菠菜平台-十大菠菜平台

前言：第二届大模型前沿技术论坛分为上午场与下午场，上午场包罗三个引导讲话和两场思辨研讨，下午场为大模型前沿进展陈诉会。继首届AI思辨会后人大高瓴教授团体“掐架”，这场Sora思辨会太炸裂！，本届思辨会再次上演“神仙打架”名局面，校内外专家看法交锋、酣畅激辩，既揭示大模型的理性架构与灵感火花，也引领我们窥见AI思想的“星辰大海”，寻找答案，更点亮问题！

2025年10月15日，菠菜平台高瓴人工智能学院主办的第二届大模型前沿技术论坛在立德楼1826陈诉厅顺利举办。明理书院院长杜小勇出席讲座，高瓴人工智能学院执行院长文继荣等校内外十余位教师加入思辨研讨，150余名师生现场参会，聚会会议由刘勇副教授主持。

文继荣在开场致辞中回首了学院举办第二届大模型前沿技术论坛的配景，他指出，当前人工智能与大模型技术生长迅速，对终极目标的差异思考和技术路径的多元看法，正是学术研究的活力所在。期望本次论坛能够汇聚行业智慧，凝聚生长共识，并促进大模型前沿技术的知识普及与交流。

Part1：引导讲话

在第一个引导讲话环节中，魏哲巍教授作了题为“大模型可能是通向AGI的路径”的陈诉。他从四个维度展开探讨：首先通过回首人工智能“三起两落”的生长历程，其次深入剖析了大模型“幻觉”问题的本质与不行制止性，接着基于最新研究结果，展示了探索模型内部事情机制的可能性，对“黑箱”传统认知提出新看法，最后探讨了大模型与符号主义、行为主义等学派的融合潜力。魏哲巍总结指出，虽然AGI生长路径尚不明确，但学界应保持积极探索的态度，在连续思辨与技术创新中推感人工智能生长，正所谓“灰心者永远正确，但乐观者永远前行”。

在第二个引导讲话环节中，许洪腾副教授作了题为“大模型头上的几朵‘乌云’”的陈诉。他指出，尽管大模型技术生长迅猛，但其迈向AGI之路仍面临多重挑战。许洪腾系统梳理了当前学界对大模型的主要质疑：在技术层面，自主演化能力尚未突破，合成数据与强化学习效果存疑；在应用层面，跨模态生成的可控性不足与“幻觉”现象难以制止；在基础架构方面，Transformer架构尚未泛起革命性替代，现有优化器也面临性能瓶颈。他还指出，当前AI研究存在看法泛化而数学基础弱化的倾向，为此他呼吁，学界的未来事情应转向对大模型深条理瓶颈的攻坚。提到大模型是否有真正的创新能力，许洪腾用了一个有趣的比喻：“大模型目前还只有内插的能力，但是因为知识就像《猫和老鼠》中的奶酪一样，充满了小洞，内插的生成结果看起来似乎是外插（真正的创新）。”

在第三个引导讲话环节中，宋睿华副教授作了题为“AI的跃升——用进化的方式看AI”的陈诉。她指出，正如视觉系统的泛起推动了寒武纪生命大发作，当前AI技术的每次突破都如同进化中的“要害突变”，推动着系统能力的跃升。她进一步强调，AI系统可被视为具有生命周期和进化动力的“新型生命形态”，其生长轨迹可能逾越人类的既有想象，呼吁学界以更宏观的进化视角重新审视AI的生长路径，思考“AI是否必须模仿人类”这一基础问题，并指出未来通用人工智能的形态或将远超当前预期。

Part2：思辨环节

议题一：基于数据驱动的大模型技术路线，能否实现AGI？

正方 李崇轩

我方认为，基于数据的大模型技术路线能实现AGI，要害得用生长的眼光看它。大模型已经显露出跨任务的通用性苗头了，它的焦点问题不是要推翻数据驱动，而是得靠注入新范式来把它做得更深。模型是会犯错，但这只是概率问题，可以一直优化。再者，大模型具备强大的模式匹配和演化能力，已经说明正在走向通往AGI的门路上了。

反方 孙浩

谢谢对方辩友对这个辩题的乐观的误解。不外我得说，基于数据大模型技术路线要实现AGI，有两大缺陷：一是概率学习范式缺失知识和因果看法，也不懂真实世界，这是先天不足，基础克服不了；二是数据都快枯竭了，而且就算数据量再涨，也变不出意识、缔造力这些 AGI 的焦点能力，量变到不了质变。

正方 毛佳昕

我认为考虑这个问题需要从界说出发。AGI的焦点是得有通用的问题解决能力，不是说要万能才行。从 AlphaGo、AlphaZero 到现在的 DeepseekR1大模型，生长历程很清楚——靠不停升级的数据驱动范式，人工智能在许多领域里，要到达甚至凌驾人类的通用能力，已经不远了。

反方 曹朝

AGI 的界说是随着技术进步而变化的，人类也不停生长出差异的能力，因此AGI的目标是一个移动靶，就像求极限一样只能无限靠近，也代表着人们对技术未来的无限期待。大模型技术突破的速度有变慢的趋势，GPT-1/2/3和o1有明确的能力突破点，后续许多更新是渐进式增强，数据驱动能否到达AGI要害还得看有哪些新的突破。

正方 朱余韬

首先，人类正在通过不停调整AGI的界说来延缓AGI的到来。其次，现在险些所有AI系统都是基于数据驱动的，这自己就说明这条路径是可行的。人类智能不就是靠吸收、处置惩罚海量数据才泛起的吗？大模型走的也是一样的路。再说“数据枯竭”，这就是个伪命题，是因为另有许多数据没有收罗到，或者没找到合适的存储方式。最后，现在的模型已经能够进行一些创作性的任务，这怎么不是一种缔造力？

反方 黄文炳

基于数据驱动的要领，大模型跟人是有很大区此外。好比自动驾驶、医疗这些要害领域，数据模型靠不住，必须得用规则来补齐。而更深层的问题是数据源有基础瓶颈，再加上统计要领自己有缺陷，确定不了开放的创新目标，没法实现真正的科学突破。

正方 刘超

我得说，人类智能自己就有缺陷，它的焦点是为了生存繁衍，不是为了找最优解。所以AGI不能跟人类进化比，AI的“幻觉”其实是人类名贵的想象力，“黑箱”也不是大问题——人类的大脑自己就是个黑箱。我们讨论AGI的时候，真得跳出把人类当完美范本的误区。

反方 许洪腾

我认为刘老师的看法正好印证了我方的看法。要搞出AGI，应该靠经验驱动，不是数据驱动。大模型架构自己就有毛病，它没有像人脑那样的可塑性，这就限制了影象、泛化等能力，现在的技术路线也没看到突破的迹象。另外，AI技术自己已经有神经网络“死亡”和“繁衍”的进化现象了。

正方 李崇轩

之前反方的许多看法把大模型的技术当成静态的是差池的，我觉得AGI的生长不是线性的，是机械式的，现在的平台期不是终点，未来肯定会有突破。我们该看重 AGI 的实际体现而非运作机理——就像靠高考评判一小我私家一样。反过来，大模型有两个比人类强的地方：一是能无缝学海量跨领域知识，二是没有死亡限制，能一直迭代进化。反方 徐君

AGI连明确的界说都没有，我们没法通过外部行为判断系统到底有没有意识和智能。现在数据驱动的路径有基础缺陷，许多几何伟大的科学发现，都来自人类反直觉的智能和想象。未来我们或许只能搞出一个比现在AI强一点的系统，为了实用就叫它“AGI”，真正的 AGI可能永远都做不出来。

反方总结 许洪腾

我来总结一下我们反方的看法。我认为 AGI是个动态目标，现在依赖的数据驱动和大模型路线存在疑问，它只能被动接收数据，满足不了AGI需要的主动探索能力，也很难转酿成经验驱动的模式。同时大模型架构有局限，没有像人脑那样的可塑性，撑不起AGI需要的学习和泛化能力。最后，前沿科学领域经常数据缺失，现有的数据路线用不了，也没法实现主动探索。

正方总结 王希廷

我来总结一下正方的看法。反方也就敢说实现AGI“存疑”，压根不敢说“不行能”，这正好证明了我们正方说的“技术有潜力”是对的。其次，反方说的“经验驱动”，本质上照旧数据驱动，【在背后的技术路线照旧梯度回传，并不属于全新的路线】。最后，反方只是列泛起有技术的不足，没证明这些挑战靠未来的数据驱动解决不了。历史上那些曾被认为大模型解决不了的问题，最后不照旧靠数据驱动搞定了？所以反方的逻辑少了要害一环，没法证明这条路走不通。

嘉宾 杜小勇教授：作为一名教师，我比力体贴当前人工智能泛起的智能形态，会对人类智力生长发生怎样的影响。我们已形成了从幼儿园到博士生阶段、适配人类智力生长纪律的成熟教育体系。但如果在教育中使用 AI，可能存在隐患。所以我觉得，下次可以把心理学专家和教育学专家也请来辩说，好好分析这个问题。

议题二：数据体现与知识体现在底层逻辑上存在显著差异，在可预计的未来5年内您认为二者能否有效融合？

反方 毛佳昕

什么叫“有效融合”？就拿现在的大模型来说，它能回覆许多问题，看起来似乎懂了，但这能算有效融合吗？显然不是，因为它有“幻觉”，准确率不够。这恰恰证明了当前要领缺陷很大。所以我认为，正是由于知识和数据底层存在难以和谐的冲突，未来五年我看不到完美的解决方案。

正方 孙浩

我差异意你的灰心看法。在科学盘算领域，好比Alphafold、气象预报，已经乐成地把物理定律这些先验知识嵌入到神经网络的设计里，让它和实验数据一起事情，解决了重大问题。这不就是有效的融合吗？虽然在所有领域全面融合有挑战，但现有结果已经指明了门路。在AI生成领域，通过巧妙的设计也能保证物理一致性。所以我认为，五年内完全可以实现有效融合。

反方 毛佳昕

孙浩老师，我可能比力灰心。您说的融合，我认可存在，但那是人类研究者手动、艰辛地把知识“强加”到模型里的。这离我心目中“有效融合”的尺度差得远——我认为的理想状态，应该是AI能自主地完成这个融合历程。如果只是靠人硬凑，那不算真正的底层融合。

正方 孙浩

您这有点偷换看法了。我们的辩题是问“二者能否有效融合”，并没有限定必须是AI自主完成。我们通过设计模型架构和算法，最终实现了知识和数据的融合，获得了能解决问题的强大模型，这自己就是辩题所说的“有效融合”。不能因为现在需要人为设计，就否认融合自己的可能性。

反方 宋睿华

我想强调一个基础点：知识体现是为我们人类存在和服务的，是为了让我们能理解和传承。但机械纷歧定需要这个。就像机械翻译，以前我们总想加入语法知识，厥后发现纯粹数据驱动的大模型反而做得更好。所以我觉得，可能没须要非要把知识体现融合进去，数据体现很可能就会“吃掉”知识体现。

正方 汪云海

宋老师，从人机交互和可视化的角度看，这个问题已经解决了呀,例如学校的决策系统，不就是把学校的规章制度知识和学生的具体数据融合在一起吗？如果你不把主语限定在大模型，融合已经无处不在。纵然是在大模型场景下，像物理神经网络这样的领域，也乐成地把物理知识融合进去了。

反方 徐君

汪老师，我觉得要害问题在于“什么是知识”。您说规章制度是知识，但我认为对盘算机来说，那只是一串字符，是数据。知识应该是那种能被系统理解、应用并用于推理的稳定规则。问题不在于体现层能不能融合，而在于融合后的系统能不能真正“懂”并用好这些知识。我认为这很难，五年内看不到突破。

正方 曹朝

体现的融合得看发生在哪个层面：输入层天然有差异，实属正常；在神经网络内部，一切都被体现成向量，其实已经在底层融合了，这和人类感官信息在脑中的融合很像，一个最好的例子就是编程，编程本质上也是基于规则或编程知识进行的，目前基于大模型已有乐成应用，它就是把高级规则-知识-数据完美融合的“规则引擎”；大模型能力这么强，在上下文这层做融合是完全可行的。

反方 许洪腾

如果知识只是埋在数据里，那不算融合。我认为真正的有效融合，需要系统能主动运用知识。凭据这个高尺度，目前的技术范式惯性很大，五年内恐怕难以泛起能实现这种自主融合的突破性要领。

正方 孙浩

辩题中的“知识体现”应该是指已有的、成体系的知识，例如物理定律，而不是让模型从数据里自己学。我们的任务是如何让这些现有知识和数据融合。几位老师对“知识”自己的理解就有分歧，这反而说明你们的阻挡看法站不住脚。融合是可行且正在发生的。

反方 宋睿华

人类抽象出物理定律，是因为我们大脑算力有限，需要简化模型。但机械没有这个限制，它可以直接从海量数据里学习整个世界庞大的相互作用，好比Sora生成的视频，比我们基于物理定律规则构建的游戏引擎更传神、更连续。所以我们到底是不舍得上千年积累的人类知识，照旧真的需要它？可能让机械用数据驱动的方式自己学，才是更好的路径。

反方总结 毛佳昕

我最后总结一下反方立场。回到辩题本质，这就像是AI生长中的“两条路线”：一条是利用人类知识——短期收效快但天花板低，一条是纯数据驱动——起步慢但潜力大。bitter lesson的启示就是，久远看后者会赢。现在辩题问我们能不能把两条路线的优点结合起来，获得一个“鱼与熊掌兼得”的完美曲线？我认为这极其困难，五年内不行能。目前看来还没有一个有效的要领，因此在五年内实现知识和数据驱动要领的有效融合会很困难。

正方总结 黄文炳

我来总结正方。反方看法其实分两种：一种说“不需要”融合，一种说“很难”融合。我认为这两种看法都差池。知识是客观存在的，不因人类而转移。现在的生成模型例如Sora远未到达真正的“世界模型”，它们生成的内容另有瑕疵，这正是因为缺乏物理规则等知识的深层约束。所以，融合是须要的。通过将知识作为引导或约束，我们完全可以在五年内实现更强大的、能真正理解物理世界的模型。融合不仅是可能的，也是必须的。

嘉宾 刘超教授：从认知科学角度增补如下，通过先天盲人对红色看法的抽象理解案例，说明人脑能有效疏散物理信息感知（如光谱）与抽象知识表征（如“红色”的语义），两者在大脑中由差异区域处置惩罚。这一发现启示AI研究，未来五年虽难完全复现人脑机制，但需探索如何实现类似的多条理、疏散式表征融合，以突破当前模型瓶颈。

文继荣院长在总结中指出，关于AGI的界说应被视为一个动态演进的历程，而非僵化界定，并强调人类不停提升的期望会连续推动其尺度的变化。他认为，当前以数据驱动为主的技术路径能否实现AGI仍需深入思辨，高瓴人工智能学院将在追寻AGI的门路上继续勠力前行。

Part3：大模型前沿进展陈诉会

马彦彪讲师分享了题为“多模态大模型图文交互理解研究进展与生长”的陈诉。他首先从“感知和认知”两个角度分析了多模态大模型在进行图文交互理解时面临的挑战和难题，然后系统的介绍了当前从感知和认知两个角度解决问题的要领。接着，他展示了多模态大模型在科学问题求解、医学影像解读等领域的应用和进展。最后，他介绍了未来的六个生长偏向，例如图像理解与生成统一范式，隐空间推理等偏向，展望了未来的研究趋势。

李崇轩副教授分享了题为“LLaDA：大语言模型新范式”的陈诉。他首先回首了生成式大模型的生长，并提出大语言模型的良好性质主要来自于生成式建模而非扩散模型的洞察。随后，介绍了构建扩散大语言模型 LLaDA 的技术路线、训练战略，以及 LLaDA 的影响力。最后介绍了扩散大语言模型对齐、多模态、混淆专家架构等领域的前沿进展。

胡迪副教授介绍了其团队在多模态交互大模型方面的近期探索结果。他首先介绍了差异主体间的多种信息交互形式，并在信息论框架下提要解说了如何对模态数据间的差异交互形式进行刻画与准确怀抱。进一步地，他对其中广泛关注的“冗余性”交互下的模态竞争，及其在泛化性和鲁棒性方面的恶化影响进行了介绍，并讲述了相应的解决方案。最后，他介绍了团队近期在面向高质量交互提出的全新多模态大模型微调范式MokA，并讨论和展望了未来多模态交互大模型的若干问题与期待。

许洪腾副教授分享了题为“抗遗忘、抗冲突的大模型高效适配技术”的陈诉。他首先回首了课题组在弥合低秩适配（LoRA）和正交微调（OFT）两种技术路线上的探索，介绍了基于Householder变换的适配要领HRA，进而引发了对保持模型列空间的重要性的思考。在HRA的基础之上，他进一步介绍了以矩阵SVD剖析为焦点的大模型“MoE化”要领MoORE。该要领通过保持模型列空间稳定和保持专家网络正交性，增强大模型在多任务适配场景下的抗冲突、抗遗忘特性。最后，他介绍了对多任务场景下模型微和谐可塑性方面的思考。

刘勇副教授分享了题为“大模型机制分析”的陈诉。首先介绍了大模型机制分析中存在的问题，然后从信息令牌的角度分析了大模型推理中存在的信息峰值的现象。最后从能量优化的角度分析了Transformer前向学习历程。

结语：论坛结束后，与会专家们意犹未尽，关于大模型前沿技术的研讨仍在继续。期待下一次AI思辨会的精彩泛起。