还将推出科研成果与素质教育双成绩体系，全面评价学生能力。

在高等教育管理方面，他指出传统信息系统类似 “电子版电话黄页”，无法应对智能性问题分析，建议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，实现初步智能分析；强智能层面则让智能系统直接对接各子系统，实现实时响应、智能决策，同时降低管理成本、提升隐私保护水平。

赵伟院士总结称，AI时代，高等教育的高层决策、中层管理到信息系统都有改变。人才培养模式要做加法、做减法、做迭代，做替换。有了人工智能之后会怎么样？

“首先我们得活下去，我们也许能造人工智能的反，造了反也得活，不造反也得活，而且我认为我们会活得更好。”

中国工程院外籍院士、香港科技大学首席副校长郭毅可：当“知识”无处不在，教育的重点将转移到“善”与“美”

随后，中国工程院外籍院士、英国皇家工程院院士、欧洲科学院院士、香港科技大学首席副校长郭毅可，带来了以《人工智能与未来教育》为主题的演讲。

深耕学界多年的他，见证了AI与高等教育的演进交汇。他从生成式AI重塑知识获取方式谈起，指出当下教育的对象已经不仅是孩子、也包括机器，而两者之间存在着意想不到的共性。借此，他引出了对教育范式即将转向的思考。

“现在知识已经无处不在，本来的黄金变成了空气”，郭毅可在开场便投下这句颇具分量的判断。由此，他进一步发问：教育曾以知识稀缺为前提，但在生成式AI已成为“智能百科”的当下，我们究竟要如何教与学？

郭毅可笑说，自己是对AI发展非常乐观的人。在他眼中，人工智能时代的教育，应从“知识传输”，转为培养学生的能力、好奇心、学习主动性和共创意识。在现场，他展示了自己与AI对话共同制作的表格，他们共同探讨出一个结论：人类攀登智能顶峰需要经历三个境界：真、善、美。

如今的生成式AI，已具备“真”的能力，即掌握知识与事实。但郭毅可随即以“回形针最大化者”思想实验提醒听众：一个只有效率、却缺乏价值判断的系统是危险的，因此，“善”与“美”也不可或缺。他继而解释，“善”对应着自我反省能力，“美”则是每个人独特的自我展现。未来的教育，必须更注重价值观、自省力、判断力和欣赏力的培养，才能“创造智能的机器，去培养更聪明的人”。

而作为香港科技大学首席副校长，他在演讲中也骄傲地表示港科大是“全球第一个宣布GPT是好东西、并在教学里广泛使用”的学校。但他也强调，教育和考核方式要因应时代而变，“如果学生还能用AI作弊，那就说明考试方式本身出了问题。”

圆桌论坛：AI时代的教育理念，如何重构？

上午大会的重头戏，是“重新定义教育：AI的颠覆与未来”为主题的圆桌论坛，杨士强教授与赵伟、郭毅可两位院士携手带来一场深度对话。杨教授笑称，赵、郭两位校长均有海外留学任教、后回国创办新学校的经验，对当下AI与高等教育的变革应有切身体会。圆桌过程中，三位嘉宾着眼于AI时代教育的核心矛盾与变革路径，围绕中外教育模式差异、社会对教育的过高期待、学生自主发展与淘汰机制、AI对教育的赋能边界等关键议题各抒己见，现场金句频出，掌声不断。

赵伟院士首先表示，当前AI在教育转型方面不存在所谓“弯道超车”，相反地，大家对教育抱有过高的期望值，将前沿技术进步和教育成果片面地联系起来，事实上进步应与全社会相关，不能将这一重担都落到师生的肩上。

郭毅可院士也对赵院士的观点表示了认可，他认为，“领先”是别人的话语体系，我们应创造一套自有的教学理念，“现在很大的问题是，我们根本不知道自己走什么道路。”

郭院士进一步指出，AI已极大地将教育民主化，也同时为学生和老师都带来了更强的教育自主性。对自主学习的强调，也是海内外教育体系的显著差异之一。他认为大学教育改革非常重要，比起重复多余的课程，更应该教导学生培养能力，尤其是实践方面的能力。“所有的知识，你都可以从GPT那里获得，你要做的是寻找哪些知识、解决哪些问题。”

接着三位嘉宾针对大学淘汰制发表了自己的看法，杨士强教授认为，淘汰制有利于博士质量的提高，但这一制度在内地高校接受度不高。赵伟院士也举了英美高校的例子，表示应该让学生“找到自己”，眼下的学历、专业、学校都有可能不适合自己，如果学生知道了什么不适合自己，这是成功的，而非失败的表现。郭毅可院士则在这一话题上分享了香港科技大学的实践，即入校先不选专业，只选初步的院系。他认为这一机制为学生提供了灵活调整的空间，但也难以避免跟风热门专业的情况。

随后杨士强教授抛出了重磅提问：对2025年以后的大学生而言，哪些能力将成为最重要的求生能力？AI环境下，现在一所顶尖大学的核心竞争力体现在哪些方面？

郭毅可院士认为，知识的获取和记忆已不重要，重要的是运用知识的能力和沟通能力，不光是人与人的沟通，还有人与机器的沟通。其次是创造力，因为未来未必有那么多大公司的工作机会，更看重能否独立创造公司，通过AI制造想要的东西——AI会使这个社会更独立，使组织架构发生变化，“财务、人事都不用你做，你只需要做好组织架构。”而大学最关键的就是培养学生和老师，“大学的竞争力最终的产品就是人。”

赵伟院士则指出，好大学、好学科有两个共同特征：都与数学、与母语语言文学系有关。大学的使命就是真善美，人文。学生到大学，不应该只学科技，越是到了人工智能的时代、技术强制的时代，人文越凸显其重要性。

现场不少观众积极举手提问，圆桌论坛险些超时，杨士强院士笑着向赵伟、郭毅可二位校长提出“苛刻要求”：60秒内完成回答。

首先提问的是另一位主论坛演讲嘉宾，南方科技大学副教授张进。她提到，国内不少孩子从小上补习班、做习题，没有时间认识世界、体验世界；AI出现后，大家也担忧孩子们总跟AI打交道，不会跳出虚拟世界再认识世界，该如何看待此事，以及怎样借助AI来帮助孩子们认识世界、体验世界和改变世界？

郭毅可院士这样回答：至少用AI帮助学习、了解世界的时候，它是回答问题，而不是灌输你已有的知识，这已经是第一步的改变了。

赵伟院士则表示，应试教育的现实不易改变，唯一能做的就是在校内减教学、减刷题、减考试量，加上“体验”，通过体验让孩子体验到科研的快乐，体验到人生的快乐，找到自己，这是AI不能代替的东西。

随后有观众提问，怎么分配孩子使用AI工具的时间和精力？赵伟、郭毅可两位院士都表示，为了应付考试，限制使用是有道理的，但从长远来看孩子与AI是伴生的，迟早会接触到AI工具，阻碍他们用AI是“开倒车”的行为。

圆桌的最后有观众提问如何引导挖掘孩子的特长，郭毅可院士表示，应该提供环境，让孩子发现特长；针对杨士强教授进一步引申出的“扬长补短”，赵伟院士则表示不光要找到专长，还要找到短板，补齐短板是没有用的，关键是扬长避短，拉长“长板”。

郭毅可教授补充称：“你的‘短’很好，短制造了你与别人的不同，一个没有短板的人是很可怜的。”

日本工程院院士、IEEE原副主席Kazuhiro Kosuge：当机器人“像人一样思考”完成缝纫流程

日本工程院院士、IEEE原副主席、IEEE Life Fellow Kazuhiro Kosuge（小菅一弘），在大会上带来了关于《如何利用人工智能机器人技术革新服装生产流程》（Explore how garment production processes can be transformed with AI-powered robotics）的主题演讲。

这已经是他第二次参加GAIR。长期从事智能机器人、人机协作系统及工业机器人技术研究的小菅一弘教授，如今任职香港大学电气与电子工程系机器人系统讲席教授。

报告开始前，他回顾了六年前在GAIR曾播放的那支影片——在2005年的世博会上展示“翩翩起舞”的舞伴机器人。而近年来，他与港大的团队把机器人应用研究方向锚定在服装市场里。

小菅一弘指出，这个市场规模巨大、但智能化不足。他首先展示了几组数据：到2030年，全球服装市场价值估计会达到2.3万亿美元，然而，根据2019年的数据，即便在机器人使用率最高的五个国家，纺织产业的机器人密度仍然很低。其中，总生产时间和成本的80%仍然用于物料搬运，且还有67%的劳动力集中于缝纫过程，包括材料搬运环节。

尽管已有半自动化的机器人，完成基本的服装裁剪等操作，但这些机器仍需要人工操控，且细节处灵活度不足。例如，在处理不同款式和尺寸的服装时，每次都要重新设置整个系统。

小菅一弘与团队共同开发了一系列技术，包括可以从织物堆中依次抓取最顶部织物的被动式无致动器抓手，以及布料边缘高速检测、双臂机械手2D和3D裁剪制作，以及裁片对齐等。

他用一系列缝纫机器人操作视频，生动展示机器人的运作过程，缝纫涉及进针、出针、自动进布等多个环节，但“这个机器人能像人一样思考，在必要时配合旋转布料的方向”。

不过，小菅一弘和他的团队并不只把研究停留在实验室里，即便是小到对机器进行动态运动建模的功能，他们也找到了合适的落地场景：印花材料输送。他深知这套系统的商业化，需平衡衣服本身制作成本与机器投入成本间的问题，综合考虑下，他们选定了“汽车座椅”这一场景。

他提到，如今3D剪裁还高度依赖于高技能的操作员；而放眼3D剪裁涵盖的市场，汽车座椅品类产量高，且预计到2028年，这一市场的工业生产设备投入预计将达到3.63亿美元，但该细分赛道尚无自动化解决方案。

小菅一弘还指出，在中国、北美、东南亚和日本市场之外，最大的市场将会是欧洲——迫于昂贵的人工，如果他们想继续在服装市场里占据一席之地，自动化已是必然选择。

香港科技大学冯诺依曼研究院院长、IEEE Fellow贾佳亚：AI与大模型一定走向感知机器+终身学习的训练模式

随后登场的，是香港科技大学讲座教授、冯诺依曼研究院院长，IEEE Fellow贾佳亚。作为AI领域的资深学者，贾佳亚教授曾在GAIR 2019发表以“AI多模态发展”为主题的演讲。

在本次GAIR的会场，他分享了不少最新技术成果，这些成果此前均未在公开场合过多披露。例如2024年推出的多模态模型Mini-Gemini，今年新增完整中文语音系统，支持长视频理解、无样本音色克隆及跨语言生成，解决中文语音系统混乱的痛点。

此外，智能图像生成编辑技术成果丰硕：ControlNeXt轻量化操作可实现图像风格转换、动效生成等。而DreamOmni2仅2名学生用500张卡半年完成，功能覆盖像素级编辑，更在全新的抽象概念处理任务上展现出非凡实力。贾佳亚教授表示，它有望成为在开源系统里唯一能跟nano-banana对齐的系统。

在大模型未来发展上，他提出关键思考：当前Sacling Law是基本发展方向，但大模型发展需聚焦“改善神经元连接方式”，让其在同等数量的神经上变得更聪明。从早期的卷积神经网络，到后来的Transformer，都是在改变神经元的连接方式。

他进一步强调，现在大模型是“一次性学习”模式为主，需革新为人类“连续学习”式终身学习。与此同时，当前AI是“虚拟大脑”，未来需结合机器人等实体载体，通过四肢感知世界以缩小与人类差距。 贾佳亚总结称，AI与大模型未来将走向“感知机器+终身学习”结合模式，发展进程虽然可能缓慢，但这将是学界、业界未来5-10年的核心方向。

KDD China主席、IEEE Fellow郑宇：城市计算可成为具身智能的方法论，具身智能为城市计算的核心组件

在聆听了上午场多位重量级嘉宾的精彩演讲和讨论后，大会于13:30继续进行。下午场最先登场的，是KDD China主席、京东集团副总裁、IEEE Fellow郑宇教授，他带来了《时空AI：人工智能进入物理世界的基础理论和关键技术》专题汇报。

郑宇教授指出，人工智能过往在虚拟世界，如大语言模型、数字孪生，取得显著成功，但真正的产业价值需进入物理世界——即问题与数据源于物理世界，通过感知、建模、分析后反馈回物理世界，例如具身智能、无人驾驶、城市管理等领域。

而AI要在物理世界发挥价值，需面对三大挑战：一是数据稀缺，采集数据成本高、周期长。二是需要结合行业知识，当目标领域的数据不足时，需要学习更多领域的知识，才能实现跨域数据融合。三是当前机器学习模型主要服务于自然语言、图像、声音，而非为时空而设，时间和空间属性难以捕捉。

会上，郑宇教授回顾了时空AI的发展历程，并分享了空气质量监测和雄安智能城市等标杆案例。他提到，城市知识体系是城市数据向知识转化的路径和方法论，以及城市知识对齐和复用的基准，包括知识体系的内容、表达、产生和应用，可实现时空数据与其他数据的融合。

他进一步结合当下技术趋势提出：城市计算可作为具身智能的方法论，而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”。郑宇教授在演讲最后鼓励道，科技竞争已打响，在座各位将是中坚力量，“一万年太久，只争朝夕。”

上海人工智能实验室主任助理、领军科学家胡侠：用“小学生数学”破解大模型长上下文与幻觉难题

随后，作为雷峰网的“老朋友”、第三次参加GAIR的胡侠教授带来《基于有损计算的大语言模型高效服务》（Efficient LLM Serving via Lossy Computation）为主题的演讲。

胡侠教授长期研究机器学习、人工智能核心技术研发及多领域落地应用，现任上海人工智能实验室主任助理、领军科学家，重点围绕大语言模型优化展开学术研究。

此次胡侠教授从微小视角切入，在演讲中分享如何以“有损计算”为核心的简易算法，破解大模型长上下文处理瓶颈的难题。胡侠教授笑称，这样的解法是“用小学生的数学解决一个非常重要的大问题”。

胡侠教授首先抛出一个场景：用户向LLaMA模型输入了一个罕见病问题，但LLaMA在训练阶段并未接触过类似数据，也未针对这类问题做过适配，因此无法给出准确答案，往往会提供虚拟或虚构的答案。

针对幻觉这一阻碍大模型大规模普及部署的核心瓶颈，他给出两种常规解决思路：一是将相关书籍、论文整合到prompt（提示词）中提交给大模型，使其在部署或推理阶段具备对应知识支撑；二是RAG（检索增强生成），输入prompt后，先通过搜索引擎获取10篇相关文章，将这些文章内容融入提示词再提交给大模型。

但这两种解决思路受限于模型长上下文处理能力，无法有效解决幻觉问题。针对这一痛点，胡侠教授基于两个关键点——参数精度无需过高、无需启用全部参数，提出“有损计算”理念，研发出两套可通过基础数学实现的简易算法。第一套算法聚焦相对位置信息的优化，第二套算法则针对KV缓存（Key-Value Cache）的显存占用问题。

胡侠教授笑说：“我就喜欢做比较简单、比较容易、比较小的研究，能够极快提升模型运行的效率。”他提到，由于这一方案具备易理解、易实现、易集成的特性，目前已获得广泛关注。

之江实验室科学模型总体部技术总师薛贵荣：科学基础模型要超越语言空间，让天文、地学、生命科学和材料科学等数据都能被AI“理解”

接下来登场的，是之江实验室科学模型总体部技术总师薛贵荣，他带来了《科学基础模型：人工智能的下一个前沿》的主题报告演讲。在报告的开篇处，他提到，“AI的真正价值不只是写论文摘要，更重要的是形成可验证的结果。”

薛教授指出，当前科学基础模型仍面临两大瓶颈：一是语言边界限制，即依赖语言认知的模型难以突破科学问题的表达局限。 二是科学数据复杂性，光谱、基因、地震数据等呈现了超高信息密度，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，而语言作为低维离散符号系统，远无法覆盖科学知识的高维空间。

针对挑战，他提出科学基础模型的构建路径：

首先是将分子、基因、光谱等非文本科学数据转化为Token表示，分配科学空间并统一编码，实现生命科学、材料科学等多领域数据的拓扑化整合。

其次通过动物迁移与温度变化、城市GDP与夜光等案例，揭示数据对齐对科学发现的推动作用，例如基因数据与病理数据对齐可实现全流程基因突变的解析。

基于上述工作，团队已完成超大规模模型训练，覆盖十余门学科。

薛教授同时提出了“大模型种子班”和“科学家工作坊”两项举措来推动与全球科学家的合作，并发起全球倡议，征集科学领域“最难问题”，呼吁通过开放协作加速AI+科学的研究。

圆桌论坛：人工智能产业化带来了哪些挑战和机遇？

下午3时，“人工智能产业化的挑战和机遇”为主题的圆桌论坛在郑宇教授的主持下正式开启。郑宇、杨强、胡侠、薛贵荣四位嘉宾齐聚一堂论道，激荡产业思潮。

郑宇教授先从“挑战”切入，提到大语言模型已在部分业务场景取得成功，但至今尚未形成大规模商业应用和成熟商业模式，只有个别标杆性成功项目。

杨强教授分享他曾在商学院讲课时主动“泼冷水”：美国2025年人工智能的应用到底多少产业有正向的收益？MIT相关报道指出，95%都是负向的收益，基本烂尾，只有5%成功。

他从宏观角度谈到人工智能产业化面临三个维度的挑战：一是预期维度，尤其是企业老板的预期；二是系统维度，人工智能技术引入企业后，无法与原有传统系统适配；三是数据维度，人工智能产业化落地仅靠语言模型远远不够。

胡侠教授则结合机器人领域，从微观技术角度补充他的观察。以机器人的感知为例，本轮AI发展由大语言模型、多模态大模型推动，虽然能较好理解语言、分析图像，但相关传感器技术多年未实现质的突破，导致机器人无法完成简单操作。人类感知不仅依靠语言和视觉，还包括听觉、嗅觉，以及手部的温度、湿度、压力等各类传感器，而且人手具备高自由度。比如人能轻松从黑书包中取出乒乓球，机器人却因为缺乏相应传感和动作能力而难以做到。

薛贵荣教授则从产业实战角度讲到行业内对人工智能的认知差异：从业者往往初期满怀信心，实操后却信心尽失，陷入“啥都能做”到“啥都做不了”的极端认知摇摆，并笑称“我们这一行最倒霉的就是CTO”。

关于人工智能赛道的泡沫和陷阱话题，嘉宾们各抒己见。杨强教授认为，将基于公开语言数据训练出大模型的成功经验迁移到其他非语言数据领域是错误的，不同数据维度存在巨大差异。此外，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大模型，是行业面临的巨大挑战。

薛贵荣教授认为还存在两方面泡沫：一是算力领域，现有算力建设投入多为推理卡算力、竞争激烈，大量算力资源闲置，投入与产出严重不匹配；二是AI应用领域，多数应用“人工成分”过高，本质是“人工AI”，并未达到真正的AI应用水平，市场上Agent框架等相关产品同质化严重。

回归“机遇”层面，嘉宾们纷纷“押注”值得长期钻研的方向。

杨强教授提到，在医疗等数据稀缺领域，数百例甚至几十例数据无法支撑深度学习，只能依靠传统回归模型，这类小数据场景广泛存在。他目前的一个研究领域，正是如何在保护隐私的前提下，整合各领域专家的小数据模型，构建全局模型让大家都受益。

胡侠教授则延续机器人话题，他认为尽管机器人领域泡沫大，但国家和产业大力投入，正是希望通过搭建机器人产业生态，用行业热度倒逼技术发展。

技术层面上，薛贵荣教授认为当前最重要的是提升大语言模型规模。做大模型规模，能够带动底层基础设施、算法、数据等全链条实现一次“革命”，必须着重推进。

国家超算深圳中心副主任、IEEE Fellow付昊桓：超算核心逻辑是集聚算力攻克复杂科学问题，与大模型的并行思维本质相通

在精彩的圆桌对话之后，清华大学深圳国际研究生院教授、副院长，国家超算深圳中心副主任、IEEE Fellow付昊桓带来了“硬核”演讲：《超智融合支撑下的地球系统模式研发》。

付昊桓主任指出，超算是地球系统研究的“数字实验室”，科学家无法对地球进行实体实验，需通过超算构建数字孪生模型探索气候变化、碳达峰、碳中和等重大议题。以台风为例，超算是进行台风预报和台风机理研究的重要基础平台；在碳中和谈判中，各国减排承诺的效果评估也依赖模型数据支撑。深圳超算二期正在推进的首个重点应用便是开发下一代百米天气预报模式，其在防灾减灾、可持续发展等领域作用关键。

他表示，当前全球气候模式存在显著不确定性，各国模型对近百年气温变化曲线的模拟差异较大。降低不确定性需从不同方面突破：提升模型空间分辨率、引入AI方法有效融合数据等。但技术升级带来算力需求指数级增长，同时需解决“模型-机器适配”难题——天空中约千余颗卫星每日产生的海量观测数据，对数据处理能力构成严峻考验。

付昊桓主任随后讲述神威系列计算机见证国产超算发展历程、分享了深圳超算二期建设的突破性进展，并强调：“超算的核心逻辑是集聚算力攻克复杂科学问题，与AI大模型的并行思维本质相通。”

他进一步指出，目前超算领域面临“国产算力硬件投入大、软件生态投入相对少”的困境；同时难以留住人才，他笑称“既懂气象又懂HPC的复合型人才，毕业后都被大厂挖走”。他提出解决方案：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的协同，完善国产生态以留住人才。

会后，付昊桓接受雷峰网采访，表示目前AI应用于气象预报仍面临不小挑战，如极端天气事件预报能力弱、结果偏于平滑，缺乏不确定性评估方法，黑盒性质也使得预报员难以解释预报结果。对于超算与AI融合的行业趋势，他透露深圳超算将搭建超智融合平台，吸引天气气候、生物材料、工业仿真等领域科研人员参与，形成开源生态，并表示未来在相应领域，超智融合的新路径有潜力带来新的动能和新的算力需求。

首都医科大学附属北京安贞医院胎儿心脏母胎医学中心主任何怡华：医学人工智能应由医生来主导

在医疗领域，人工智能有哪些应用，又有哪些挑战和机遇？作为医疗人工智能医生侧主导研发的首都医科大学附属北京安贞医院胎儿心脏母胎医学中心主任何怡华，带来了《心血管疾病防治现状及人工智能赋能潜力》为主题的演讲。

何怡华教授以心脏超声为例，讲述人工智能解决方案带来的诸多挑战：从数据规范到数据间立体关系，再到其与疾病发生发展的语义关系转写、影像自动识别等。

何教授还介绍了领域内世界研究的状态、行业痛点和瓶颈问题，及安贞团队的探索研究和转化应用。她提到，首都医科大学附属北京安贞医院研发了针对心血管体系应用的大模型，希望基于现有的语言大模型，接入更多数据模态，并在大模型基础上构建应用界面、应用体系或智能体，实现所需的预警、筛查、诊断、手术导航以及个性化干预。

这样宏大的目标，实现起来并不易。何怡华教授补充，未来在医疗领域，大模型与小模型协同，更垂域的小模型将纵向攻克预警、诊断、治疗等核心环节，通过模型融合解决问题。

除了从产业维度思考，何怡华教授认为，人工智能在医疗领域的应用，更应放在整个医院医疗体系中思考如何落地到医疗场景。因为其中很大一部分工作是为了“强基层”，提升医疗的诊疗能力。

“强基层”第一步是培训，第二步是人工智能赋能，第三步是后续医疗诊疗团队以及医疗出口的支撑。只有构建这样的体系，才能让人工智能在医疗诊疗场景真正实现落地价值，而非仅停留在技术解决层面。

在提问环节，台下观众积极互动，有观众抛出犀利问题：医学人工智能到底应该由医生来主导，还是由做算法的人来主导？

“我是医生，我认为应该由医生来主导，不知道你是否反对。”何怡华教授认为，所有工具最终都要落到医生面对患者的场景中，人工智能是医生调用或辅助诊疗的工具。从人文关怀的角度，医生站在患者面前使用人工智能，比患者独自面对机器的体验要好。

RockAI 联合创始人邹佳思：未来的智能硬件，最重要的是原生记忆和自主学习

在热烈的AI+医疗讨论后，RockAI联合创始人邹佳思登台。《摆脱Transformer的束缚，让智能重新定义硬件》的主题报告，深入探讨了云端模型的局限性、设备端自主学习的重要性及行业未来路径。

演讲的开头，邹佳思指出：云端链路存在显著浪费，一些语音指令经云端解析再回传，至少50%的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，有效利用率却存疑。而市场已显现转型迹象，例如OpenAI计划明年推出硬件产品，标志着行业从云端向端侧的战略转移。 对于当前“更多数据、更大算力、更高人才密度、更大参数=更好的模型”这一行业共识，邹佳思提出了自己的质疑：算力在扼杀创新、让小团队失去机会。以Transformer为代表的架构偏向压缩智能和静态函数，并不能诞生更多智能；参数量大，确实扩大了这个函数的空间容量，但没有真正产生知识。

他认为，未来的智能硬件，最重要的实际是原生记忆和自主学习。他在演讲中展开讨论了形态记忆和知识记忆，认为缺乏记忆时很难谈论模型的个性化和进化。

他强调，大模型的发展方向，要从固定的工具转成持续学习，要从三个月或半年更新一次的模型知识转到实时成长的阶段。自注意力机制虽解决了模型关联问题，但带来成本激增。未来行业有可能面对参数规模的极限，因此架构上需做创新，积极探索云端+端侧结合方案，希望设备之间能够互联，最后达到群体智能的目标。

南方科技大学副教授张进：未来5-10年，面向新型模态的新型感知模型会非常繁荣

最后一位嘉宾是南方科技大学张进教授，她的演讲主题是《从便捷交互到可信感知：声波与毫米波感知应用研究》。

张进教授结合下午场的议程，用“首尾呼应”的方式开启演讲：“下午第一个题目是空间智能、时空数据，最后一个题目是声波、毫米波感知，都是为了感知物理世界，实现空间智能。”由此切入“面向空间智能的新型模态感知”这一话题的分享。

张进教授提到，无论是现在的具身智能、无人机、智慧健康，都需要对物理世界的感知和理解，需要建立虚拟世界和物理世界之间的沟通。为此，传统AI和新型传感可以从两个不同的角度和路径走到一个共同的“点”，最终实现“殊途同归”。

“我们怎么做到‘殊途同归’？传统AI从语言、文字、视觉等模态出发，生成世界模型，探索空间智能。而我们长期做传感器、智能物联网的学者一直以来就是为了实现准确地感知物理世界，只不过最初我们是用信号处理来完成这件事情，后来我们可以用机器学习、深度学习来理解物理信息，现在我们可以用大模型理解传统传感器的信号，从而得到更多的信息，也为我们带来面向空间智能的多模态感知。”

张进教授提到，现在所谓的“多模态感知”，仍集中在语音、文字、图像、视频，对新型模态的探索并不多，只有“激光雷达、深度摄像头、红外等模态，稍微与传统的模态有点结合”。

张进教授希望引入更多的模态，比如声波感知、毫米波雷达感知。她提到，目前毫米波雷达感知已经有一些应用，但声波感知的应用仍较少。目前更重要的是，新型模态数据有其独特特点，需要用更新的网络去理解这些新型模态。这正是张进教授团队的初衷，希望用最新的模型技术，理解新型的传感器数据，并在此基础上进行包括空间感知、智能交互、健康监测在内的诸多技术探索。

演讲的最后，谈及从初期的信号处理到后来的结合机器学习、大模型，张进教授回溯了自己的“来时路”：“我的本科和硕士专业背景是电子信息，博士阶段攻读计算机，慢慢开始做深度学习。”

展望未来，张进教授相信，还会有非常多面向新型模态的新型感知模型相关的工作，可以基于物理信息辅助的模型，也可以基于大模型。“这部分的工作才刚刚开始，我相信未来5到10年会非常繁荣。”

随着张进教授的演讲结束，以“AI之道”“AI之术”为主题的GAIR 2025首日也落下帷幕，杨士强教授也在大会最后进行了致辞总结。十余位顶级学者论遍AI产学研的术与道，为走过九年时光的GAIR留下浓墨重彩的新篇章。

值得关注的是，本次GAIR为期两天，12月13日“世界模型论坛”“数据&一脑多形”和“AI算力新十年”三场专题论坛同时进行，涵盖具身智能、世界模型、国产芯片、算力基建等数个年度热门领域。来自各个热门领域的资深专家，共同为线上读者和线下观众们，奉上深度与温度兼具的主题演讲或圆桌讨论。

关键词： GAIR 2025 大会 首日 AI 重构 教育 科学 产业 三重