之江实验室科学模型总体部技术总师薛贵荣表示，科学家正在探索AI在解决科学问题上的潜力。“科学的维度远超于语言能够表达的范围。目前大部分大语言模型在科学知识和推理方面还远没有达到人类的极限。”薛贵荣认为，科学基础模型基于科学数据解决问题，此过程的关键是将不同类型的科学数据token化(将数据编码为模型训练使用的数字标识符)并置于同一空间进行训练与推理，进而应对跨学科的复杂问题。“科学基础模型的构建需要与科学家携手并肩方能实现，我们期待在开放科学的生态下，共同推动科研范式的变革。”他表示。

　　作为业界专家，阶跃星辰联合创始人、CEO姜大昕观察到，基础模型的学习范式会经历模仿学习、强化学习和自主学习三个阶段。随着美国人工智能研究公司Open Al的o1模型和DeepSeek的R1模型发布，基础模型范式已经从模仿学习过渡到强化学习。此转变导致模型推理效率正在成为大规模部署Al应用程序的关键因素，且基础模型的应用正在从对话转向任务处理。

　　“研究表明，基础模型能力提升所消耗的token数量呈指数增长。”姜大昕表示，耗电量是电力时代衡量一个国家经济运行情况的指标之一，在AI时代，此指标或许将成为token消耗量。“模型的推理效率越高，产生token的成本越低。需要我们通过产业上下游联合优化、协同设计模型芯片，并推动系统与架构联合创新，实现模型推理效率的提升。”

　　除了基础模型的技术演进，智能系统在实际场景中的应用也成为专家关注的焦点。加拿大阿尔伯塔大学教授奥斯马尔·扎伊安(Osmar Zaïane)指出，随着智能系统越来越多地在动态、不可预测的环境中运行，能够有效响应变化的机器人变得愈发重要。

　　奥斯马尔表示，如今中国在智能制造等领域展现出其领先的实力，这对他的研究带来启示。“在中国，我们能迅速观察到不同智能体之间的协作、人与智能体之间的协作等取得的实际成效。这里是新技术应用的绝佳试验场。”

　　美国科学促进会《科学》系列期刊出版人比尔·莫兰(Bill Moran)呼吁，各国科学家应建立合作网络。“如果我们只是孤军奋战，能做的事情并不多，但如果携手合作，就能创造许多可能。”(完)