姚期智万字演讲：AI 研究的下一个层次
姚期智万字长文演讲：解析"AI 研究的下一个层次"
原文作者：姚期智
来源：商学院
原文链接：https://www.myzaker.com/article/6a60252f8e9f094b4d106689
发布时间：2026 年 7 月 19 日
场合：WAIC 思想者论坛
导读
当所有人还在卷大模型时，图灵奖得主姚期智已经指向了 “AI 的下一个层次” ——不是更快的芯片，而是用 “科学重塑 AI” 本身。从量子 AI 的崛起到理论突破，他揭示了未来五到十年将洗牌产业格局的底层变量。读这篇演讲，你不是在获取知识，而是在获取先机。
7 月 19 日，在 WAIC 思想者论坛上，姚期智发表《AI 的第一性原理：人工智能的威力及其局限》主题演讲，以下是演讲实录：
今天我想和大家聊一聊人工智能。我想现在地球上所有人都已经意识到，AI 正在改变世界。它看起来似乎无所不能，所以我们今天要探讨的问题是：AI 的能力是否存在边界？ 更进一步，是否存在另一个层次的科学认知，是我们还有机会去探索的？我想从理论的视角出发，和大家分享一些思考。
本次演讲的结构大致如下：首先，我会简要回顾 AI 令人惊叹的实践能力，反思 AI 的本质，在此基础上直接回应 “是否存在 AI 无法解决的问题” 这个疑问，我会给大家展示一些 AI 绝对解决不了的难题。当然，正如我们后面会看到的，AI 存在局限其实是件好事。
其次，我会谈谈我认为未来几年 AI 最令人兴奋的发展方向，这个方向的影响力甚至远超智能机器人带来的改变，将深刻影响社会。我之所以觉得它令人兴奋，是因为它能指引我们找到下一个层次的 AI。要做到这一点，我们不能只盯着 “AI for Science（AI 赋能科学）"，更要关注 “Science for AI（科学赋能 AI）"，正是科学会把我们带到下一个台阶，而这本身就是一场刚刚拉开序幕的伟大征程。
最后，我会谈谈我认为 AI 研究中值得关注的几个方向。
一、AI 的本质与不可逾越的边界
首先，我们先反思一下 AI 的本质。我们从 AI 高度依赖 “机器学习” 这个强大工具说起。机器学习作为一种算法范式已经存在很多年，但很长一段时间里被主流计算机科学界忽视了，它的解决方案质量一直在持续提升。
机器学习的基本框架是这样的：给定一个任务和模型模板，模板由参数 θ（希腊字母表中的第 8 个字母 Theta）决定，也就是说这是一类算法的集合，我们一开始并不知道该选哪一个。首先要解决的是表征问题，针对我们要处理的任务，这个模板里是否存在一个合适的 θ，能让算法完成任务？如果答案是肯定的，或者说我们相信答案是肯定的，那么接下来的 “学习问题” 就是，能不能在合理的时空成本内找到这个 θ？
和几十年前艾伦·图灵确立的主流计算机科学算法思路相比，这个框架有什么不同？在标准计算机科学中，这两个问题通常是合二为一的，研究者不需要外部数据辅助，仅通过数学分析就能完成推导。而机器学习最大的威力，也是我们今天看到它取得如此大进展的核心原因，就是把 “从数据中学习” 加入了算法的武器库。于是 AI 机器能在围棋上达到冠军水平、能预测蛋白质折叠，这类成果我们已经见怪不怪了。
现在很多人担心 AI 的能力过强，甚至担心它会失控，所以问一句 “AI 的能力有没有边界” 是非常合理的。除了学术层面的兴趣，搞清楚这个问题对我们设计安全的 AI 系统也很有帮助。如果我们知道 AI 的局限在哪里，反而可以利用这些局限，去寻找更好的算法和更安全的方案。
如果你是计算机科学家，可能立刻就能给出答案，甚至能拿出证明：那个著名的 “停机问题” 依然是无法解决的。关于 “停机问题” 我就不做技术解释了，本质上就是说我们很难判断一个程序是否会正确运行。为什么这个问题依然超出 AI 的能力范围？因为我们之前说过，AI 本质上就是加装了一组数据的图灵机，哪怕增加了数据，它依然是图灵机，所以不可能解决 “停机问题”。
不过更有意思的是，有哪些实际问题是 AI 无法解决的？哪怕 AI 能下围棋、能预测蛋白质结构，看起来几乎无所不能，你可能会觉得所有实际需求 AI 都能搞定，但事实并非如此。
例一：选择明文攻击下的加密
我举两个例子：第一个和数据安全有关。我们都知道，最新的强 AI 模型已经可以被用来发起网络攻击，你可能会觉得这类 AI 能破解所有安全密码。这对我们来说会是灾难性的，毕竟我们靠加密系统保护银行账户、隐私等等。但第一个例子就是：存在一些加密方法，能抵御所有攻击者，不管是标准算法还是 AI 系统。
我来具体解释一下这个问题，我们看一种特定的攻击模型，叫 “选择明文攻击"。假设我们有一个加密系统：我希望朋友能给我发邮件，就算信息在传输过程中被人截获，对方也不知道内容是什么。这个系统的逻辑是：我有一个解密盒，本质是一段程序；朋友有我给的加密盒，能把明文转换成密文，密文在公开网络上传输，任何人都能看到，但只有我能用解密盒还原出原始内容。
这个逻辑不难理解，但假设攻击者拿到了你的加密盒，能任意选择明文让加密盒加密，比如他今天输 “今天下雨”，得到对应的密文；明天输 “我有一只猫”，又得到对应的密文，反复做 1 万次，拿到 1 万组 “明文—密文” 对。问题由此产生：攻击者有没有可能算出我的加密盒是怎么构造的？换句话说，在实践中，攻击者能不能算出我的解密密钥？
这个问题非常实用，它对应着我们广泛使用的公钥加密系统：公钥的所有者把加密密钥放在邮箱、网站甚至公开目录里，任何人都能拿到它给我发加密消息。这种 “选择明文攻击下的安全性” 是公钥系统等核心基础设施的关键指标，像 ElGamal 密码这类加密体系，在特定假设下，从数学上是能抵御选择明文攻击的。
密码学是理论计算机科学中非常深厚丰富的学科，属于计算机科学的数学研究分支。我简单铺垫一下：理论计算机科学从 20 世纪 60 年代起步，之后几十年自然生长，最棒的地方在于新思想不断涌现，而且往往来自外部——数学家、生物学家、电气工程师都会带来新思路，每隔 10 年就有让人兴奋的新理论出现。随着计算技术的进步，比如图形处理、互联网、AI、量子计算等等，它和其他学科（物理、生物、经济学）交叉融合，催生了新的交叉领域，也产生了重要的实际应用。
例二：量子密钥分发
我再举第二个例子，也是解决安全通信问题的，叫 “量子密钥分发"。这种方法能让两个从未谋面的人，只通过电话沟通，最终得到一个只有他们俩知道的随机密码，哪怕攻击者全程监听了所有对话，也猜不到这个随机值是什么。
这听起来简直像奇迹，但确实存在可行的方法，而且这个方法超越了传统计算机科学，用到了物理定律。它通过物理规律来检测窃听者，如果有黑客试图测量双方的通信内容，会被通信双方察觉，直接丢弃这次通信的内容。这样一来，双方只要成功建立了共享密钥，就能用它进行秘密通信。
这个方法涉及量子技术，1984 年由查尔斯·本内特和吉勒·布拉萨德发明，已经是 40 多年前的事了。中国很可能是这个领域的领先国家：2016 年，也就是整整 10 年前，我们发射了全球首颗量子科学实验卫星 “墨子号"，利用量子密钥分发实现了安全通信，中国还建成了覆盖全国、连接海外的长距离量子密钥分发网络，长度超过 1 万公里，服务于电子政务、跨境金融、电网等关键领域。
这件事 AI 做不到，任何基于经典计算机的攻击都破解不了它。更有意思的是，它还有一个很棒的推论，这套机制最初是为了防止黑客破解系统，但它的基础是物理定律，所以原则上宇宙中没有任何事物能破解它，除非有人推翻量子力学。
二、“AI for Science” 带来的理论突破
回答完 “哪些实际问题 AI 解决不了” 之后，我想聊聊未来 AI 研究最重要的方向。当然，这个问题有很多种回答方式，比如造超级智能机器人、做大模型…… AI 可做的事太多了。但从理论视角来看，我认为未来 3 — 5 年，AI 最有趣、最有价值的方向是 “AI for Science"。我举几个例子说明 AI 怎么给科学赋能。
例子一：天文学中的早期星系观测
第一个例子是 AI 在天文学中的应用。几个月前，《科学》杂志发了一篇论文，第一作者是清华的一位年轻研究者。我们一直很好奇宇宙大爆炸之后的演化历史，想知道星系是怎么形成的，一个重要工作就是用望远镜探测早期宇宙的星系。因为这些星系距离我们非常远，信号极其微弱，人们花了很多精力解码望远镜的数据，重构早期宇宙的模样。
而这个团队用 AI 优化了处理流程，本质上就是用一个 AI 机器，从已有数据里重构那些暗弱的星系。这个过程中，不需要采集新数据，只是处理旧数据，结果就比以前的分析好得多，把可观测的时间线往前推了 1 亿年，现在已经能接近大爆炸后 1 亿年的状态了，这非常令人兴奋。我们希望未来能更进一步，让观测的时间更接近大爆炸的时刻。
他们用的是一种叫 Asterisk AI 的神经网络来解码数据，网络设计里融入了很多巧思。从大爆炸开始，左边是哈勃望远镜多年前的观测结果，中间是詹姆斯·韦布空间望远镜（JWST）的观测结果，右边是搭载了 AI 探测器的 JWST 的观测结果。可以看到，AI 帮我们识别出了更多恒星、更多星系，那些橙色的标记都是新识别出来的天体。
AI 现在已经被广泛用于实验科学，就像蛋白质折叠之类的成果，本质上也是通过数据回答科学问题。
以前我不担心 AI 会取代科研人员，因为我觉得 AI 只是帮我们分析数据、提取信息的工具。但最近我真的开始担心自己的工作了。当然，很快我就又开心起来，因为最近 AI 已经开始做出理论突破了，这在以前是人们觉得不可能的事。
例子二：宇宙弦问题（40 年开放问题）
我举个例子：宇宙学里有个 “宇宙弦问题”。理论认为，早期宇宙留下的宇宙弦会产生引力辐射，一个悬而未决的问题就是确定这种辐射的功率谱，这和宇宙学研究密切相关。就在去年，研究人员用 Gemini DeepThink 模型解决了这个问题，给出了精确的公式，这个 40 年来的开放问题终于有了结果，这完全是数学层面的突破。
例子三：单位距离问题（80 年猜想被推翻）
再看一个真正的数学问题：单位距离问题。这个很好理解：在平面上放 n 个点，最多有多少对点的距离恰好是 1？这个问题 80 年来一直没有解决，埃尔德什（Paul Erdős，匈牙利籍数学家）猜想这个数量是 n 的线性函数，而且很容易构造出 n 对的情况，所以猜想认为不可能比线性好太多，但也不会好太多。
最近 OpenAI 的最新模型推翻了这个猜想，证明可以比线性好，而且证明用到了很深的分圆数论技巧。这整个过程是模型自主完成的，把问题交给它，等两天就能拿到结果。
三、“Science for AI” 开启的量子 AI 新范式
接下来我想谈谈 “AI 的下一个层次"，不是指 AI 现在能做到什么，或者近期能达到什么水平，而是从根本层面问，在人类已有的知识体系中，是否存在比现有方法（包括 AI）更强大的、能提取信息、创造知识的方法？要讨论这个问题，我们需要引入物理学的视角，加入新的要素。
我们生活在物理世界中，所以能获取知识的途径，不止是现有计算机的处理逻辑。我要聊聊 AI 和量子这两大技术的关系。它们是当今最受关注的两大前沿技术，全世界的科技报告里几乎总少不了它们。现在 AI 是最耀眼的明星，已经成熟到能做出各种看似不可能的事；而量子技术的发展更早，差不多 100 年前就开始了基础科学研究，但直到四五十年前我们才想到怎么控制量子系统。过去 40 年里，科学家们一直想把量子相关知识用到计算中。我想谈谈这两大技术怎么互相赋能。
AI 帮助量子计算：量子纠错突破
先说说我们已经知道的，AI 可以帮助量子计算的发展。1981 年，著名物理学家理查德·费曼提出了量子计算机的概念：用量子比特而非经典的 0/1 比特来做信息处理，简单来说，它就是比经典比特更通用的存在。费曼的论文激发了物理学家、计算机科学家的研究热情，因为 “打破图灵机的垄断” 这个想法太有吸引力了，无论是对智力层面的好奇，还是对它应用前景的期待，都让人难以抗拒。
计算机科学家彼得·肖尔是关键人物，1993 年，他发现量子计算机能解决一些经典计算机搞不定的难题，比如密码学里的整数分解问题。数学家们一直认为分解大整数是超出经典计算机能力的。
肖尔的论文非常重要，吸引了大量科学家和资助机构投入到量子计算机的研发中。3 年后，肖尔又做出了更惊人的成果。一开始，物理学家觉得造量子计算机很难，因为量子比特非常脆弱，很容易被干扰，噪声问题很难解决。但肖尔发现，如果你能把量子纠错的错误率控制在某个阈值以下，比如单比特逻辑门的错误率低于 1%，那么理论上你就可以把量子计算机扩展到任意规模，造出可靠的量子计算机。这和冯·诺依曼当年解决经典计算机可靠性问题的思路是完全对应的，这意味着物理学家在原则上不再反对建造可用的量子计算机了。
过去 40 年里，纠错一直是量子计算机研发的核心挑战，直到最近，人工智能出手解决了这个问题。
我刚才说量子比特脆弱，纠错至关重要。一年半前，谷歌在《自然》杂志发表了一篇论文，介绍了一款叫 Willow 的量子芯片，上面集成了约 100 个物理量子比特，能编码出 1 个理论上可以永久稳定存在的逻辑量子比特，把错误率降到了 1% 的阈值以下。这是历史上第一次做到这一点，对所有做量子计算机研发的科学家来说都是极大的鼓舞。
那么 AI、神经网络在这个过程中起到了什么作用？它们的核心技术是设计了一个叫 AlphaQubit 的解码器，专门用于量子纠错。我们无法通过纯理论推导直接造出这个解码器，但通过机器学习的方法，用大量样本训练神经网络，就能得到这个珍贵的解码器，实现刚才说的纠错效果。现在，全球的科研团队都在跟进这个方向，包括中国的几个团队也处于前沿位置。
量子增强 AI：量子 AI 的兴起
现在回到我之前提出的话题：反过来，量子能不能增强 AI 的能力？ 我们认为，如果在机器学习的框架里，不用图灵机做学习载体，而是用量子机器作为基础架构，从数据中学习，甚至可以直接学习量子数据，那么在更通用的模型下，是不是能做出 AI 都做不到的事？
这个问题人们已经研究了 10 年，最近我们真的看到了曙光，一个被称为 “量子 AI” 的方向正在兴起。我个人相信，未来 5 — 10 年，我们会看到巨大的进展。 这非常好，因为 AI 的新鲜感迟早会过去，不会再天天上头条，而量子 AI 会接棒，刚好让科学探索的火焰持续燃烧。
四、未来值得关注的 AI 研究方向
总结一下，AI 已经在多个领域展现了巨大的能力，但 AI 算法依然受限于物理定律和理论数学的边界，这为我们的重要任务，即构建安全的 AI 系统提供了基础。
本次 WAIC 大会的主题既包括 AI 的能力，也关注 AI 安全，了解 AI 的局限性非常关键，比如 AI 破解不了很多加密技术，因为这些加密技术是科学家专门设计的，能抵御所有经典计算机的攻击，只要我们有坚实的数学基础，就能让它同样抵御 AI 的攻击。这种边界认知对我们做 AI 安全工作非常重要。
但更令人兴奋的探索还在前面，我尤其看好这几个方向：
- AI for Science —— AI 赋能科学
- 量子 AI —— Science for AI 的核心方向
- 可靠的大模型系统
- Mathematics for AI（数学赋能 AI） —— 和物理赋能 AI 一样，数学也是未来 AI 能力增强的重要支撑
- AI 安全
- AI for AI —— 用 AI 来改进 AI 本身，帮助我们更深入地理解智能的本质
五、提问环节
Q1：AI 的局限是否与人类智能不同？
主持人： 姚教授，我有个问题：人工智能是否存在某些局限，是人类智能所没有的？
姚期智： 你的问题是，AI 的局限和人类智能的局限是一样的吗？我们知道人类智能也是有局限的，比如我们解不出那些极难的问题，哥德尔不完备定理（1931 年由数学家库尔特·哥德尔提出的逻辑学定理，揭示了数学形式系统无法同时满足完备性和一致性）告诉我们，在数学构造的世界里，存在一些真理是我们永远无法证明的。但另一方面，我们之前也聊过，世界不只是数学世界，还有物理宇宙，如果你能从物理世界获取更多信息，那么对应的 “等价问题” 会是什么样，这就不一样了。
Q2：AI 时代的研究习惯与青年科研者的出路？
主持人： 你之前说未来 5 — 10 年，AI 会从工具变成队友。刚才你谈 AI for Science 的时候也提到，它已经不只是工具了，在研究里扮演着很重要的角色。所以问题有两个：第一，在 AI 时代做研究，我们要改变过去的哪些研究习惯？第二，如果很多研究工作都能被 AI 替代，青年科学工作者还能做什么？
姚期智： 第一个问题，怎么用 AI，其实和你所在的领域高度相关。有些行业，按 AI 现在的能力已经几乎能取代人类了，那你没必要挣扎。但不管你在哪个行业，对待 AI 最核心的认知是，你要衡量在这个领域里，哪些工作是 AI 做不到的，然后去充实自己在这方面的能力。
主持人： 根据你的观察，哪些工作是 AI 暂时替代不了的？
姚期智： 举个例子，至少在可见的未来，AI 替代不了像我这样的人，或者像范·霍文这样的人——你们觉得我举的例子要求太高了？至于 AI 能不能达到这个程度，现在不好说，但如果给它 30 年，说不定可以。
我们拿大家马上能用到的场景举例，那就是写代码。这向来是一份体面的工作，需要一定的技能。但过去一两年里，AI 写代码的能力越来越强，以后到底还有多少层级的系统开发工作需要人工完成，边界在哪里，真的不好说。但可以断言的是，比较初级的编码工作以后肯定会消失。
其实美国那边已经能看到这个趋势了，谷歌、苹果这些公司最近一波一波裁员，嘴上说是组织重构，本质上是 AI 能力提升，他们可以优化整个工作流程了。这种现象未来会出现在每个行业里，哪怕是做研究的，未来两三年就会面临翻天覆地的变化。
到时候，你的能力不再是传统的 “掌握基础知识 + 独立思考”，而是 “你 + 你用的 AI 工具” 组成的团队的能力，你的竞争对象是别的团队，而不是你个人。你可能是带着一个学生加一堆机器，也可能是教授带着团队加一堆机器，整个模式会变成团队协作。
不过在这个过程中，人的关系依然非常重要，因为至少可见的未来，AI 还没有能力产生特别抽象的观念。最优秀的科学家解决问题时，看到现象后能抽象问题、创造新概念，这方面 AI 现在还做得不够好。所以你刚才问人要提升什么能力，就是要学会看到事情背后的逻辑，能把核心问题提炼出来。
Q3：怎么看 AI 的"幻觉”？
主持人： 不同学者对 AI"幻觉"的定义和看法不一样，有人认为幻觉代表机器有创造力，也有人觉得幻觉是 AI 的缺陷，你怎么看？
姚期智： 从我的感受来说，我们评价 AI 的时候，不要把它过度理想化。你想要它做有创造力的事，就得拿人来比，但人也会有幻觉，很多艺术家都有幻觉，在 “胡说八道” 和 “一本正经的创造” 之间的边界，本来就很难区分，所以不用对 AI 的幻觉太紧张。
本质上，不要把现在的 AI 当成完美的计算机，要把它当成合作伙伴，合作伙伴也会犯错，机器当然也会出错，你需要做的是有办法过滤这些错误。这其实就是未来人和 AI 相处的态度：尊重它，把它当成一个平等的伙伴，同时也要警惕它的错误。
但人和机器的关系不是我的专业领域，这是社会学家、哲学家、伦理学家关心的事。如果和机器走得太近，确实会有问题，如果你完全崇拜机器，就会失去自我。
主持人： 你和机器打交道这么久，你会崇拜机器吗？
姚期智： 我经常被它吓到。看到它最近能解决那么多深层次的问题，你会觉得它好像真的有思想。
主持人： 当你被它吓到的时候，有没有想过一个哲学问题：我自己造出了一个把我吓倒的对象，你会从此收手吗？
姚期智： 不会。这其实是科学家的态度，你听到别人做出了很棒的成果，一开始可能会被震撼到，但你的态度应该是拥抱它、欣赏它的美，然后向它学习。我们对机器也应该有这种平常心。
Q4：给本科生的建议
主持人： 接下来这个问题来自一位本科生，他立志从事 AI 研究，问本科期间应该培养什么样的思维习惯、学术品格，才能在未来提出好的问题，像你说的那样抽象出核心逻辑，做好研究。你在姚班有多年的经验，能不能给年轻人一些建议？
姚期智： 学术品格最核心的一点就是 “真"，不能造假，不要逃避，要直面问题，要做好训练，把物理、数学、计算机的基础打牢。这类学科特别注重底层逻辑，尤其是物理学，你能看到科学里最深奥、最完善的逻辑，知道什么样的工作是真正的好工作。
除此之外，我觉得人不能完全剥离人性，还是要有一点艺术修养，读一点名人传记，会欣赏音乐。我给年轻人最真诚的建议是，现在大家温饱都没问题了，好好工作，未来衣食不愁，人最难得的其实是获得内心的喜悦，就像小时候第一次拿到父母给的巧克力、看到小玩具、摸到小猫的那种喜悦。
长大后做科学家，证明了一个定理、发现了一个新现象，心里的那种成就感，不是为了别的，就是纯粹的喜悦。怎么保持这份天性，是很重要也很难的事。我一辈子在学校里，比较容易保持，但在普通工作岗位上确实不容易，但一定要记得提醒自己：人生到最后，你的成绩单上写的，是你经历过多少这样的喜悦，感受到多少快乐。
主持人： 如果他说，我在实验室感到的快乐，不如出去创业开公司感到的快乐，怎么办？
姚期智： 非常好啊！这个世界需要各式各样的人，不仅能让社会更富足，也能让世界更有趣。
Q5：量子 AI 何时到来？会带来什么改变？
主持人： 最后的问题分两部分，第一，你预测的量子 AI 时代什么时候能真正到来？第二，如果真的到来了，会给世界带来怎样的变化？
姚期智： 其实现在已经开始了。看量子计算机这 40 年的发展，我们已经处在起步阶段了。至于什么时候能有大的突破，就像 AI 的突破，完全超出了专家的预料，量子 AI 也一样，很难精准预测时间点。
主持人： 如果它真的突破了，最可能带来的巨大改变是什么？
姚期智： 有一点是肯定会发生的，就是费曼当初提出量子计算机的原因：整个物理世界是由量子力学规律决定的，经典物理的规律我们用普通电子计算机就能很好地模拟，所以不管是设计大飞机还是解决各类经典物理问题，计算机模拟都够用了。但量子力学的规律，用普通计算机是模拟不了的，可能算几千年几万年都算不出来。但费曼说，如果你造出了量子计算机，原则上就能求解量子力学的方程。
这意味着很多我们现在做不到的事会变得可能，比如现在大家都在找常温超导材料，我们虽然有公式，但没法验证它。有了量子计算机，这些都不是问题。所以一旦量子计算机发展到和普通经典计算机一样的普及程度，它在新材料研发、药物研发等领域，就能从第一性原理出发，给出最正确、最优的思路。
现在 AI 也在做这些事，但它不是从第一性原理出发，更像是在 “猜”。它看到某些特性，推测如果是 AI 问题该怎么处理，现在很多药物筛选的结果已经非常惊人，我看了都觉得不可思议，怎么会随便试就能达到这么好的效果？但量子计算机的好处是，它不仅比现在的 AI 做得更好，而且有严格的边界，因为它是从第一性原理来的。 到那时候，我们真的能实现爱因斯坦那代科学家的梦想。
Q6：我们准备好了吗？
主持人： 最后问个简单直接的问题：面对这个扑面而来的时代，我们都准备好了吗？是准备好了，还是没准备好？
姚期智： 我觉得准备好了。
—— · END · ——