“人工智能的体现之一就是理解复杂世界、发现未知规律。简单地说，就是打造‘ai爱因斯坦’。这也是ai for science的关键目标。” 7月4日，在2024世界人工智能大会暨人工智能全球治理高级别会议（waic 2024）“人工智能：科研范式变革与产业发展”主题论坛上，上海科学智能研究院院长（以下称“上智院”）、复旦大学浩清特聘教授漆远讲述了他对于通用人工智能（agi）和科学智能（ai4s）的发展判断。
漆远教授认为，大模型领域的“金科玉律”scaling law 改变了ai，然而仅依靠海量数据的压缩和归纳总结不足以达成agi。就像alphago通过学习海量的人类棋谱战胜李世石那样，我们看到了机器超越人类认知的可能性。但更重要的是我们需要像alphago zero那样，从围棋本身出发，具备自我学习、推理和创新能力，这样才可以达到agi。
漆远介绍，要实现这一目标，一是需要结合快思考的“黑盒”预测和慢思考的“白盒”逻辑推理，打造“灰盒”可信大模型；二是融合type1和type2，摆脱数据依赖。ai4s的最高体现就是“ai爱因斯坦”，通过融合科学规律、观测数据和合成数据，发现复杂世界的未知规律。上智院正在这条道路上不断探索。
诺贝尔经济学奖得主、北京大学汇丰商学院荣誉教授萨金特在演讲中深入探讨了ai创造力和学习机制的融合。他提出了两种创造力类型：应用创造力和问题寻找创造力，强调真正的agi应像人类婴儿一样，通过自主实验理解世界。此外，他还全面比较了物理学和经济学中的模型构建方法，强调了从描述性模型到结构性模型的演进过程。他以开普勒模型和牛顿模型为例，阐述了如何在经济学中实现类似的理论突破。他强调，虽然ai工具强大，但经济学家的理论洞察仍然不可或缺。这种平衡方法为解决复杂的经济问题提供了新的视角，也为未来的经济研究指明了方向。
作为物质科学领域的代表，复旦大学物理学系教授、中国科学院院士龚新高以《ai物理与材料逆向设计》为题，分享了团队在计算物质科学方法中结合ai技术的探索。求解kohn-sham方程极为昂贵，龚新高团队发展的uni-h模型实现了在几秒之内对任意元素组成的材料预测能带结构。在此基础上，团队计算了几十万个材料的电子结构，构建了数据库并全面开放。龚新高认为，在人工智能的推动下，计算物理的研究范式已经发展到了“ai物理”：利用机器学习原子间作用势和uni-h，有望解决材料设计的最大挑战——材料逆向设计，即“对给定的性质，找到相应的材料”。
从新材料到生物医药，从金融科技到城市治理，ai的应用正在为各行各业带来前所未有的挑战和机遇。让ai在各个专业领域发挥能力，并降低服务成本，解决大模型幻觉问题是重中之重。会上，无限光年联合创始人徐盈辉介绍了如何打造独特的灰盒大模型，有效降低模型幻觉。他说“我们做大模型day1起就意识到这项技术的真实挑战，怎样让大模型在真实场景中发挥价值，我们感到任重道远。我们使用符号推理引擎进行逻辑推理，把语言模型和逻辑推理结合起来，形成独特的灰盒大模型，实现可信生成，过程可解释，逻辑正确，真正释放大模型生产力。目前灰盒大模型已在金融和医疗等行业落地，未来更将赋能千行百业。”
新民晚报记者 张炯强
