AI走出实验室：应对复杂现实世界的挑战与机遇

在2025年世界人工智能大会的“人工智能交叉科学论坛”上，来自上海期智研究院、清华大学等机构的科学家们分享了他们关于人工智能（AI）在复杂现实世界中应用的最新研究成果和思考。随着AI技术不断发展，如何让AI从实验室走向更复杂的真实环境成为一个重要课题。

上海期智研究院PI、清华大学助理教授赵行在论坛上表示：“我从事自动驾驶整整十年，直到大语言模型出现，才真正看到自动驾驶路径的转折点。”他指出，自动驾驶技术长期以来面临“长尾问题”、“黑盒困境”以及“数据稀缺”三大挑战。这些问题不仅是自动驾驶的障碍，也是AI工程化落地的普遍难题。

AI在现实世界中的应用瓶颈

所谓“长尾问题”，不仅仅是交通事故率的边缘场景，更是模型泛化能力的瓶颈。赵行分享了一个案例：一辆自动驾驶车辆在街头遇到一位坐轮椅追鸭子的老太太，车子因此迟疑不前。这种情况反映出感知、预测、规划三段式模型在处理“非规范性”场景时的不足。

赵行提出了一种“双系统”设计的构想，借鉴心理学中的“系统一”和“系统二”理论，以更好地应对人类难以量化的“异质行为”。他指出：“这让我们第一次在工程层面上，能够真正解释AI的思考过程。”

“我们过去一直以为，只要堆够数据和算力，自动驾驶迟早能解决。但现实告诉我们，‘懂’场景，比‘算’场景更重要。”

如果说赵行关注的是AI“思考”方式的转变，那么上海期智研究院PI、清华大学副教授高鸣宇则将视角拉回到硬件系统的挑战。他指出：“推理成本和能耗瓶颈，是AI下一步绕不开的挑战。”

当前大模型推理面临两大技术瓶颈：一是模型体量已远超现有存储架构承载能力；二是传统GPU对稀疏计算的支持不足。高鸣宇强调：“你不能只堆芯片，得换思路。”

他的团队尝试通过异构整合计算芯片与访存模块，以实现更合理的资源调度。此外，他们还探索了如何让硬件主动适应模型的“稀疏性”，并设计灵活的调度机制和定制优化的硬件结构。

“我们今天谈论的硬件架构，其实是在为明天的AI模型预设‘成长空间’。”

这些技术改进的最终目标是让AI真正服务于更复杂、更真实的环境。高鸣宇表示：“如果说算法决定了AI的‘可能性’，那么架构与计算资源，则决定了它的‘可用性’。”

随着AI技术的发展，理解与解释将成为比性能提升更重要的价值锚点。下一代AI不仅要“更快”与“更准”，更重要的是，它能否像人类那样“理解复杂”。

未来，AI技术的进步将不仅取决于算法的优化，还将依赖于硬件系统的创新与突破。通过不断探索新的技术路径，AI有望在更广泛的领域中发挥更大的作用。