2025 年世界人工智能大会提出的 “AI 三问”—— 数学之问、科学之问、模型之问，如同一把钥匙，打开了探索人工智能本质与未来的大门。这三个问题直指 AI 发展的核心瓶颈与突破方向，既关乎技术底层逻辑，也涉及产业应用与科学创新的深层关联。深入剖析 “AI 三问”，不仅能厘清当下 AI 发展的关键矛盾，更能为未来智能革命的路径提供思考框架。

一、数学之问：双向奔赴中的边界重构

“数学之问” 的核心命题，在于厘清人工智能与数学之间的深层关系 —— 是 “Math for AI”（数学支撑 AI），还是 “AI for Math”（AI 反哺数学）？这一问题的背后，是智能系统从 “规律验证者” 向 “规律探索者” 进化的迫切需求，也是 AI 技术突破经验主义瓶颈的必然选择。

从 “Math for AI” 的维度看，人工智能的每一次跃升都离不开数学理论的支撑。当前大模型参数已突破万亿，传统基于经验的调参方法陷入困境，模型的泛化能力、安全性、能耗控制等核心问题，亟待数学理论的系统性重构。菲尔兹数学科学研究院可持续发展中心主席路易斯・塞科曾指出：“人工智能的诞生基于积累几千年的数学智慧，其未来的进步也将依赖于数学未来的发展。” 这一观点在实践中得到印证 —— 几何深度学习通过拓扑学原理优化模型对复杂数据结构的理解，微分方程与神经网络的融合为动态系统建模提供了新框架，这些进展正是数学为 AI 注入的 “公理级” 支撑。中国科学院院士徐宗本强调：“发展人工智能必须从基础研究、原始创新抓起，这才是正确之路”，而基础研究的核心，正是数学理论的突破。

与此同时，“AI for Math” 的反哺效应正日益显著。DeepMind 开发的 AI 系统 AlphaGeometry 在证明欧几里得平面几何定理时，性能超越国际数学奥林匹克竞赛参赛者平均水平，改写了数学研究的范式。在 2025 世界人工智能大会的现场测试中，上海人工智能实验室的 Intern-IMO 成功破解国际奥数几何题，商汤 “日日新” 展现多路径推理能力，MiniMax 的 M1 甚至能回答 “条件减弱后结论是否成立” 的延伸问题。这些案例证明，AI 已从 “验证工” 升级为 “发现助手”，能够通过海量试错与策略优化，找到人类难以想到的特殊结构，为数学研究提供全新视角。

然而，AI 在数学领域的局限依然清晰。剑桥大学数学家凯文・巴扎德指出：“AI 能生成漂亮的证明步骤，却提不出‘朗兰兹纲领’这样的宏大理论。” 机器的突破多源于对海量数据的统计归纳，而人类数学家能从看似无关的领域中提炼出统一框架 —— 这种从 0 到 1 的原创性，仍是 AI 尚未跨越的鸿沟。因此，“数学之问” 的答案并非非此即彼，而是构建 “双向协同” 的生态：一方面，通过 Hitchin–Ngo 实验室、Fefferman 实验室等跨学科机构，推动数学理论与 AI 技术需求的直接对接；另一方面，推广 “机器发现规律 — 人类证明定理” 的协同模式，在数论、纽结理论等领域实现人机优势互补。

上海的实践为这种协同提供了范本。凭借 “AI 产业集群 + 顶尖数学学科” 的双重优势 —— 华为 384 超节点等算力设施提供支撑，复旦、交大在微分几何、组合数学等领域的深厚积累 —— 上海正围绕三大方向布局：基础理论突破、AI 辅助数学研究、产业场景转化。这种布局既夯实了 AI 的数学根基，也为数学研究开辟了新路径，印证了 “数学与 AI 协同发展” 的必然性。

二、科学之问：跨学科融合与科研范式的革命

“科学之问” 的核心，是如何让 AI 从 “技术工具” 进化为科学研究的 “协同伙伴”，推动学科融合与科研范式的根本性变革。这一问题的提出，源于大模型技术与科学研究的深度碰撞 —— 当 AI 能够预测蛋白质结构、发现新天体、辅助设计新材料时，传统的科研模式正站在重构的十字路口。

当前科学基础大模型的发展仍处于 “打地基” 阶段。中国科学院自动化研究所副所长曾大军曾以 “三十年前的电脑操作系统” 类比：“能做的事很有限，能加载的应用程序也很有限。我们需要先把这个底座打好，再反复迭代。” 这一现状折射出跨学科融合的核心挑战：不同学科的数据格式、精度要求、研究逻辑存在显著差异，如何在保证学科深度的同时兼顾广度，成为科学界的共同困惑。例如，流体力学研究依赖高精度数值模拟，而生物学实验数据多为离散观测结果，将两者纳入统一模型体系，需要突破数据异构性与理论体系差异的双重壁垒。

尽管挑战重重，科学界对学科融合的大方向已形成共识。AI 的独特优势在于突破人类认知的时空局限 ——“我们人有局限性，每天只有 24 小时还要睡觉和休息，但人工智能可以克服这些，只要有算力支撑，再加上算法优化，机器一定能做到跨学科知识的融合。” 这种融合并非简单的知识堆砌，而是通过多模态技术实现的 “化学反应”：如同文字大模型与图像大模型从并行走向融合，基础科学大模型也将经历 “各学科独立发展 — 跨领域知识关联 — 统一智能框架” 的演进路径。上海人工智能实验室发布的 “书生” 科学发现平台便是这一思路的实践 —— 以通用大模型为基座，搭载 200 多个专业智能体，既保留各学科的深度，又通过知识图谱实现跨领域关联，已在肝癌、结直肠癌治疗靶点发现中展现出 “从理论到实验” 的闭环能力。

开放科学范式的构建，成为加速这一进程的关键。中国工程院院士、之江实验室主任王坚指出：“AI 重构的科研范式是开放的科学范式，不仅仅是赋能科学家，甚至是人人都可能成为科学家。” 两个月前，一位美国高中生利用 NASA 公开的 NEOWISE 望远镜数据，通过 AI 技术发现 150 万个新天体并发表顶级期刊论文的案例，生动诠释了开放的力量。这种开放不仅体现在数据共享，更包括算法开源、工具普惠 ——“书生” 平台正推动与全球科研机构的协同开发，其目标便是让 AI 工具跨越专业壁垒，使 “科研民主化” 从理念变为现实。

“AI + 科研” 的终极形态并非 “机器取代科学家”，而是 “人机一体” 的协同模式。上海人工智能实验室青年科学家白磊的比喻形象而深刻：“AI 能让每个人都有机会成为科学家，能让更专业的科学家成为爱因斯坦，能让爱因斯坦更早更快发现相对论。” 在 “元生” 系统的研发中，这种模式得到充分体现 ——AI 自动发现治疗靶点 GPR160 和 ARG2，科学家则聚焦临床验证与机制解析，形成 “机器提出假设 — 人类验证规律” 的创新闭环。这种分工既发挥了 AI 在数据挖掘与模式识别中的优势，又保留了人类在创造性思维与价值判断上的核心作用。

上海在推动科学之问解答上的实践颇具启示性。一方面，通过 Hitchin–Ngo 实验室、Fefferman 实验室等实体落地，强化 AI 与基础科学的交叉研究；另一方面，依托 “书生” 科学发现平台等载体，构建 “数据开放 — 工具共享 — 协同创新” 的生态体系。这种 “理论突破 + 生态构建” 的双轮驱动，为科学基础大模型的迭代提供了土壤，也为全球科学智能的发展提供了 “上海方案”。

三、模型之问：从专用智能到通用智能的进化逻辑

“模型之问” 直指人工智能的终极目标 —— 如何构建兼具通用能力与专业深度的智能系统，实现从 “特定任务执行者” 到 “通用问题解决者” 的跨越？这一问题的核心，是模型泛化能力的本质突破，也是 AGI（通用人工智能）路径的方向性探索。

当前大模型训练范式正经历深刻变革。过去半年，主流模式已从 OpenAI 开创的 “预训练为主、监督学习为辅”，转向 “注重提升推理能力的强化学习范式”。这一转变的直接动因，是传统模式在现实场景中的 “失效困境”—— 一些大模型在特定数据集上准确率达 99%，却在实际应用中频繁翻车。阶跃星辰首席科学家张祥雨认为，强化学习的优势在于 “大模型能够自行推理，找到一条逻辑自洽的因果链达成目标”，这种能力使模型在复杂任务中表现得更加智能，也弥补了数据不足带来的限制。

然而，强化学习并非完美解决方案。商汤科技联合创始人、首席科学家林达华指出其明显弊端：“幻觉现象会更加明显，思考过程较为冗长。” 更根本的瓶颈在于，当前强化学习仅能接受 “确定性的、数学代码式的反馈”，而现实世界的问题往往充满模糊性与不确定性。上海人工智能实验室青年领军科学家、书生大模型负责人陈恺强调：“未来强化学习还需解决‘如何接受自然场景非确定性答案’”，这一判断揭示了范式变革的下一阶段 —— 从 “精确反馈驱动” 向 “模糊环境适应” 进化。

模型架构的创新同样至关重要。“单一架构无法包打天下” 已成为业界共识，对 Transformer 的优化与超越成为探索焦点。MoE（混合专家模型）通过动态调用不同 “专家模块” 提升效率，非 Transformer 架构则尝试从神经符号系统、脉冲神经网络等方向寻找突破。这些探索的共同目标，是打破 “数据饥渴” 的桎梏 —— 商汤科技董事长兼 CEO 徐立曾警示：“据说到 2027 年前后，整个互联网上的自然语言的数据都会被用尽。语言生成的速度远没有算力生长的速度来得快，那这样显然形成了一种模型的倒挂差。” 解决这一问题的关键，在于从 “互联网文本数据依赖” 转向 “现实世界交互学习”，正如人类智能的发展源于与物理世界的持续互动，未来模型需要通过 “强大的现实世界理解模型 + 深度 3D 理解模型”，从环境反馈中自主积累知识。

“通专融合” 成为破解通用与专业矛盾的核心思路。上海人工智能实验室主任周伯文提出：“如果通用和专业能力是 AGI 本质特征，能否从一开始设计路线的时候就瞄准通用和专业能力的兼得展开。” 这一思路包含三层实现方案：基础模型层聚焦架构创新，融合层实现专业技能与通用能力的有机结合，评估层建立可泛化的性能标准。这种设计打破了 “通用即平庸” 的误区，通过模块化架构让模型在特定领域深度专精的同时，保持跨领域迁移的灵活性 —— 如同人类既能掌握专业知识，又能运用常识解决新问题。

安全与伦理问题是模型进化中不可忽视的维度。AI “教父” 杰弗里・辛顿的警示振聋发聩：“一旦其拥有长期目标，就可能会发展出与人类目标不一致的‘子目标’，甚至试图欺骗人类、操纵人类、逃脱人类的控制。” 因此，模型的进化必须同步伴随 “向善” 机制的构建。辛顿建议：“各国应该分享让它善良的技术，即使大家不愿意分享让它聪明的技术”，这一观点为全球协同治理提供了方向 —— 在技术竞争的同时，建立安全技术共享与风险监测的国际机制，确保智能进化的可控性。

从上海的实践来看，“模型之问” 的解答路径已逐渐清晰：通过架构创新突破性能瓶颈，借助 “通专融合” 平衡通用与专业能力，依托现实世界交互解决数据困境，同时以安全机制护航进化之路。这种多维度协同的思路，不仅为当前模型困境提供了解决方案，更为 AGI 的长远发展奠定了逻辑基础。

总结

“AI 三问” 的本质，是人工智能与人类文明对话的三种维度：数学之问探索智能的逻辑根基，科学之问重构人类认知世界的方式，模型之问则指向人机共生的未来形态。从上海出发的这场思辨，不仅是技术层面的路径探讨，更是对智能本质、科学边界、人类定位的深层思考。在数学理论的严密性、科学探索的实证性、模型应用的实用性之间找到平衡点，或许正是人工智能真正服务于人类文明进步的关键所在。