昨天（17日）2026世界人工智能大会暨人工智能全球治理高级别会议主论坛上，又发出了对三个灵魂之问的直接预判。
未来托举算力要靠光
算力需求核爆的时代，要靠怎样的计算架构来托举？
主论坛给出明确答案：未来算力要靠光！统治计算世界60余年的电子芯片，逃脱不了发热的宿命，但光不发热，在芯片传输和计算中几乎无阻力。因此，尽管目前智算中心里硅光芯片占比不足3%，但未来三至五年，这个占比将至少达30%。
9年前，沈亦晨以第一作者身份在顶刊《自然·光子学》发表封面论文，其核心命题是：人工智能中最耗能的“矩阵乘法运算”，能否改用光来做？结论是：理论可行。9年后的今天，沈亦晨创办的曦智科技已在港交所上市，成为全球AI光算力第一股。
沈亦晨在主论坛上说，光电融合不是即将发生，而是正在发生，并且分三步走。
第一步，就是一张板卡（由一颗颗芯片组成板卡）上，光芯片和电芯片同时存在，即“卡内的光电融合”。这一步已非“何时会发生”，而是“正在大规模发生”。曦智科技的光电融合“光跃超节点”产品，到去年已有近万卡的落地，今明两年会在更多的云厂商和互联网场景大规模商用。
第二步，是光芯片和电芯片融合在一个封装内。这一步在产业链分工上基本落实，行业已在解决良率、稳定性及成本问题，英伟达、博通、台积电，所有主流芯片厂商在此方面都有明确的技术路径和产品规划，二至四年内将批量落地。
第三步，光芯片和电芯片集合在一颗芯片上。关于这一步，目前产业链还在形成过程中。去年，曦智科技在产品侧发布了名为“天枢”的光计算产品，已在一些商业化场景中稳定高频使用。据悉，曦智科技基于下一代面向高速大模型推理的光电融合芯片，今年上半年已回片，这意味着设计蓝图落地为实体硬件，进入实测验证关键阶段。这第三步，需要先行者先小规模产品落地，再来牵引产业链分工的形成。
全球首款同时支持科学计算和商用算法的光电混合计算加速卡曦智天枢。
另外，未来智算中心的交付方式也有新变化，或许再不用平地起楼、建设用时动辄两年，而是通过预制、现场“搭积木”般，实现“集装箱式交付”。据悉，中国领先的AI服务器及定制化方案提供商安擎计算机信息股份有限公司，其风冷、液冷双类型高密度算力“集装箱”，依托算电协同、全局算力调度、统一集群管理，最终实现“电力—算力—词元”的一站式量产服务，就近消纳绿电的同时，将算力场景的部署时间压缩到约2个月。
物理AI是新战场
当大语言模型之争进入白热化，AI竞赛的下一个主战场在哪？答案是世界模型与物理AI。而这恰恰是中国具备先发优势的领域。
发展世界模型和物理AI，是为了打破大模型“纸上谈兵”的幻觉。复旦大学浩清特聘教授、复旦大学通用物理智能研究院首任院长苏昊直言，当前大模型最令人困扰的幻觉问题，根源恰恰在于它没有“身体”。大语言模型学习的是人类对世界的描述，而不是世界本身。人类先在物理世界中触摸、行动、试错，再把经验压缩成语言，故而模型学到的只是“影子”——它能流利地说出杯子掉在地上会碎，却没有真正感受过杯子的重量、材质和受力过程。
因此，物理智能要解决的，是让AI具备理解物理世界、预测世界变化并采取行动的能力。苏昊认为，物理智能的突破口不在于模型架构的微调，而在知识的聚合——把互联网视频的广度、教科书的精确、真机实验的真实和人类操作中的细腻直觉融进同一个模型。
复旦大学通用物理智能研究院首任院长苏昊。
今年以来，“摔杯撞墙”的物理AI的话题度持续升温。据开源证券统计，近18个月内超百亿美元资金涌入物理AI赛道。
但实现物理AI面临诸多难点。智元合伙人、觅蜂科技董事长兼首席执行官姚卯青坦言，当前最大的瓶颈在于数据——互联网上大量视频具有娱乐化甚至反物理规律的特征，而机器人真正需要的是涵盖推拉拧拽、柔性物体、流体乃至摩擦力的真实交互数据，这类数据的规模远远不够，“要达到更高阶的智能，需要亿小时级别的真实世界数据。”
正因如此，AI在工业场景中的应用对物理AI的落地至关重要。“如果说数字世界是由代码组成的，那物理世界就是由制造组成的。”在它石智航创始人兼CEO陈亦伦看来，中国拥有全球最集中、最丰富的制造业场景，这为具身智能提供了天然的试验场。他预判，未来三年，高频刚需、环境可控的制造业场景将最先实现规模化应用。
业界对物理AI的落地路径判断趋于一致：短期内，工厂和仓库是最现实的起点；家庭等开放环境，还需等待更通用的泛化能力逐步解锁。
苏昊用一个比喻来形容：“它会更像当年的电气化，先点亮工厂和仓库，再走进商家和医院，最后才走入千家万户。”
挖数据要靠新视角
人工智能的下一轮突破，要靠更大规模的新数据吗？
主论坛又放话：不是新数据，而是新眼光——一段光谱胜过千万张图。
阿里云创始人王坚判断：AI范式变革，不是去发现新数据，而是在旧数据里发现新问题。
阿里云创始人王坚。
今天的AI，仍然难以真正读懂光谱。过去十年，AI的突破几乎都建立在文本数据之上，大模型的知识来源高度集中于论文、代码和文字。而科学的第一手信息——光谱、地震波、化石记录、基因序列——这些自然界最原始的“语言”体量巨大，却始终未被AI直接充分运用。
去年，一名18岁的高中生利用一颗退役卫星的数据，发现了近150万个此前未被记录的天体。那颗卫星原本用于监测小行星，数据已存在多年，却从未被用于这方面的天文发现。他没有做新实验，没有用新设备，也没有依赖现成的论文结论，只是从新角度再次利用了那些旧数据。
伽利略所用的天文观测资料，丹麦天文学家第谷早已收集完毕。科学史上的重大突破，往往不是等到新数据出现，而是有人用新的视角重新看了旧数据。这或许正是范式变革最朴素的样子。
据介绍，之江实验室与南京大学沈树忠院士团队合作构建的地球科学模型，是这一范式变革的现实案例。古生物学中有一个长期难题——“西格诺—里普斯效应”：最后消失的物种，恰恰最不可能形成化石。传统研究方法依赖人工统计和地层对比来推算物种灭绝时间，精度长期停留在“百万年”量级。几十年来，精度难以提升，并非因为数据不足，而是既有的方法难以从中提取更多信息。于是他们改变了思路：将10万种化石数据和2万条地层断层数据直接输入模型，让AI自行发掘规律。结果，时间轴精度从百万年级提升至万年级，提高了两个数量级，并由此构建出目前全球最完整的地球生命演化时间轴。该项目已入选联合国“海洋科学促进可持续发展十年”认可清单。
改变的不是数据本身，而是运用数据的方式，这正是范式变革的要义。主论坛上多位嘉宾有同感。它石智航创始人陈亦伦指出了当前具身智能领域的一个现实问题：视频能记录位置和加速度，但质量和力这类物理量，无法从画面中直接读取，而牛顿第二定律所依赖的恰恰是后者。“这些东西不在论文里，也不在教科书里。”要让AI理解物理规律，就不能只让它阅读现成的结论，而必须直面操作过程中产生的原始信号。这同样是一个范式层面的选择。
王坚在演讲结尾谈到：“因为有科学基础模型，人工智能到了一个非常不一样的转折点——变得跟数学一样基础了，不再是一个领域独立的东西。”
这段话的深意在于：数学之所以基础，并非因为它研究某个特定领域，而是因为它提供了一种通用的思维方式。AI的下一个五十年，若真能像数学一样影响所有科学领域，前提一定是它运用数据的方式发生了根本转变——不再只是帮人类读取已经写好的结论，而是直接面对自然界最原初的信号，从旧数据中问出新问题。这比算法更新、算力提升更接近范式变革的本质。
原标题：《未来算力要靠光，AI必须“摔杯撞墙”，WAIC放出三大核心预言》
李晔 吴丹璐 方怡然 周启辉
高升网配资提示：文章来自网络，不代表本站观点。
