作为大会程序委员会主席，清华大学副教授崔鹏说，我们现在整体人工智能的发展路径还是以跟随为主，其中一个很明显的现象是，OpenAI发布一个新的产品，我们赶紧奋起直追，那么中国人工智能自主发展路径在何方，希望汇聚青年精英的力量，共同去探讨和商议。

相较于大语言模型，近期以Open AI的SORA、GPT-4o，以及谷歌的Gemini为代表的世界模型，成为学术界和工业界的研究热点，被认为是通向强人工智能的关键技术路径。但是以多模态学习为基础的世界模型的路线还不清晰，未来发展有很多争议。复旦大学教授邱锡鹏教授发起的“世界模型之路在何方”的论坛，吸引了更多学者探讨世界模型的发展路线，以及在国内算力不足的条件下如何轻量化发展，如何跨模态相互理解等研究方向。

其次，从框架来看，国外深度学习框架占据主导的地位，国产框架面临生态屏障。从模型与算法方面来看，比前两者要好，但需加强原始创新。

由于前面列举的各种问题，人们都希望大模型能够持续学习和终身学习，希望模型随着应用的不断发展，能够不断地“学”下去。周志华判断：“这件事情在今天基于神经网络，或者从基本的数学工具上还看不到解决方案。”

胡事民院士分析了目前人工智能发展过程中，我国面临的几个不利条件。首先，从硬件来看，两种国外AI芯片占了很大的市场份额。国产芯片要融入既有生态非常难，迭代更新慢。

中国工程院院士、清华大学教授郑纬民告诉中青报·中青网记者，从学术角度来看，现在有4类人在关注大模型，一是真正做大模型的，二是大模型+，做应用的，三是进行政策规范治理的研究学者，四是为大模型应用，进行基础设施建设的科研人员。

中国科学院院士、清华大学教授胡事民提及，本轮人工智能发展有4驾马车：算力、框架、算法、数据，汇聚并促进了人类智慧的交融。他认为，应该更全面看待人工智能发展，不要只看应用端，要从硬件、框架、模型算法和应用4个层面来看，这四者都对人工智能的生态产生重要影响。

首先，构建大模型要先规划任务、收集数据，然后训练出模型，也就是说必须先考虑到要解决某一类任务，然后为它去收集数据做模型，这时如果有一个新任务，原来没有被考虑规划过，就没有模型可用。

“训练大模型要有大量的训练数据，但是在大数据时代，这仍然是问题。”周志华表示。此外，数据隐私和所有权问题还无法解决。

“需要以深度学习框架为牵引，夯实我国AI生态。”胡事民院士提出，因为框架承上启下，它可以在芯片算力水平不高的情况下尽量挖掘潜力，同时把应用层支撑好。清华大学在2020年3月20日推出“计图”深度学习框架，具备两个优点：第一个好处是快； 第二个好处是对硬件的支持广泛，可以快速适配任何一款国产硬件。“希望以‘计图’框架为核心，基于国产硬件促进人工智能算法应用的创新，来推动开源开放，构建中国人工智能的生态。”

其次，大模型训练和使用的能耗、碳耗、数据消耗都很大，一般人用不起。有人预测，按照现在的趋势下去，2025年一个大模型训练产生的碳排放相当于全纽约1个月的碳排放。

高压监狱免费完整版电影热度不减的大模型是实现人工智能的唯一解决方法吗？每个行业都要有自己的大模型吗？对于大模型，我们自主的发展路径是什么？当预训练大模型搅动起巨大的研发、应用热潮，这些问题随之产生。

“所以大模型的用处更应该是因地制宜，或者因任务制宜，很多的任务可能不太适用于像今天的大模型。我们有必要去尝试其他的研究路线。我们这几年在研究‘学件’(learnware)，这个词也是我们造出来的。”周志华介绍，学件=模型+规约，基本思想是不依赖“一两个英雄模型打天下”，可以发挥多个模型的集成作用，以适应不同任务需求。在未经过专门训练的新任务上提供解决方案，同时强调保护用户和开发者的数据安全，实现模型之间的协同工作，以推动创新和提升问题解决能力。

周志华教授提到，现在人们都希望先训练一个模型，并希望在使用的过程中不断去更新它，但是目前的大模型路线，有一个问题叫“灾难性遗忘”。他以自动汽车驾驶为例，若机器学习模型在对新环境获取的数据进行学习时，会“冲掉”旧环境中得到的宝贵信息，会出现重大安全隐患。

清华大学公共管理学院教授，人工智能治理研究中心主任梁正在专题报告中指出，发展人工智能，我国在基础理论、核心软硬件和生态方面还与国际先进水平有一定差距，要平衡创新与治理、践行价值对齐的伦理思路，并吸收国际经验，探索理念开放、主体多元、对象分层、工具灵活的敏捷治理新思路，以推动我国人工智能治理的进一步发展。

在应用层面，我国市场大、应用场景多、落地快、市场繁荣，有许多创业公司，“但它底下的硬件和软件有问题。这是我们的现状。”

中国计算机学会以“智启新局”为主题，于5月16-18日在浙江宁波举办了2024青年精英大会(YEF2024)，1200多名来自全国各高校、科研院所、企业的青年学者、专家，集中讨论了大模型、人工智能安全、国产算力、开源芯片、脑机接口等多个前沿领域的发展问题。