編輯部 整理自 MEET2026
量子位 | 公眾號 QbitAI

涌現，AI沙場如今兵家爭鋒所期待出現的「境界」。

自從Scaling Law為模型帶來驚人的能力增長后，幾乎所有模型廠商都被卷入了一場無止境的FOMO，沒人敢停下來。

我覺得大模型最有魅力的地方，在于它是非線性變化，代表著極大的不確定性，但一旦出現性能涌現就將遠超想象。

在量子位MEET2026智能未來大會上，清華大學人工智能研究院常務副院長，歐洲科學院外籍院士孫茂松如此感慨。

只要算力還能堆、參數還能漲，就不能停止燒錢。

然而，在Scaling的邊際成本越來越高的背景下，萬一最后發現這是條死胡同，投入全打水漂了怎么辦？

孫茂松的建議是，可以「致廣大」，但更要「盡精微」。

就企業界而言，少數實力極其雄厚的團隊，可以嘗試在「致廣大」方向上繼續跟隨國際前沿；但絕大多數AI公司，都應該把主要精力放在「盡精微」上。

為了完整呈現孫茂松的思考，在不改變原意的基礎上，量子位對演講內容進行了整理編輯，希望能提供新的視角與洞察。

MEET2026智能未來大會是由量子位主辦的行業峰會，近30位產業代表與會討論。線下參會觀眾近1500人，線上直播觀眾350萬+，獲得了主流媒體的廣泛關注與報道。

核心觀點梳理

當模型規模、數據規模持續增大時，可能會出現能力涌現。這種高度非線性變化所帶來的不確定性體現了大模型最有魅力之處。預計未來幾年，有標準答案的人類最難考試可能也難不住機器。當下大模型和具身智能面臨的本質挑戰在于——如何理順「言、知、行」的關系，讓機器真正實現「知行合一」。這個問題的「求解」，非常困難，關涉AI的重大理論和基礎方法創新。Scaling Laws到底能走多遠，具有相當的不確定性。任何信息系統發展到一定階段通常就會呈現趨于飽和的傾向。不過，一旦出現了新的涌現現象，又能打破這種飽和。所以國內仍需有少量頂級團隊緊跟全球前沿發展，探索Scaling極限。未來幾年內，人形機器人要進入通用開放環境自主進行較為復雜的工作幾乎是不可能的。應立足于在盡可能多的特定真實場景或真實任務上實現AI應用「星火燎原」式的落地發展。這是完全可能的（但機器人不一定是人形），也應該是絕大多數企業應下大力氣去做的。
以下是孫茂松的演講全文：

突飛猛進的八年

我演講的題目是《生成式AI和大模型：前沿態勢、核心挑戰及發展路徑》。坦率說，這個題目不太好講，全世界都在講這個問題，我講講自己的一些粗淺的認識。

基于深度學習的AI，在2017年前后進入了預訓練模型和大模型時代。到現在，只花了8年時間。

這8年里有幾個比較關鍵的時間節點：

2020年GPT-3發布，距今大約5年；ChatGPT發布至今約3年；DeepSeek出現，也才剛滿1年。

這8年走過了好幾重天，應了一句古話——「茍日新、日日新、又日新」，這基本就是這幾年大模型發展的常態。

特別是最近幾年，通過長思維鏈，大模型解決復雜任務的能力急劇上升，呈現出千帆競發的態勢。

我們為什么對大模型這么癡迷？它最重要的特點是：當模型越來越大，數據量越來越大時，普遍會產生能力涌現，這是過去模型所沒有的。

一旦出現能力涌現，就變成了一個非線性變化，不知道從哪就一下拐上去了。

如果你去做一件事沒有產生性能涌現，可能就平淡無奇。可一旦產生了涌現，可能就把你的競爭對手遠遠甩在后面。而這件事能不能發生，又無法提前知道。這是大模型最有魅力也頗令人困惑的地方。

這幾年的發展進展很快，像文本大模型、圖文大模型，幾乎把所有Benchmark都踏平了。

有個叫作「Humanity’s Last Exam」的測試集（即所謂「人類最后的考試」），為了考住AI，到全世界征集難題，要以前沒出過、在網上沒有答案的。

頂尖高手做這種題，可能拿5分就不錯，但是現在大模型，能拿到三四十分。

可以預期，未來幾年一切有標準答案的考試可能都難不住機器了，這是文本大模型的發展情況。

代碼大模型的發展同樣迅猛，今年的世界大學生程序競賽，人類第一名已經做不過大模型了。此外，對多模態大模型的亮眼表現大家也都多有領教。

總體來看，文本、代碼、多模態這幾類大模型，已經發展到一個相當高的基礎能力水平，這構成了我們今天討論AI的「基本態勢」。

在《思考，快與慢》一書中，Daniel Kahneman提出了著名的系統一（快系統）和系統二（慢系統）

經過這幾年的發展，機器已經有了相當強的系統一和系統二的能力，這為AI走出文本世界、走向具身智能，奠定了非常重要的基礎。特別是如果沒有系統一的感知能力，機器進入現實世界后會「懵頭懵腦」，什么也做不了。

我們常提到1950年的圖靈測試。在語言層面，已經可以認為通過了圖靈測試。

但在同一時期，控制論之父維納在《控制論》中提出過一個同樣重要的觀點：

機器想具有智能，一定要讓它走到現實世界去，它能夠感知這個世界，能和世界打交道，在反饋中得到獎勵或懲罰，并據此不斷自我調整、自我學習。在這個過程中，才可能形成真正的智能。

今天看來，我們有了一定的條件去踐行維納的控制論，這會讓AI再上一個臺階。

古話講「言易行難」，陸游有句詩叫「紙上得來終覺淺，絕知此事要躬行」。

語言模型很擅長「言」，但一旦走到「行」，會有一個質的差異。

同時還有一句古話叫作「知難行易」。

大模型現在雖然「言」得很行，全世界知識好像都被參數化裝進模型了，但它的「知」仍然是不完整的、不體系化的，缺乏自知之明。

如果完全沒有「知」，「行」是沒有意義的。

不過，雖然大模型的「知」并不完善，但畢竟七八成的「知」他知道了。所以現在做具身智能，有可能追求「知行合一」。

當然，「從「言」到「知」要難得多。這就構成了今天AI最大的挑戰——怎么處理好「言、行、知」，做到「知行合一」？

AI的巨大投入讓華爾街「冒冷汗」，前路充滿挑戰

AI發展是靠Scaling Law，大模型、大數據、大算力。近幾年有新的擴展：預訓練、后訓練、測試時。

但這里有一個前提條件：這個Scaling要起作用。

任何系統到一定階段都會遇到瓶頸。一旦性能開始飽和，Scaling Law就可能失效，再往里投錢，可能就會得不償失。

我剛才特別強調一個點：大模型可能出現涌現，一旦出現涌現，往里砸的錢就砸對了。

但Scaling Law到底能走多遠，這件事是個很大的問號。支撐Scaling的代價極其昂貴，太燒錢，太費電了。

法國《回聲報》（法國經濟類日報之一）11月3日有一篇報道：「AI領域的巨額投資，讓華爾街直冒冷汗。」

華爾街向來是冒熱汗的，能「冒冷汗」，說明這個投入確實太大了。

報道里提到幾個數字：

OpenAI目前的計算能力大約是2GW；計劃到2033年提升125倍，達到250GW；對應的投資規模，可能高達10萬億美元，而這還不包括電力。

大家可以換算一下，一個核反應堆的平均發電能力，還不到1GW。250GW，相當于250個核反應堆。這是一種極其激進的投入，同時也蘊含著很高的風險。

問題在于：我們現在不能不跟，萬一它出現涌現，就又把我們甩到比較遠的后面了。但跟的話，可能又跟不起。

再者具身智能。

李飛飛提出空間智能，本質上就是前面講的「行」，這里面也面臨一個理論和實踐問題，Next Token Prediction到底能走多遠？

文本是完全靠Next Token Prediction做出來的。后來做了各種強化學習，但也是基于這個基礎之上。圖像生成，包括視頻生成，很大程度也是借重這個策略。

這個策略在文本中其實已經近乎完美，雖然還有幻覺，但已經是專家水平的。但到圖像就不那么順手，需要和其他策略配合，視頻生成更難，要生成一個10分鐘邏輯連貫的視頻相當吃力。

再到具身智能，這個東西往下走，是一個大問號。

語言之所以能成功，因為它是線性序列，有「Discrete infinity（離散無限性）」的特點。

比如，apple主要有兩個意思，一個是吃的蘋果，一個是特定公司。其語義指向簡明，詞邊界是清晰的，句子序列又是線性的，Next Token Prediction就非常有效。

但到了圖像就不行了，圖像的比較明確的Token在哪兒不知道，只能搞成一個「補丁」（Patch）

如一個3×3的黑塊，可能是衣服的一部分，也可能是桌面的一角，還可能是屏幕上的一個圖標，語義指向高度不確定。而且沒有整體性，這個黑塊可能由一堆黑色螞蟻組成，也可能是衣服中一個補丁中的一小部分。

到了視頻，從二維變成三維，就更困難。具身是四維，三維空間再加上時間，大千世界、變化無窮，如此復雜的場景靠Next Token Prediction到底能不能做到，不好說。

未來五年之內，指望人形機器人可以到現實世界自主完成較為復雜的開放式任務，我覺得是不可能的。如，構建一個在家庭里能照顧老人的具身機器人？實在是太難了。

圖靈獎得主Hinton最近在討論AI與失業問題時說過一句話：

如果有人建議你去做水管工，不要輕易拒絕這個建議。

這個建議是合理的，AI要具備水管工的能力，還差得很遠。

可能的是什么？

一定是一個比較簡化的任務空間。比如剛才講靈巧手，處理相對單一、簡單的任務。其實要做好也很不容易，但是完全可能的。

因此，具身智一定是在有限的領域，有限的應用，這個發展空間也足夠大。我們要量力而行，知難而進，但進退有度。

我們現在經常說要構建世界模型，但這件事極其困難。目前還沒有太清晰的可行技術路徑。

短期內，依然只能期待Next Token Prediction。但如果沿著這條路走，肯定對算力、數據的要求是數量級提升。

當然，如果再次出現能力涌現，說不定機器人在相對開放任務空間中也能具備更高程度的自由。

「致廣大而盡精微」

目前看來，發展路徑應該是相對明晰的。

美國這邊不用多說。國內也出現了非常有代表性的模型，比如DeepSeek、千問，都做得非常好。從對比圖來看，差距已經不大了。

中國一句古話，叫作「致廣大而盡精微」

「致廣大」，把這個事往大了想，往大了做，這是目前美國典型的做法。

10萬張卡、100萬張卡，未來甚至上億張卡，大手筆，連華爾街都覺得吃力。

但這條路，如果走成了，在某個關鍵節點出現涌現，就有可能形成斷層的領先優勢。

我們如果要沿著這條路去「正面跟」，在工業界，只有極少數國內大廠可能具備條件，但也會比較艱辛。

所以，雖然今天從大模型性能上看中美差距不大，但在「致廣大」這條路上，未來幾年依然存在非常大的不確定性。

在這樣的背景下，我認為國內當前重點抓AI的垂直領域應用，即「盡精微」，應該是一個正確的戰略選擇。

以DeepSeek、千問為代表的開源基座模型已經具備了相當扎實的基礎。在基座之上，深入到各行各業做垂直領域的深度融合，是完全有可能做到世界領先的。

但這同樣很有挑戰，指望直接把現成的大模型拿來用一用就真的管用，是不現實的。

某種情況下，垂直領域本身甚至可能會孕育出新的人工智能算法。從這個意義上講，「盡精微」本身，也是一種「致廣大」

因此，我們的路徑應該是：

少數實力極其雄厚的團隊，可以嘗試在「致廣大」方向上繼續跟隨國際前沿；但絕大多數AI公司，都應該把主要精力放在「盡精微」上。

垂直領域應用具有高度挑戰性，但風險較小，我們有條件做得比美國好。我們的應用場景比較豐富，工業基礎也較好，加上中國人聰明勤勞，都使得我們能在「盡精微」方面取得優勢。

至于「致廣大」的話，其實涉及到整個教育體系能不能培養出0到1的人才，包括回答錢學森之問，那是更復雜的事。沒關系，這幾年不放先放一放，先把「盡精微」做好，然后調過頭做「致廣大」，但得有一只眼緊緊盯著它。

在座各位很多都是做「盡精微」的工作，我覺得非常好，是我們目前應該做的。

以上是我個人的一些觀察和感受，不一定對，謝謝大家！