AI研究進入“深水區”，學者呼吁：不能只關注模型做得多大、性能提得多高

當大模型的性能競賽持續加速，人工智能研究的下一步該怎么走？日前，FAIC 2026（人工智能基礎大會）在上海財經大學舉行。會上傳遞行業共識：在持續提升模型能力的同時，人工智能研究正在進一步走向基礎問題。

當日，來自高校、科研機構及企業的400余位不同學科的學者與從業人員參會。圍繞“大模型為何有效”“能力如何形成”“訓練怎樣更高效、更穩健”“如何以扎實研究支撐下一階段創新”等關鍵問題，與會專家展開集中討論。

主旨報告環節，多位專家從模型結構、數學智能化、大模型機理等角度展開分享，既聚焦基礎理論，也回應技術演進中的現實挑戰。

針對現有等變網絡大多集中于旋轉、平移等相對簡單變換，而難以有效處理仿射與投影變換的難點，北京大學林宙辰教授介紹了團隊利用微分不變量設計實用的仿射與投影等變網絡的最新工作。相關研究表明，將更強的幾何等變性引入深度網絡設計，有助于提升模型在圖像識別等任務中的參數效率與魯棒性，也為復雜視覺場景下的模型結構創新提供了新的思路。

北京大學董彬教授則從人工智能與數學交叉的角度，討論了AI如何更深度地賦能數學研究。他認為，提升人工智能數學推理能力的關鍵之一，在于推進數學知識的形式化，即推動數學進一步“數字化”。報告系統梳理了AI4M（AI for Mathematics）領域近年來的發展脈絡，并介紹了北京大學AI4M團隊在形式化模型與工具設計、自動推理系統構建以及高質量評測集開發等方面的階段性成果，展現了人工智能服務基礎科學研究的廣闊空間。

上海財經大學陸品燕教授將關注點進一步落在“大模型為何有效”這一基礎問題上。他談到，盡管大模型能力近年來快速提升，不斷刷新學界和業界對人工智能能力邊界的認識，但相比之下，人們對于大模型內在機理的理解仍然相對有限。陸品燕強調，人工智能發展不僅需要持續推進能力提升，也需要加強對模型行為、能力來源和復雜性機制的基礎研究。

與會專家們認為，當前人工智能研究正從更強調經驗驅動的階段，逐步走向理論探索、方法創新與系統能力協同推進的新階段。學界不能僅關注“模型做得多大、性能提得多高”，而要進一步追問模型能力形成的內在機制，以及人工智能如何在更扎實的理論與方法支撐下實現可持續發展。

大會平行論壇覆蓋大模型訓練與對齊、機器學習理論、優化方法、圖機器學習、模型加速、數據優化等多個方向。多場討論傳遞出一個共識：面對模型規模擴大、訓練成本上升和應用需求提升等現實挑戰，單靠某一類方法已經難以支撐下一階段發展，需要在基礎理論、方法創新和系統優化等多個層面同時尋找突破。

正如多名參會學者所言，當前人工智能研究處于更加重視基礎、重視規律、重視長期積累的關鍵階段。無論是模型結構設計、訓練方法改進，還是數據質量提升與交叉應用拓展，最終都離不開扎實的基礎研究支撐。面對人工智能進入“深水區”的現實挑戰，學界與業界正在更系統地回到那些繞不開的基礎問題，并嘗試給出答案。