WAIC 2026 深度解析：AI 迈向现实与科学的新阶段

新华财经上海7月18日电（记者 杜康）能够创作诗歌、编写代码甚至制作演示文稿的大型模型，依然无法感知一只杯子的实际重量，也难以切实协助卧床老人完成翻身动作；阅尽人类学术文献的大模型，未必能真正解读光谱、地震波或实验数据；当智能体开始自主规划并代替人类行动时，授权与责任的界限又该划定在何处？

在2026世界人工智能大会的主论坛上，众多行业领袖围绕物理智能、科学智能、算力基石以及智能体治理等前沿话题展开深入探讨，从中可以窥见人工智能发展的下一个落脚点。

尽管讨论主题各异，但一个共同趋势正逐渐清晰：人工智能的发展重心，正从单一模型能力的突破，转向对真实世界应用、科学发现、基础设施构建及安全治理的系统性竞争。

AI 开始补修“物理”课程

从虚拟数字世界迈向实体物理世界，是人工智能必须跨越的下一道门槛。

在老龄化加剧的背景下，养老护理人力日益紧缺；高空、井下、高温等高危繁重作业岗位，同样面临招工困难和用工风险高等现实挑战。大量真实需求已然存在，缺失的是能够感知环境、理解物理规律并执行任务的“双手”。

“如今的 AI 能流畅描述‘杯子落地会破碎’，却从未真正感受过杯子的重量。知识若缺乏现实的锚点，即便出错也无法自知。”复旦大学浩清特聘教授、复旦大学通用物理智能研究院首任院长苏昊指出。

在他看来，语言只是现实世界的投影。大模型主要通过学习语言、图像和视频获取知识，却难以仅凭这些信息真正理解质量、力量、摩擦、接触等物理属性。如何让机器具备“物理智能”，已成为人工智能下一阶段的关键议题。

物理智能将如何落地？苏昊判断，它不会在某次发布会上瞬间实现，而可能像当年的电气化进程一样，优先进入工厂和仓库，随后走进商家和医院，最终逐步普及至千家万户。

他提出了三个判断。

首先，突破口不仅在于模型架构，更在于物理知识的聚合。互联网上的视频、教科书中的公式、实验室里的力觉数据，以及劳动者长期积累的操作经验，都需要被汇聚到同一个模型体系中。只有当分散的物理知识能够被规模化学习，物理智能才可能迎来属于自己的“GPT时刻”。

其次，通用性是终点，可靠性才是起点。工程系统从99%提升到99.9%，每增加一个“9”，难度都可能显著上升。演示与产品之间的距离，往往就隐藏在那最后几个“9”之中。填平这段鸿沟，依赖的不仅是模型能力，还包括数据积累、行业标准、供应链协同以及社会信任。

“愿意在‘9’上肯下笨功夫的团队，才能走得更远。”苏昊表示。

第三，物理智能可能推动人工智能从科学知识的“读者”转变为“创造者”。当 AI 拥有感知和操作能力，便有可能自主提出假设、开展实验并根据结果持续修正，从而加速新材料、新药等领域的探索进程。

具身智能是物理 AI 进入现实世界最直接的载体。围绕率先落地的场景，与会嘉宾不约而同地将目光投向高频、刚需且环境相对可控的任务。

智元机器人(15.170, -0.13, -0.85%)合伙人、高级副总裁姚卯青认为，短期内更容易落地的，是那些高频刚需、确定性较强且具备一定容错空间的“简单场景、简单任务”。工厂等标准化环境可以率先积累数据和产品经验，而家庭等开放环境则需要更强的通用化和泛化能力。

它石智航创始人兼首席执行官陈亦伦同样看好制造业场景。在他看来，制造业数据密度较高，任务完成与否有明确标准，同时积累了大量人类操作数据，为具身智能的训练和迭代提供了相对友好的环境。

亮源新创创始人兼首席执行官姜旭曾参与 OpenAI 早期大语言模型的研发工作。他提供了另一个视角。在他看来，具身智能可视为多模态大模型向物理世界的延伸，其商业化规律亦可参考大模型过去几年的落地过程。

“OpenAI 在 ChatGPT 推出前后都进行了大量产品尝试，其中许多以失败告终。”姜旭表示，为具身智能寻找合适的落地场景，并不比训练模型更容易。

AI 不止阅读论文，更要读懂科学数据

人工智能进入真实世界的另一条路径，是走进实验室，直接面对科学数据。

之江实验室主任王坚提出，当前大量人工智能辅助科研的工作，仍集中于阅读、总结和分析论文。然而，科学知识并不仅存在于文本之中。光谱、地震波、声波、化石记录以及实验数据里，还蕴藏着大量尚未被人类充分理解的信息。

“在地球科学领域，超过70%的信息并不在文本里。一张图胜过千言万语，但一段光谱可能胜过千万张图。”王坚说道。

在王坚看来，人工智能正在推动科学研究范式发生转变。他以一项天文学研究为例，一名18岁的学生利用人工智能算法，重新分析了 NASA 已退役的 NEOWISE 空间望远镜留下的海量数据(11.890, -0.79, -6.23%)，识别出约190万个红外变源天体，其中约150万个此前未被编目。数据早已存在，但新的工具和分析方法，使其中蕴含的科学价值得以重新发现。

能够在旧数据中发现新问题，正是科学研究范式发生变化的重要标志之一。

过去，人工智能主要从人类已经整理、表达和书写好的知识中寻找答案。未来，科学基础模型不能仅建立在论文文本上，而应将文本、代码和科学数据纳入同一个模型空间。只有真正接触科学数据本身，人工智能才可能突破人类已知的知识边界。

这种变化已在药物研发等领域显现。英矽智能创始人兼首席执行官亚历克斯（Alex Zhavoronkov）介绍，人工智能正在深入靶点发现、分子设计和临床前研究等环节。据其介绍，传统早期药物发现平均需要约4.5年，而在人工智能和自动化技术支持下，从项目启动到临床前候选化合物提名的平均周期可缩短至12至18个月，并逐步形成可重复、可规模化的研发流程。

从“总结已知”到“发现未知”，AI 为科学研究开启了更广阔的想象空间。

算力竞争从“单芯片”转向“系统战”

算力和芯片是支撑人工智能演进的物理基石。主论坛关于算力架构的讨论，与大会展区展示的硬件进展相互印证：算力基础设施的竞争，正从单纯比拼单颗芯片性能，加速转向系统层面的竞争。

在硬件端，今年华为首次公开展出昇腾950超节点（Atlas 950 SuperPoD）真机，在算力规模、内存容量和互联带宽等多项关键指标上实现提升；上海东方算芯展出其首款软件定义近存计算3D芯片，试图通过新型计算架构降低对先进制程的依赖。据企业介绍，该芯片从设计、晶圆制造到封装测试，实现了全栈国产供应链闭环。

面对算力需求的爆发式增长，何种计算架构能够承载未来？主论坛给出的一个重要方向是光电融合。

曦智科技创始人沈亦晨表示，电子芯片在运行中面临能耗和散热约束，而光在数据传输中具有带宽高、能耗低等特点。9年前，他曾在《自然·光子学》发表论文，论证利用光完成矩阵乘法运算的可行性。9年后的今天，沈亦晨创办的曦智科技已在港交所上市，成为全球 AI 光算力第一股。

在系统和集群端，大规模算力集群本质上已成为超大规模分布式系统工程。基流科技创始人兼首席执行官胡效赫表示，过去三年时间，公司主要致力于大规模算力集群的建设、调优及相关运营工作。“从千卡、万卡到十万卡集群，真正决定实际算力表现的核心是效率与稳定性。”

艾捷科芯首席科学家薛继龙认为，大模型对规模和效率的追求，使软硬件协同优化的空间大幅拓展。在他看来，从事软件系统开发的人已迎来一段大展拳脚的时代。“过去，算力软件系统往往绑定在单一硬件生态。如今算力架构日益多样，亟须根据第一性原理，在最重要的场景实现单点突破。”

由此可见，人工智能创新的“基石”含义正在发生变化。自主可控不仅仅是拥有一颗芯片，更在于形成一套能够高效协同、开放兼容、稳定运行并持续演进的计算基础设施。

AI 可以替人行动，但不能替人负责

随着人工智能从提供答案走向自主规划和执行任务，治理所面临的问题也在发生变化。

大会主论坛上，图灵奖得主约书亚·本吉奥（Yoshua Bengio）发出警告：过去十年，人工智能在推理、数学、编程和科研等方面实现了快速进步。据其援引的 METR 评估数据，AI 系统能够完成的任务正变得越来越复杂。

“我们终将造出比人类更聪明的计算机。”本吉奥说道。

与此同时，社会尚未为能力更强、独立性更高的系统做好充分准备。以智能体为例，其价值恰恰来自一定程度的自主性，不可能所有操作都由人类逐步监督。但自主性越强，滥用和失控的风险也可能随之上升，包括操纵舆论、发动网络攻击、危害儿童安全，以及滥用化学、生物等专业能力。

人类可以将多少权力交给人工智能？这成为主论坛嘉宾共同关注的问题。

清华大学人工智能国际治理研究院院长薛澜表示，在传统委托代理关系中，信息不对称可能带来道德风险和逆向选择，人工智能代理同样面临类似问题。但机器与人的一个根本区别在于，机器无法真正承担法律和道德责任。

哪些决策永远不能交给 AI？

加州大学伯克利分校人类兼容人工智能中心执行主任马克·尼兹伯格认为，涉及生死以及一旦作出便无法挽回的重大决定，不应由人工智能独立作出。薛澜的回答更加直接：“涉及价值判断的问题不能交给 AI。”

这并不意味着拒绝智能体，而是要建立与其能力相适应的授权、监测和问责机制。

本吉奥提出三项社会层面的安全防护原则：一是 AI 应用发布前，应充分证明其安全性，任何组织、企业不得发布可能造成不可接受危害、风险超过社会可承受阈值的系统；二是风险管理不能完全由企业自行决定，重大决策应体现公共利益；三是人工智能创造的财富和收益应更广泛地惠及不同群体和国家，避免技术进步进一步扩大经济鸿沟。

薛澜则提出，应进一步明确人工智能发展的安全红线，建立风险监测和预警机制，并增加对人工智能安全、伦理和社会影响研究的投入。

从物理智能到科学智能，从算力基础设施到智能体治理，本届 WAIC 主论坛释放出一个清晰信号：人工智能的“下一程”，不再仅仅是训练更大的模型、刷新更高的指标。

真正决定这场技术变革能走多远的，是机器能否理解现实、发现未知并可靠运行，也是在能力不断扩张的同时，能否守住安全、责任与价值的边界。人工智能越深入现实世界，技术突破、产业基础与治理能力就越需要同步向前。