作者 | 冬梅

人工智能正處于階梯式發(fā)展的平臺期，當(dāng)前研究路徑的收益正在收斂，下一次躍遷需要全新的范式突破。與此同時，產(chǎn)業(yè)應(yīng)用正在加速成熟，2026 年有望成為 Agent 大規(guī)模落地的關(guān)鍵之年。

昨晚，OpenAI 與 Anthropic 幾乎在同一時間拋出了各自最新的模型更新——OpenAI Codex 5.3與Claude 4.6。沒有發(fā)布會轟鳴，也沒有顛覆式敘事，但在開發(fā)者社區(qū)和產(chǎn)業(yè)側(cè)，這兩次更新仍被迅速解讀為一個清晰信號：大模型能力正在逼近一個階段性的上限，而行業(yè)正在集體尋找新的突破口。

如果用一個詞來形容 2025 年的人工智能行業(yè)，那就是“臨界”。一方面，大模型的通用能力已達(dá)到較高水平，在語言理解、推理、代碼生成等維度上正在逼近甚至超過人類專家水準(zhǔn)；另一方面，沿著既有路徑繼續(xù)堆疊規(guī)模與算力，邊際收益正在迅速收斂。技術(shù)并未停滯，但“下一次質(zhì)變從何而來”，正在成為整個行業(yè)共同面對的問題。

下一代范式突破的方向是什么？中美競爭的真正差距在哪里？Agent 如何從概念走向真正的產(chǎn)業(yè)落地？這些追問貫穿整個行業(yè)，而在 2026 年，它們變得無法回避。

近期，帶著這些問題我們與中關(guān)村人工智能研究院副院長 & 北京中關(guān)村學(xué)院副教授（以下簡稱“中關(guān)村兩院”）鄭書新進行了一次深度訪談。鄭書新認(rèn)為，人工智能正處于階梯式躍遷的平臺期，下一次躍遷需要全新的范式突破。他同時指出，當(dāng)前中美競爭的核心差距不在技術(shù)路線，而在高質(zhì)量數(shù)據(jù)和算力資源。

在產(chǎn)業(yè)側(cè)，鄭書新認(rèn)為技術(shù)突破與產(chǎn)業(yè)普及之間始終存在時間差，這是歷史常態(tài)而非失敗。就像蒸汽機的發(fā)明并不會立刻帶來工業(yè)革命的大規(guī)模落地，AI 能力要轉(zhuǎn)化為大規(guī)模應(yīng)用，同樣依賴配套系統(tǒng)與產(chǎn)品形態(tài)的逐步成熟。在他看來，2026 年將是 Agent 在真實場景中集中落地的一年，而 Coding Agent 等新范式也正在重塑傳統(tǒng)軟件開發(fā)的基本邏輯。

以下為訪談實錄，經(jīng)由 InfoQ 編輯及整理：

開場：個人介紹與研究背景

InfoQ：您在 AI 領(lǐng)域深耕多年，能否和我們分享一下您的研究歷程和主要工作？

鄭書新：我從十多年前開始接觸人工智能，一直深耕大模型領(lǐng)域。早期專注于大規(guī)模分布式優(yōu)化，搭建了當(dāng)時微軟最大的異步分布式訓(xùn)練系統(tǒng)。此后轉(zhuǎn)向大語言模型研究，提出了 Pre-LN 等訓(xùn)練優(yōu)化與架構(gòu)改進方法，將模型訓(xùn)練效率提升了約一個數(shù)量級。這些成果后來被主流大模型廣泛采用（如 OpenAI 開源模型 gpt-oss 等）。

在通用模型與方法研究階段，我提出的 Graphormer 架構(gòu)，現(xiàn)在是圖（Graph）學(xué)習(xí)領(lǐng)域的主流基座模型之一。近期，我致力于將大模型與生成式 AI 技術(shù)引入科學(xué)發(fā)現(xiàn)領(lǐng)域，提出的分子平衡分布預(yù)測框架突破了傳統(tǒng)生物分子模擬的瓶頸，將分子動力學(xué)模擬效率提升數(shù)十萬倍，相關(guān)成果發(fā)表于《Science》封面及《Nature Machine Intelligence》等頂級期刊。

2024 年底，我加入中關(guān)村兩院，現(xiàn)任學(xué)院副教授、研究院副院長，在 AI 基礎(chǔ)學(xué)部負(fù)責(zé)大模型方向的研究與戰(zhàn)略布局。

InfoQ：您剛才提到目前在中關(guān)村兩院 AI 基礎(chǔ)學(xué)部負(fù)責(zé)大模型方向的研究。中關(guān)村兩院肩負(fù)著北京乃至國家 AI 創(chuàng)新生態(tài)建設(shè)的使命，能否介紹一下兩院的核心定位？AI 基礎(chǔ)學(xué)部在其中扮演怎樣的角色？

鄭書新：北京中關(guān)村學(xué)院與中關(guān)村人工智能研究院是一體兩面，融合發(fā)展，是教育科技人才一體化的新嘗試，是新型研發(fā)機構(gòu)的二次方。北京中關(guān)村學(xué)院肩負(fù)著培養(yǎng)人工智能領(lǐng)軍人才的重要使命，是國家教育、科技、人才一體化改革的"試驗田"。中關(guān)村人工智能研究院與中關(guān)村學(xué)院共同開展面向未來、具有產(chǎn)業(yè)價值、顛覆性的人工智能技術(shù)研發(fā)及成果產(chǎn)業(yè)化落地。

AI 基礎(chǔ)學(xué)部在這個框架下承擔(dān)具體的技術(shù)攻關(guān)和方向布局，我們的戰(zhàn)略目標(biāo)是補全 AGI 下半場的關(guān)鍵拼圖，在產(chǎn)業(yè)上輸出能真正重塑行業(yè)邏輯的核心變量，在人才上培養(yǎng)兼具工程能力與科學(xué)直覺的領(lǐng)軍人才。

AI 整體發(fā)展 Overview

InfoQ：站在 2026 年初這個時間節(jié)點，您認(rèn)為當(dāng)前中國 AI 發(fā)展最需要解決的關(guān)鍵問題是什么？

鄭書新：AI 發(fā)展正處在階梯式躍遷的平臺期，沿著現(xiàn)有技術(shù)路徑的邊際收益在遞減，需要找到下一代突破方向。同時， AI 本身也有兩個特征：它是根植于產(chǎn)業(yè)的技術(shù)；并且，這場博弈有明確的時間窗口，很有可能在 3-5 年內(nèi)見分曉。

基于這些判斷，我認(rèn)為當(dāng)前有兩個核心問題需要關(guān)注。第一是戰(zhàn)略層面：這場范式競爭的背后是中美科技博弈，我們?nèi)绾螤幦∠仁?、發(fā)展自主生態(tài)。第二是應(yīng)用層面：AI 如何真正拉動 GDP，實現(xiàn)高質(zhì)量發(fā)展?，F(xiàn)在 AI 的行業(yè)滲透率已經(jīng)很高，但對 GDP 的實際貢獻(xiàn)還很有限。

AI 技術(shù)發(fā)展現(xiàn)狀

InfoQ：您剛才提到技術(shù)上的關(guān)鍵問題是中美技術(shù)博弈中爭取先手。能否展開談?wù)劊绾慰创?dāng)前 AI 技術(shù)的發(fā)展階段？下一代技術(shù)突破的方向會是什么？

鄭書新：人工智能的發(fā)展遵循"階梯式躍遷"的規(guī)律。最近一次重大躍遷是 GPT 帶來的規(guī)模定律。但現(xiàn)在，智能性提升進入平臺期，沿著現(xiàn)有技術(shù)路徑的收益在遞減，近期已經(jīng)有多個跡象有所印證。其一，預(yù)訓(xùn)練范式遇到瓶頸。規(guī)模定律的紅利趨近耗竭，可用于模型訓(xùn)練的互聯(lián)網(wǎng)高質(zhì)量數(shù)據(jù)見頂，繼續(xù)擴大模型規(guī)模的邊際收益顯著下降。其二，后訓(xùn)練范式同樣存在局限。當(dāng)前業(yè)界普遍轉(zhuǎn)向精細(xì)化的獎勵函數(shù)設(shè)計，獎勵函數(shù)的設(shè)計復(fù)雜度已經(jīng)堪比當(dāng)年的特征工程，本質(zhì)上是在既定框架內(nèi)反復(fù)調(diào)優(yōu)。Meta 近期發(fā)布的研究也表明，后訓(xùn)練的增量空間可能比預(yù)期更有限。如果“Less Structure, More Intelligence”成立，那么現(xiàn)有策略能否一路帶領(lǐng)我們通向 AGI，坦率說是存疑的。

那么，下一代突破的方向是什么？可能是針對本代 AI 范式的缺點進行改進、尋找突破口，例如突破記憶與持續(xù)學(xué)習(xí)的瓶頸、打通經(jīng)驗學(xué)習(xí)（Learning from Experience）和自我博弈（Self-Play）的路徑、提高長上下文支持能力、探索動態(tài)數(shù)據(jù)的新訓(xùn)練方法等。但也有可能需要探索全新的技術(shù)范式，例如受神經(jīng)科學(xué)啟發(fā)的軟硬件結(jié)合架構(gòu)、新的數(shù)據(jù)來源、離散 Diffusion 等新的建模方式、以及新的智能性理論與獎勵函數(shù)設(shè)計等。然而，下一代探索是高風(fēng)險、長周期的，對商業(yè)公司而言往往優(yōu)先級較低，畢竟它們需要兼顧短期業(yè)績和股東回報；而多數(shù)高校雖有學(xué)術(shù)自由度，但在算力和工程資源上存在現(xiàn)實約束。正因如此，中關(guān)村兩院希望在這個時點帶發(fā)揮獨特作用，做難而正確的事情，沿現(xiàn)有路線突破和全新范式探索兩個方向布局。

InfoQ：2025 年 Agent 很火，有人把 Agent 理解為大模型的應(yīng)用層封裝，有人把它理解為落地的應(yīng)用形式。您如何看待當(dāng)前 AI Agent 的發(fā)展現(xiàn)狀？

鄭書新：大家普遍把 Agent 理解為技術(shù)上的研究領(lǐng)域，或是一種落地的應(yīng)用形式。但在我看來，Agent 就是基座模型，是當(dāng)前業(yè)界押注智能性提升的主要技術(shù)路線。

為什么這么說？預(yù)訓(xùn)練 Scaling Law 邊際效益遞減的根本原因在于互聯(lián)網(wǎng)高質(zhì)量數(shù)據(jù)已接近上限。現(xiàn)在的核心解法之一就是找新的數(shù)據(jù)來源——合成數(shù)據(jù)，它的本質(zhì)是搜索，在超高維的語言空間中使用預(yù)訓(xùn)練好的大模型去發(fā)現(xiàn)新的有價值數(shù)據(jù)，依托這些合成數(shù)據(jù)來進一步提升模型的性能。以 o1 為代表的推理模型，就是通過搜索和強化學(xué)習(xí)在語言空間中生成高質(zhì)量的思維鏈數(shù)據(jù)；而 Agent 進一步擴展了搜索空間的邊界，與環(huán)境交互并調(diào)用工具，發(fā)現(xiàn)全新的高價值數(shù)據(jù)，可能存在新的 Scaling Law。

InfoQ：在 2026 年，您認(rèn)為 AI Agent 領(lǐng)域最值得期待的技術(shù)突破點是什么？

鄭書新：類似整個 AI 領(lǐng)域的進展方向，我期待的一是改進現(xiàn)有范式的短板，二是新的訓(xùn)練范式。

在現(xiàn)有范式的改進上，有幾個方向值得關(guān)注。首先是運行時學(xué)習(xí)（Runtime Learning），讓智能體能夠在運行過程中持續(xù)學(xué)習(xí)和改進，而不只是依賴預(yù)訓(xùn)練階段的能力。其次是記憶機制，Agent 需要在長周期任務(wù)中保持上下文連貫，有效地存儲和調(diào)用歷史信息。此外，幻覺與可靠性、下一代評測方法、智能體系統(tǒng)的整體可用性與智能性等也是關(guān)鍵課題。

在新范式的探索上，自我迭代的訓(xùn)練方式，以及內(nèi)在動機（Intrinsic Motivation）驅(qū)動的獎勵機制，都可能為 Agent 帶來階躍式的突破。

這些也是中關(guān)村兩院大模型領(lǐng)域的重點布局方向。

InfoQ：相比國外，您認(rèn)為國內(nèi)在 AI 研究方面最大的優(yōu)勢和短板分別是什么？在全球 AI 競爭中，我們最需要補上的“關(guān)鍵一課”是什么？

鄭書新：中國擁有龐大的人才基數(shù)和深厚的數(shù)理傳統(tǒng)，大量工程師具備扎實的數(shù)學(xué)功底和出色的工程落地能力。與此同時，中國的產(chǎn)業(yè)門類齊全、應(yīng)用場景豐富、市場規(guī)模龐大，這種獨特的生態(tài)為 AI 落地提供了天然的試驗田，也孕育了極強的產(chǎn)品化能力。

再說短板，目前核心有兩點：

第一點是數(shù)據(jù)。目前中美技術(shù)路線上已經(jīng)趨于透明，國內(nèi)頭部大廠和美國最大的差距就是數(shù)據(jù)，這是大模型智能性提升的主要來源。美國正在系統(tǒng)性地采集長程、復(fù)雜、高難度的專業(yè)級數(shù)據(jù)，這類數(shù)據(jù)的特點是推理鏈條長、多輪交互、涉及多種工具調(diào)用，單條價值可達(dá)上千美金。這也是 OpenAI 等公司研發(fā)的重點，目前已經(jīng)有專門的公司在幫大廠收集編程、金融、法律、咨詢等領(lǐng)域的專家級知識和數(shù)據(jù)，可以預(yù)見 2026 年在這些專業(yè)領(lǐng)域會有顯著突破。我們在這方面還比較欠缺。

第二點是算力。我認(rèn)為算力是智能性提升的第一性原理——科學(xué)的進步依賴多樣性的探索，而多樣性的探索依賴充足的算力。但目前我們在這方面面臨不少挑戰(zhàn)：一是芯片本身的性能受限，二是大規(guī)模組網(wǎng)能力有待提升。據(jù)傳美國 xAI 已經(jīng)有 80 萬張 H100 級別的集群，而國內(nèi)頭部的"六小龍"基本還在 5 萬張上下。在這種情況下，對我們的要求就更高了——需要特別巧妙精細(xì)的設(shè)計，省著用，才能做出東西；但美國目前可以進行大規(guī)模、多方向的并行探索。

AI 產(chǎn)業(yè)現(xiàn)狀

InfoQ：您之前提到，產(chǎn)業(yè)上目前的問題是行業(yè)滲透率高，但對 GDP 的實際拉動效益還很有限。從整個 AI 領(lǐng)域來看，您認(rèn)為產(chǎn)業(yè)真正的爆發(fā)拐點會在什么時候到來？

鄭書新：現(xiàn)在確實面臨技術(shù)跑在前面的情況，即模型能力已經(jīng)在很多領(lǐng)域達(dá)到“博士級別”智能，但在產(chǎn)業(yè)端體感還比較弱，對 GDP 拉動有限。不過這是正常的，因為技術(shù)研發(fā)和產(chǎn)業(yè)落地之間存在時間差。

打個比方，蒸汽機的出現(xiàn)是一場動力革命——它重新定義了制造業(yè)、交通、能源等幾乎所有行業(yè)。但從瓦特改良蒸汽機到工業(yè)革命全面鋪開，中間隔了幾十年，因為需要鐵路、工廠、煤炭供應(yīng)鏈等一整套配套系統(tǒng)逐步成型。AI 也正處在類似的階段：核心的"動力源"已經(jīng)出現(xiàn)，但要真正重塑產(chǎn)業(yè)，還需要數(shù)據(jù)基礎(chǔ)設(shè)施、工程化工具鏈、行業(yè) know-how 的深度融合。不同的是，這一輪的節(jié)奏會快得多，可能幾年而不是幾十年。

事實上，這個進程已經(jīng)在加速。2025 年 Agent 的突破是一個縮影——更廣泛地看，AI 已經(jīng)在各行各業(yè)開始滲透，很多場景不需要"博士級"智能，關(guān)鍵是被打磨成真正可用的產(chǎn)品。

我的判斷是，2026 年會是 AI 產(chǎn)業(yè)落地的關(guān)鍵一年。一方面，Agent、Coding Agent 等產(chǎn)品形態(tài)會讓更多用戶在工作和生活中真正用上 AI；另一方面，垂直行業(yè)的 AI 應(yīng)用也在快速成熟，一級市場已經(jīng)有大量公司在做得不錯的公司。

尤其值得關(guān)注的是白領(lǐng)和知識工作者群體。當(dāng)前模型在多學(xué)科領(lǐng)域已經(jīng)接近博士級智能，法律、金融、咨詢、研究等領(lǐng)域有望率先釋放生產(chǎn)力紅利，AI 對 GDP 的拉動很可能從這里開始。

InfoQ：Coding Agent 是當(dāng)前討論的熱門方向，您怎么看？

鄭書新：Coding Agent 正在顛覆傳統(tǒng)軟件開發(fā)的范式。過去的邏輯是一個團隊精心打磨 3 個產(chǎn)品，最后可能有 1 個成功；現(xiàn)在借助 Coding Agent，個體就能快速開發(fā) 100 個產(chǎn)品，成功的概率和路徑都被徹底改變了。

我自己每天都在用 Codex 這些工具，經(jīng)常多個任務(wù)并行。此刻我的電腦上就同時跑著 4 個 Codex Agent，幫我完成各種任務(wù)。很多以前停留在想法階段的項目，現(xiàn)在都能快速變成可運行的產(chǎn)品。

更讓我興奮的是，這種能力可以快速復(fù)制給零基礎(chǔ)的人。我在北京中關(guān)村學(xué)院開了門 AI Agent 編程課程，宗旨都是“零幀起手手寫代碼”。大約半個月前，斯坦福也開出一門類似課程，理念是“全程不寫一行代碼”，和我不謀而合。

課程只有四個半天，學(xué)生來自物理、材料、金融等各專業(yè)，很多人零編程基礎(chǔ)。但結(jié)課時，所有小組都拿出了可運行的 Demo：有人把 Deep Research 做成了“帶事實核查的 Deep Research”；有人把語音對話 GPT 改造成"帶快慢雙系統(tǒng)的版本"——快系統(tǒng)負(fù)責(zé)即時回應(yīng)，慢系統(tǒng)在后臺深度推理，最后融合呈現(xiàn)。零基礎(chǔ)、跨背景，四個半天就能獨立做出產(chǎn)品，這在以前是不可想象的，也是 Coding Agent 帶來的價值。

InfoQ：在您看來，有哪些公司或產(chǎn)品在 Agent 領(lǐng)域做得比較出色？

鄭書新：現(xiàn)在這個領(lǐng)域非?；钴S，Agent 的發(fā)展正在從“對話”向“辦事”演進。如果說去年大家還在討論概念，今年我們已經(jīng)看到了很多能真正提高生產(chǎn)力的落地案例。

比如當(dāng)下非常熱門的幾個產(chǎn)品，它們的共性在于：深度接管系統(tǒng)與文件，自主規(guī)劃、異步執(zhí)行、完成任務(wù)。如開源的 Clawdbot 被稱為“AI Jarvis”；Anthropic 的 Claude Cowork 實現(xiàn)了從“對話助手”到“數(shù)字同事”的跨越。

Coding Agent 是目前落地最快的方向之一。海外的 Cursor、Claude Code 已成為開發(fā)者標(biāo)配；國內(nèi)方面，Kimi K2.5 作為 Agentic 模型表現(xiàn)亮眼，基座模型中 GLM-4.7 領(lǐng)先，DeepSeek-V3.2、Qwen3、MiniMax-M2.1 也都不錯。

InfoQ：您剛才提到了一些 Agent 應(yīng)用產(chǎn)品，也提到了一些基座模型廠商。這其實涉及到行業(yè)里一個持續(xù)討論的話題：通用大模型是否只是大廠之間的游戲？之前有嘉賓認(rèn)為，通用大模型需要耗費大量人力物力財力，應(yīng)該留給大廠去做，其他廠商可以在垂域模型中尋找生存空間。對此您怎么看？

鄭書新：如果討論的是大語言模型，我傾向于認(rèn)為所謂的“生存空間”其實更多是“講故事的空間”。

通用大模型的發(fā)展已經(jīng)非常成熟，以最近發(fā)布的模型為例，像 Gemini 3 和 GPT-5.2 Deep Think 版本都非常強大。目前來看，很難找到能在某個領(lǐng)域超越這兩個模型的垂域模型。以法律和教育問題為例，我更傾向于直接使用 GPT-5.2 或 Gemini 3，而不是專門的法律或教育模型。雖然這些通用模型的成本較高，但其性能已經(jīng)非常出色。

如果我要針對某個垂域開發(fā)應(yīng)用，我會直接基于 GPT-5.2 進行開發(fā)，做好用戶界面、數(shù)據(jù)庫和基本范式，而不是自己去研發(fā)垂域模型。這種觀點可能比較極端，但這是基于目前技術(shù)現(xiàn)狀的判斷——垂域模型的生存空間很有限。

InfoQ：但垂域模型廠商會說他們的成本更低，這是否是一個優(yōu)勢？

鄭書新：我覺得這種說法有些本末倒置。首先，模型需要能夠真正解決問題，才能談成本優(yōu)化?，F(xiàn)在很多具身智能公司還在糾結(jié)成本問題，但它們可能都還沒有找準(zhǔn)真正能產(chǎn)生價值的應(yīng)用場景。這種"成本倒置"的思路是不合理的。

科研方向與人才培養(yǎng)

InfoQ：剛才我們聊了很多技術(shù)方向和產(chǎn)業(yè)趨勢，您也提到了不少前沿探索的可能性。能否具體談?wù)勀壳暗目蒲蟹较蚺c布局？您最看好哪個方向，為什么？

鄭書新：我在學(xué)院負(fù)責(zé)大模型方向的研究，團隊并行推進的方向很多，最近的一項工作是讓智能體“預(yù)測未來”。

各行各業(yè)本質(zhì)上都繞不開同一道關(guān)：通過預(yù)測未來輔助科學(xué)決策。這聽起來宏大，不同領(lǐng)域、不同機構(gòu)，都在用各自的方式探索這個方向。比如政府出臺政策前需要預(yù)判市場與社會反饋；企業(yè)制定戰(zhàn)略前需要預(yù)估行業(yè)走勢；金融機構(gòu)甚至用系統(tǒng)去預(yù)測美國大選結(jié)果、下一場球賽誰輸誰贏。

這項工作的核心在于將“信息采集—邏輯推演—仿真模擬”三個環(huán)節(jié)形成閉環(huán)：首先通過智能體全自動打撈全網(wǎng)多模態(tài)開源情報，消除信息差；然后借助大模型的復(fù)雜推理能力進行因果建模和趨勢判斷；最后在虛擬環(huán)境中讓成千上萬個智能體反復(fù)演練，輸出不同時間尺度下的演化曲線與風(fēng)險概率。我們已參加多項國際預(yù)測評測，最好成績?nèi)虻诙?，最新模型正在沖刺第一。把這三個環(huán)節(jié)打通，預(yù)測未來就不再是玄學(xué)，而成為可工程化的科學(xué)決策平臺。

InfoQ：您之前介紹中關(guān)村兩院和 AI 基礎(chǔ)學(xué)部時，特別強調(diào)了人才培養(yǎng)這個維度。在 AI 攻堅克難的過程中，我們需要大量技術(shù)人才。您如何判斷一個年輕人是否具備成為優(yōu)秀科學(xué)家的潛力？在您看來，中國未來的 AI 人才應(yīng)該具備哪三類核心能力？

鄭書新：我去判斷一個人是否有潛力時，會看重三個特質(zhì)：首先是問題意識，他能不能自己發(fā)現(xiàn)問題、定義問題，而不只是等別人給題目；其次是挫折反應(yīng)，科研 99% 的時間是失敗，關(guān)鍵看如何應(yīng)對失??；最后是跨界好奇心，他會不會主動去了解自己領(lǐng)域之外的東西，很多突破來自領(lǐng)域交叉。

優(yōu)秀人才還應(yīng)該具備三類核心能力：一是數(shù)學(xué)和物理的第一性原理思維，這是 AI 時代下更重要的底層能力；二是系統(tǒng)工程能力，能把一個想法從論文變成可運行的系統(tǒng)；三是科學(xué)品味，知道什么問題值得做，這個最難教，但也最重要。

InfoQ：隨著 AI 的普及，我們觀察到一個現(xiàn)象：無論是企事業(yè)單位、高校還是中小學(xué)，大家都在學(xué)習(xí) AI 和編程，但也越來越依賴現(xiàn)成工具——從調(diào)用 API、套模板，到直接使用 AutoML、Copilot 等——而對數(shù)學(xué)基礎(chǔ)、算法原理的關(guān)注反而不足。微軟 CEO 薩提亞·納德拉也曾提到，AI 很重要，但要避免過度依賴。您如何看待這種"工具熟練度高，但科學(xué)基礎(chǔ)薄弱"的趨勢？會擔(dān)心未來的研究者變成"只會調(diào)包、不會創(chuàng)新"嗎？

鄭書新：我的觀點可能稍有不同，我想用一段技術(shù)演進的歷史來解釋這個問題。

最早的程序員需要用“0 和 1”直接跟計算機對話，甚至在紙帶上打孔輸入程序。后來有了匯編語言，可以用簡單的英文指令代替那些 0 和 1。再后來出現(xiàn)了 Python，寫代碼幾乎像寫英語句子。你會發(fā)現(xiàn)，每一次演進都在做同一件事：把繁瑣的底層操作打包藏起來，讓人不用操心"怎么做"，而是專注于“做什么”。

這個過程中，每一次進步都伴隨著類似您提到的擔(dān)憂：新一代程序員不懂底層原理了怎么辦？但事實是，正是因為不用再糾結(jié)底層細(xì)節(jié)，程序員們才能騰出精力去解決更復(fù)雜、更有價值的問題。

今天的 AI 工具也是一樣。它讓研究者可以跳過很多繁瑣的技術(shù)步驟，把精力放在真正重要的問題上——比如提出新假設(shè)、設(shè)計新實驗、發(fā)現(xiàn)新規(guī)律。這些才是創(chuàng)新的本質(zhì)，而不是親手寫每一行代碼。

所以我的建議反而是：大膽擁抱最先進的工具，但要清楚自己真正想解決的問題是什么。工具是手段，問題才是目的。

總 結(jié)

InfoQ：如果讓您預(yù)測 2030 年最具影響力的 AI 科學(xué)突破，您會押注在哪三件事上？

鄭書新：我會押注在這三個方向上：

第一，AI 智能性超過人類，ASI（超級人工智能）實現(xiàn)。

第二，AI 在科學(xué)研究中能夠自主完成發(fā)現(xiàn)和突破，比如找到治愈癌癥的路徑，或者解決數(shù)學(xué)領(lǐng)域懸而未決的開放問題。

第三，AI 走進物理世界，對實體產(chǎn)業(yè)形成實質(zhì)性推動。

采訪嘉賓：

鄭書新，中關(guān)村人工智能研究院副院長 & 北京中關(guān)村學(xué)院副教授

聲明：本文為 InfoQ 整理，不代表平臺觀點，未經(jīng)許可禁止轉(zhuǎn)載。

會議推薦

InfoQ 2026 全年會議規(guī)劃已上線！從 AI Infra 到 Agentic AI，從 AI 工程化到產(chǎn)業(yè)落地，從技術(shù)前沿到行業(yè)應(yīng)用，全面覆蓋 AI 與軟件開發(fā)核心賽道！集結(jié)全球技術(shù)先鋒，拆解真實生產(chǎn)案例、深挖技術(shù)與產(chǎn)業(yè)落地痛點，探索前沿領(lǐng)域、聚焦產(chǎn)業(yè)賦能，獲取實戰(zhàn)落地方案與前瞻產(chǎn)業(yè)洞察，高效實現(xiàn)技術(shù)價值轉(zhuǎn)化。把握行業(yè)變革關(guān)鍵節(jié)點，搶占 2026 智能升級發(fā)展先機！