2025年7月20日，一场聚焦人工智能前沿发展的学术盛会在北京中关村展示中心会议中心拉开帷幕。这场论坛汇聚了来自高校、科研机构和产业界的多位权威专家，围绕人工智能核心问题展开深入探讨。与会者包括清华大学人工智能研究院常务副院长孙茂松教授、北京中关村学院院长刘铁岩博士、清华大学电子工程系主任汪玉教授等，共同剖析AI技术发展面临的挑战与机遇。

论坛现场座无虚席，来自清华大学求真书院、北京多所高校、中学及科研机构的500余名观众全程参与。这次活动作为2025国际基础科学大会的重要组成部分，由清华大学求真书院主办，中信证券股份有限公司和中关村科学城管理委员会协办。连续三年举办以来，论坛始终致力于推动交叉学科合作，为青年学生搭建了解科研前沿、激发探索兴趣的平台。

在讨论人工智能基础问题时，多位专家指出当前技术仍面临关键瓶颈。顾险峰教授认为，AI系统目前主要依赖相关性建模，缺乏对因果关系的深刻理解。这种局限性导致AI在处理自然科学、数理建模等任务时表现受限。他强调，科学建模需要逻辑自洽的因果体系，不能仅依赖数据模式推导。刘铁岩教授补充道，尽管大模型底层是统计学习结构，但在高层语义表达中已出现因果性功能的涌现，例如在逻辑推理、数学解题等任务中展现出"因为...所以..."的结构理解能力。

关于AI模型发展路径，孙茂松教授提出核心问题：当认知对象越来越复杂时，是否需要突破token预测范式？他指出文本、图像、视频和世界都是不同维度的表达形式，当前模型在处理高维数据时存在局限。汪玉教授认为，语言作为人类认知表达系统，可以将图像、视频等信息转化为二维序列进行处理。他提出"可描述性"概念：如果人类能用语言准确描述对象或规律，AI就能通过token预测模型掌握。但若尚未找到描述方式，AI也难以捕捉。

在原创能力讨论中，顾险峰教授直言不讳："重大理论的提出绝非数据堆积所能催生。"他以学习拓扑学为例，指出AI无法把握最关键的转化步骤。沈亦晨博士用围棋类比说明，尽管规则简单但搜索空间巨大（约10^360），"纯靠套路无法解决全部问题"。他区分了90%可类推问题和10%原创性突破问题，认为AI在工程化问题中表现突出，但在科学"皇冠上的明珠"领域仍有不足。

针对算力瓶颈，孙茂松教授指出当前大模型训练成本呈指数增长，最新一代模型耗资约100亿美元，需20万张GPU卡支持，预计2035年可能突破1亿张卡。沈亦晨回应称百万卡级计算已成为现实挑战，介绍曦智科技在光互联和光计算芯片方面的进展。通过光作为连接介质，可提升芯片间通信效率，解决分布式模型训练中"多芯片如一芯片"的问题。他强调需推动算法向低精度模型优化，发挥光计算高能效优势。

汪玉教授补充指出，未来关键在于让底层硬件异构对开发者透明。无论芯片是电计算还是光计算，开发者应"看起来就是一台机器"，保障工程系统的稳定性与迁移效率。刘铁岩教授提出"Experience-driven AI"范式设想，设想由100万个机器人在物理世界实时感知、同步数据和模型权重，实现全域智能协同。这种分布式交互学习系统将超越大模型集中训练范式，形成全新进化路径。

圆桌讨论环节气氛热烈，专家们从基础认知到技术边界，从原创能力到算力极限，展开多维度探讨。孙茂松教授总结道，大模型的有效性体现经验主义特征，但其根本性问题需要理论与系统两端同步突破。这场论坛不仅揭示了AI发展面临的挑战，更为未来技术演进指明了方向。随着算力、算法和理论的持续进步，人工智能或将突破当前瓶颈，在更多领域释放潜力。