WAIC首日核心观点：AI竞争靠人才、智能体终端是下一波爆发、静态数据已触顶

事件概述

2026年世界人工智能大会（WAIC）首日，多位图灵奖得主、两院院士及产业领袖围绕AI竞争格局、技术演进方向与安全治理发表观点，以下为关键发言摘要。

AI新竞争

John Hopcroft：人才是核心竞争力

• 信息革命深远影响，各国需制定适应变化的战略。由于AI可能持续发生重大变化，最佳战略是培养能探索新方向的人才。
• 大学最根本的使命是培养下一代人才，而非做研究。人才培养核心：引导学生发掘志趣、保障科研自主空间、重构评价体系转向教育质量。

印奇：AI产业下一轮爆发来自智能体模型+终端

• 智能体正在成为生产力的最小单元。AI产业分三阶段：预训练大模型+对话应用（第一阶段）、强化学习推理+代码开发（第二阶段）、具身智能体带来第三波变革，影响力超过PC与移动互联网之和。
• 三大底层变革机遇：大模型原生跨设备操作系统、全品类硬件终端重构（PC变算力工作站、手机变中控、新能源车率先落地机器人形态）、全新人机共生网络。

周伯文：Research是下一个Coding

• AI在编程等闭环任务上进步迅速，但科学原创能力有限。科学研究不是单一应用场景，而是AGI终极挑战。
• 模型突破需完成三项转变：从数据驱动到世界交互、从即时反馈到长程自主、从模仿正确到善用失败。
• 科学研究缺少完整反馈链，关键是通过可信验证重构认知。上海AI Lab发布“书生·端砚”科学发现平台。

技术新趋势

Richard Sutton：静态标注数据已达天花板，经验驱动是下一代AI核心路线

• 行业普遍混淆算力规模与原生智能。当前大模型仅完成历史数据模式拟合，不具备自主发现新知能力。
• 智能核心是自适应能力，强化学习是贯通各类智能的核心方法论。图灵测试并非图灵初衷，机器自主交互学习才是核心构想。
• 人工标注资源持续衰减，无法支撑长期迭代。智能体与环境交互产生数据，随能力同步扩张（如AlphaGo、AlphaProof已验证）。现有大模型缺少目标与奖惩反馈，经验型智能体可依靠环境反馈持续校正认知。

苏昊：解决大模型幻觉的关键是物理智能

• 语言是世界的投影，大模型从语言中学到的只是影子，知识缺乏可校验锚点。破局路径是大模型进入真实世界完成端到端交互，通过预测、行动、反馈修正积累实体经验。
• 物理知识分六层（物体、状态、动力学、功能、目标、行为），越往上可记录内容越少。物理智能突破口不在模型架构优化，而在知识聚合，需要全社会通力合作。
• AI行业评价维度将从“演示惊艳”转向“运行可靠”，通用性是重点，可靠性是起点。

王坚：让科学数据成为大模型的原住民

• AI正来到转折点：人工智能将像数学一样成为基础学科，基础是科学数据。
• 从旧数据中发现新问题是科学变革的基本逻辑（例：中学生利用退役卫星数据发现约150万个未编目太空物体）。
• 科学家需要的不是一个问答模型，而是能统一获取科学数据、论文和计算工具的基础设施。科学基础模型使AI成为基础学科，未来50年影响深远。

AI新边界

徐立：AI核心价值是放大个体能力而非替代人力

• 优质AI产品放大个人能力，而非催生工具依赖。当AI推进到超级个体阶段，计费从Token转向Task。
• AI将自动化现有职业，但也将重塑工作，产生大量新职业和组织形态。治理框架（“无”）与模型发展（“有”）需并行，才能让AI被善用。

Yoshua Bengio：智能体的实用性与风险都来自自主性

• AI能力沿指数曲线增长，模型在推理、数学、编程、科学、智能体能力上快速提升。
• 智能体必须减少人类监督才能完成长程任务，但自主程度越高，人类越难及时发现和制止危险行为。
• 前沿AI面临两类灾难性风险：恶意使用与模型自身失控。不能默认更强模型会自然服从人类。高风险AI应实行“先证明安全，再允许部署”，风险治理不能由企业自行决定，全球治理需要可验证的技术基础。