AI行业，热点流云飞散，但世界人工智能大会上的预言家们却总能留下真知。历届大会上“画过的饼”，往往三到五年甚至更短时间就能实现。
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。
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。
