《科学四十人》系列漫谈第八期（左起，薛澜、李航、张宏江、周忠和）

大家好，我是知识分子总编辑周忠和，自2022年11月30日ChatGPT发布以来，环球范围内掀起了有史以来规模最大的人工智能浪潮。

在过去短短的一年多韶光里，ChatGPT4.0和文生***的大模型SORA相继发布，就在不久前，Openai的竞争对手Anthropic发布的新一代大模型Claude 3乃至被认为全面超越了GPT-4。

环球都在热烈谈论AGI——也便是我们所说的通用人工智能——何时能实现？突飞年夜进的人工智能究竟会给我们人类生活带来什么样的影响？比如说会不会迎来大规模的失落业或者就业的重组？会不会从根本上改变我们人类文明的形态？乃至于AI觉醒往后，硅基生命会不会超越以人类为代表的碳基生命？

我们请到了源码成本投资合资人、北京智源研究院创始理事长张宏江，清华大学苏世民书院院长、人工智能国际管理研究院院长薛澜，字节跳动研究部门卖力人李航，来磋商我们离通用人工智能究竟还有多远，OpenAI开源的可能性和开源生态，中国人工智能的发展机遇和寻衅。

Sora开始理解物理规律、懂得知识

周忠和：我们本日的第一个问题是关于Sora的，Open AI推出的Sora，究竟有哪些地方让你感到真正的愉快，或者说Sora的最值得关注的地方是什么？Sora给你最大的触动是什么？

薛澜： 我看到Sora的时候觉得很震荡。
由于它不仅仅是笔墨互换，而且有了一定的想象力。
Sora能够根据一段简短的笔墨描述，天生一系列连贯的动态画面，这不仅仅是对文本的理解，更是对物理天下运作规律的一种把握。

过去我们谈论AI的时候，总认为想象力是人类的专利，但现在，Sora显示出AI也能具备这样的能力。
这可能是Sora一个分歧凡响的地方。

张宏江： 首先，我想谈谈Sora这个大模型给我带来的震荡。
Sora的发布实际上是演示性的，它发布演示***，并没发布模型本身，但从40个演示***中，我们可以看到AI技能的巨大进步，非常令人振奋。

我把稳到几个亮点：第一，它天生的是高分辨率***，过去的***天生没有做到过这么高的分辨率；第二，***时长达到60秒，而过去在天生***方面表现比较好的Runway做了两年，也只能做到几秒钟；第三，也是最让人震荡的是个中一个场景，一辆越野吉普车在波折的山路上狂奔。
这种镜头以往须要有一台设备在后面跟拍，由于路面颠簸难度很高，但天生的***效果非常逼真。
包括车辆行驶的逻辑也很精良，一贯是靠右行驶，转弯表现也很自然。

智源研究院创始理事长张宏江

周忠和： 我有个生手的问题。
我们普通人看这些***，可能会以为它们不过便是一些高质量的影像。
它的想象力和逻辑不也是人贯注灌注进去的吗？

张宏江： 不，人并没有明确地奉告它要这么做。

在传统图形学模式下，制作***常日须要构建详细的物理模型。
例如，我们想制作一个车辆行驶的***，须要先创建一个三维的车辆模型，以及一个包含道路和其他环境元素的场景模型。
场景环境模型相称于虚拟天下，车辆模型则是在这个天下中运动的物体。
这些模型须要精确地定义动态行为和环境的交互办法，对各种物理规律、运动规则进行明确编码，确保车辆在转弯或行驶时的表现符合现实天下的情形。

在利用Sora这样的大模型时，我们并没有直接见告AI这些详细的物理规则。
相反，是AI通过剖析大量的***数据，自己学到的。
我们没有见告它，天下上大部分地方车是靠右走的。
也没有见告它，如果不跟随路线转弯，车会撞到山上。
这种明确的规则我们都没有见告它。

这是让我以为非常震荡的。
GPT 3.5、GPT 4.0以及Claude这些模型，它们紧张善于理解措辞，也便是笔墨描述。
但Sora所展示的不仅仅是理解措辞，还能够理解物理天下。

周忠和：你可以说它已经理解物理规律、懂得知识了，但我总以为这只是模拟。

张宏江： 是模拟，但记得费曼曾说过一句名言，“我无法理解我不能创造的东西”。
现在我们能天生出来了，难道不便是理解了吗？

薛澜： 说到智能，我们得先定义一下什么是人的智能。
我们有认知能力、推理能力、创造力，可能还有其他方面，比如情商。
如果我们从这些方面看，有些方面，比如认知和推理能力，AI可能已经超过了凡人，乃至可能超过最厉害的人。
但在另一些维度上，人类可能还会保持上风。

其余，您虽然以为人工智能只是模拟。
但人类得到这些能力的过程，实质上不也是如此吗？都是在不断吸收外部信息，逐步形成认知和思维模式，二者在方法上没有根本差异。

周忠和：李航老师，您是否也有同样的感想熏染？

李航：有些地方一样，有些地方不一样。
我们自己开拓的PixelDance系统，效果上超越了当时最好的Runway等系统，但今年2月Sora发布，PixelDance又被Sora超越。
我的一个感想熏染是干事要快，由于现在的竞争非常激烈。

其余从Sora的技能报告和干系论文看，虽然它技能上有所创新，但并不是革命性的。
紧张的创新是将扩散模型的Unet架构改成了Transformer架构，这让模型能够处理更多的数据，更好地学习物理征象。
从科学的角度上看，我认为AI大模型目前具有一个共同特点，便是它们都基于Transformer架构，最根本的东西是都一样的。

周忠和： 近几年在根本科学事理上并没有太大打破？

李航： 是的，虽然有所进步，但自从2017年Transformer架构涌现以来，我们看到了不断的收敛。
Transformer最初是为自然措辞处理开拓的，现在，纵然是打算机视觉领域也开始转向利用Transformer架构。

周忠和： 那么，你有没有张老师那样的觉得，也认为AI模型现在开始理解知识和物理规律了？

李航： 是的，我赞许张老师的不雅观点。
但我认为未来的空间仍旧非常大。
Sora还不是3D的。
3D天生技能，能够让我们从不同角度看到物体的样子。
比如，从正面看到一个人，我们是有能力想象他的后脑勺是什么样子的。
3D天生能帮助我们看到人的后脑勺。

目前，3D天生技能还处于低级阶段。
去年的打算机视觉国际会议ICCV，是领域内最顶级的会议之一，在会议上展示的论文，大家可以去看目前技能天生的效果，实在都是比较大略的。
比如一个物体，桌子或椅子，把它换一个角度是什么样子。

再有，现在的天生模型并没有物体的语义。
我们看***时，能认出这是汽车、那是道路，但在Sora的模型中，它并不准确地理解这些，它只是对像素和数据进行处理。
未来如果我们能够进一步发展这项技能，让它不仅能处理3D空间关系，还能理解物体的语义信息，那么我们就更靠近于创造出类似人类的智能。
在这方面，我们还有很多事情可以做。

Transformer是最佳路径吗？

我们会不会过于路径依赖了？

张宏江：李老师刚才提到的Transformer架构确实非常关键。
自2017年起，Transformer这条路径给我们做AI的人或者做大模型的人指出了一条路。
过去七年，行业内已经认可它是大模型发展通向AGI的一条正道。

技能发展是有路径依赖的。
意味着一旦我们确定了精确的方向，所有的关注和资源都会随之集中。
回到七年前，Google的研究职员发明了Transformer架构，但OpenAI才是真正认识到其潜力并全力投入的一方。
只管Google也推出了许多模型，但很长一段韶光没有一个能够超越GPT3.5的造诣。

现在所有做大模型的人，都把重点放在Transformer架构上，包括Sora也是这样，过去天生***用Unet框架无法达到的，换成Transformer架构就实现了打破。
未来，无论是GPT4.5、GPT5、Claude还是Gemini，Transformer这条道路都会持续。

薛澜： 既然说到这儿，我插一个问题。
我们是否会由于路径依赖的缘故原由，而忽略了其他可能更好的路径？2017年的Transformer架构确实很主要，但当时也有其他路径。
我们现在是否确定这是最好的路径？我们是否可能错过了其他潜在的精良路径？

清华大学苏世民书院院长薛澜

张宏江： 您的问题恰好给了我一个机会，我想说的是，这就像当初电的发明，当互换电成为主流后，直流电终极只用于电池。
这种路径依赖是非常关键的。

李航：我想补充的是，作为科学家，我们总是寻求更好的、颠覆性的技能来改变现有的Transformer。
但目前大家做了很多努力，我也知道一些研究。
只管在小规模上有些模型看起来还不错，可一旦扩大规模，它们都无法超越Transformer。
目前的结论是Transformer确实非常强大，其他模型，但到目前为止，还没有能成功颠覆Transformer。

张宏江：这引出了另一个话题，也便是大模型的Scaling Law。
Transformer架构成为主流，我们验证了它的强大。
接下来，是把它的规模越做越大，给它喂越来越多的数据。
这个领域从业者们大多认为，这个架构的潜力还没有达到极限。

以是，你可以看到为什么现在大家都在迫切地投资购买芯片、增强算力。
当我们在追求算力的时候，实际上也是在竞争数据中央（IDC）的资源。
而在抢占IDC的过程中，我们又不得不去争取电力供应。
这持续串的动作，实际上都是由于大家认同一个不雅观点：Scaling Law——相信随着模型规模的增长，性能和能力也会相应提升。

周忠和： 刚才张老师认为Sora天生的***是符合物理规律的，Sora能够理解知识。
不过也有不同的声音，比如图灵奖得主杨立昆（Yann Lecun），他说仅靠大量文本数据演习是达不到人类智能水平的。
还有的人以为这是个去世胡同，认为快到极限了。
您刚才彷佛不太赞许这种意见？

张宏江： 我可能要得罪人了。
我以为那些说这种路线快到极限的人，实在并不是真正的从业职员，没有参与个中。
如果在做这件事，你会我们这些在一线的人一样，非常相信Scaling Law。

如果大家对这个感兴趣的话，可以看看清华大学清华大学交叉信息研究院的助理教授，也是月之暗面公司CEO杨植麟最近的采访，他谈到了Scaling Law，我以为讲得很好。
他作为一个年轻学者，对Transformer和未来的意见，我以为很有见地。
我们离Transformer的极限还早着呢，现在的问题可能是数据不足，我们该当想办法连续扩大数据规模。

周忠和： 还有人提到电力和其他资源。

张宏江： Scaling Law会带动很多干系的东西。
比如芯片行业，英伟达的股票疯涨，IDC公司也是，数据现在变得非常值钱。
这些都是推动全体家当发展的生态成分。
以是，我以为极限还远着呢。
像杨立昆这样的学者，我非常尊重他，但在这个不雅观点上我不太认同他。
他认为数据驱动的系统没有真正的推理和学习能力，走不到AGI。
这是他的定义，但按照我的定义，我们正在朝那个方向提高。

周忠和： 李航老师，你的不雅观点和张老师一样吗？

李航： 我部分赞许张老师的意见。
我相信Scaling Law的潜力，也认为我们还没看到极限。
不过，我的不雅观点也不完备一样，我去年在喷鼻香港开会时和杨立昆老师当面聊过，他以为现在的大模型缺少天下模型。
我理解的是，如果能够将视觉、措辞等多模态信息结合，就会更靠近天下模型。
就像我刚才说的，***天生的时候，也能天生语义信息和3D信息，那就更靠近人类了。
我以为这方面还有很大的空间，我们会沿着Scaling Law的路走下去。

未来可能97%的人不事情，

只有3%的人在事情

周忠和：人工智能发展如此迅猛，对我们生活和事情的影响，也是大家非常关注的。
例如，自动驾驶、互联网家当，乃至有人说它对白领事情的影响更大。
薛老师，您认为短期内哪个领域会受到最大的冲击，白领还是蓝领？

薛澜：我认为所有涉及信息或数据获取、处理和传播的行业都将受到巨大冲击。
这不仅包括了传播业，如电影和电视，还涵盖了教诲、艺术，乃至医疗做事。
还包括文秘事情和法律行业的助理事情，所有与信息处理干系的领域，包括信息获取、处理和传播，都可能逐渐受到影响。

周忠和：这些变革会多快发生呢？5年还是10年？

薛澜：影响的速率取决于两个方面。
首先是人工智能本身的效率提升有多快。
其次是社会制度的变革，这些制度对传统行业的保护非常强。
以是这一方面是技能进步的过程，一方面也是制度变迁，这两个方面须要折衷起来往前走。

周忠和：您提到教诲也会受到影响，如果估量在未来5到10年内，某些行业将不复存在，那我们现在为什么还要在大学里学习它们呢？这是一个紧迫的问题，由于变革来得太快，可能我们还没有足够的谈论。

李航：很难预测，但有两个明显的趋势。
首先，会涌现新的事情，比如数据标注。
数据非常主要，现在数学家陶哲轩等开始标注数学定理证明的数据，利用新的编程措辞Lean来描述这个过程。
他便是利用他的履历，把证明的过程写出来，让AI学习。
我估计未来数学定理的证明，AI也能做。

其次，各行各业，包括编程和AI领域，都会涌现两极分解，最精良和有创造力的人才将发挥更主要的浸染。

薛澜（左）和字节跳动研究部门卖力人李航（右）

周忠和：那么对付普通人来说，哪些行业的影响最大？

李航：硬件领域的变革可能会慢一些，由于硬件迭代须要韶光。
至于软件，发展会更快。
但我认为长期来看，软件开拓的形态也会发生变革。
一些大略的程序AI是能够写的。

周忠和：机器完备可以替代人的创造性吗?

李航：就像薛老师刚才说过的，我认为有三个方面人工智能目前难以取代人类：情绪、创造力和自由意志。
情绪是人的本能，要在机器上实现情绪就等同于造一个拥有生命的人了。
创造力和自由意志同理，这三者不是纯挚的智能，而是生命征象。

如果一个事情是任务，能去评价完成它的好坏，AI基本都能完成。
冯诺依曼说过这样一句话，意思便是见告我一个任务，不管是多繁芜，把它定义清楚，我都能给你造一个机器，专门去完成你这个任务。

现在大家常常谈AGI，谈通用人工智能，“通用”确实是有很大的革命性的，这个工具不像冯诺依曼说的，专门做某一样事情。
它变成很通用，完成很多很多的任务。
但另一方面，只要这些任务能够定义、能够标数据、能有评价标准，看样子AI基本都能做。
前面说到人类的几个特点属于生命征象，不是任务，AI做不了。
但是AI做很多任务，能超过人，可能未来AI做大部分事情都超过人。

张宏江：我赞许薛老师的不雅观点。
人的智能有多个维度，在许多维度上，机器可能会超越人类。
对付普通人来说，最担心的可能是自己的事情。

我倒以为白领事情可能会受到较快的冲击。
我上周和崔健谈AI，谈到未来可能是97%的人不事情，只有3%有职业。
这不是我的不雅观点，而是《天下简史》作者的不雅观点：均匀技能水平的事情者可能会被替代，但顶尖艺术家不用担心，由于他们是少数。

至于助理类事情，比如法务助理，或者剖析师很大程度会被替代。
现在一些AI工具已经能帮助我们更高效地事情，比如许多人还要通过微软的Outlook手工安排会议，往后可能是AI来做这个事情，效率会提高很多。

其余我们不能勾留在提高效率的阶段，30年前国际象棋大师卡斯帕罗夫被深蓝击败。
当时卡斯帕洛夫曾说，未来机器将在象棋领域给予我们巨大的帮助。
然而，30年后的本日，我们看到的情形是，机器在象棋上已经不须要人类的帮助。

周忠和：那么，蓝领事情呢？

张宏江：我为什么对Sora如此激动，就在于它对物理天下的初步理解。
当一个别系能够理解物理天下时，就能指挥机器人实行任务。
硬件的AI化进展可能比软件慢，但随着机器人技能的进步，比如机动手和机器能力的提升，AI对蓝领事情的影响只是一个韶光问题。

周忠和：人工智能对程序员有什么影响？

张宏江：软件设计师的事情可能会被自动化工具，比如微软的GitHub Copilot和Google的对应产品所替代。
这些工具已经能够做很多事情，通过大模型驱动，能完成很多常用程序的编写，至少可以提高开拓者的效率。
其他重复性的事情也很随意马虎被替代。

周忠和：那研究人工智能的行业，未来也还会须要那么多人吗？

李航：须要更多的人，但也会两级分解。
比如数据标注这项事情，从大略的知识性的标注，到我刚才说的专业性的标注，差别是很大的。

周忠和：薛老师，针对我们国家的自然科学科研职员，尤其是那些在技能开拓和根本研究领域处于领先地位的研究职员，人工智能的发展会对他们的事情产生若何的影响？

薛澜：我认为肯定会有显著的冲击，科学研究也会涌现两极分解。
但我们须要区分常规科研和科学革命这两种情形，如果我们按照托马斯·库恩的科学革命理论来看，科学研究可以分为常态科研和科学革命。
在常态科研中，我们已经对某个领域的基本范式有了清晰的理解，并且正在办理一些尚未办理的问题，这就像是在解谜。
例如，当前的蛋白构造研究便是这样的领域。

在这些领域，人工智能可能会替代很多事情，在现有范式下事情的科研职员，他们的事情可能会被人工智能所替代。
但是对付那些能够创造新问题，制造危急，寻衅现有范式的研究者，这些人的事情是人工智能难以替代的。
这样的研究者永久有需求。

我们间隔真正的通用人工智能还有多远？

周忠和：当下一个非常热门的话题是，我们间隔真正的通用人工智能（AGI）有多远，AGI的定义或者实现的标志是什么？其余，目前Open AI引领的人工智能革命是比较公认的，但是否有其他竞争者？比如Claude，有人说它超越了ChatGPT和Open AI，但这种说法是否夸年夜？

李航：目前还没有一个严格的定义来界定什么是AGI。

大模型的通用性是一个显著的特点，它们能做很多事情，发展空间非常大。
但是，它和人在创造力、情绪和自由意志等方面仍有差异，模型在这些方面的表现也只能近似人类智能，而不是完备实现人类智能。

像黄仁勋说的AGI可能在5年内实现，也是基于特定的定义。
我认为，一旦我们能够清楚地定义一个任务并评价它的完成情形，人工智能常日能够完成得很好。
但是，人类能理解天下，能够遐想和想象，要想在这些方面追上人，我以为十年二十年之内人工智能还做不到。

张宏江： 我想就李航老师提到的三点进行辩论。
我赞许个中的两点，但对付情绪这一点，我认为情绪可以被视为人类的褒奖函数（rewarding function）。
如果我们能够学习人类的褒奖函数，供应足够的数据，那么人工智能就有可能仿照情绪。

这是一种高维度的繁芜函数，在打算上会很繁芜，而这正是大型模型的上风所在。
例如，鄂维南老师做的AI for Science，在材料设计，大略的材料构造可以通过微分方程算出来，繁芜的分子材料险些不可能算出来，利用大模型进行仿照是更好的办法。
在材料设计、景象预测和生命科学等领域，当问题繁芜到无法用数学方程来描述时，正好是大模型发挥浸染的地方。

周忠和：有人说大模型只是AGI的一块伶仃的拼图，还有很多拼图没找到，几位老师认同这个不雅观点吗？

张宏江：这一定是哲学家说的。

周忠和：这是你所不认同的，对吧。
李老师，你以为现在的大模型方向，便是通向AGI的充分条件吗？

李航： 在大部分情形下，我认为现有的大模型方向是精确的，是通向AGI的主要路子。
但也可能存在一些人类智能无法用大模型实现。

周忠和：李老师，你曾经提到过，深度学习在未来一段韶光是主流，但长远来看，我们还是该当从人脑打算中获取启示。

李航：我的不雅观点和现在的大模型路线实在不抵牾，只是希望将来能够在更好地模拟人脑，实现更靠近人的AGI。

打算存在功能、算法和物理实现三个层面。
现有的以Transformer为根本的大模型紧张是在功能层面上模拟人类，但在算法层面，AI和人的大脑的构造还是完备不一样的，以是我们可以在功能层面上更多借鉴人脑的机制。

薛澜：我跟他们俩唱一个反调。
路径依赖确实存在，但错过的道路，可能我们在很多年后会重新走回来。
比如过去我们的技能和资金都投资在燃油动力汽车上，实在电动汽车上个世纪初就已经被创造了，曾经有一段韶光也还是可以跟汽油车相竞争的，只是后来由于多种缘故原由就被忽略掉了。
多年往后的现在，电车又发展的很好，以是不用除错过的道路在未来能有很好的发展。

周忠和：薛老师，考虑到人工智能目前的发展趋势，您认为我们最须要哪类人才？是更方向于打算机专业的技能人才，还是须要更多跨学科的专家，比如脑科学、生命科学等领域的？

薛澜：我认为我们须要的人才首先要具备创造力，创造力在今后仍旧至关主要。
其余，传统的、那种很强调专业细分的教诲模式可能须要改变。
我们须要重新的维度重新思考教诲问题。

我们过去学习的知识和技能可以分为两类：一类是为了在社会中生存所必需的，另一类则是提升我们认知能力的学习。
我估计，随着人工智能的发展，第一类能力可能会被系统替代，这些东西也就没有多大必要去学习。

相反，我们须要思考的是如何通过教诲，提升受教诲者的认知能力和创造力。
可能须要一种全新的教诲办法，与现有的教诲体系完备不同。
实际上，人工智能对教诲系统的冲击该当是最大的，但我们正好是动的最慢的。

周忠和：李老师和张老师两位都在公司里事情，你们希望招聘什么样的人才？期待未来的教诲系统能够给你们输出什么样的人才？

李航： 在人工智能领域，本科的教诲是非常主要的。
在美国，顶尖大学机器学习本科学生的作业难度非常高，乃至要熬夜来完成。
打算机领域的一些基本技能培养，美国本科教诲都已经能做得很好，而海内涵这方面须要加强。
就纯打算机和人工智能的人才培养的角度来说，我是看到、感到有一定的差距的。

周忠和： 人工智能变成热门之后，很多人发起从中学开始学习人工智能。

张宏江： 作为两个孩子的父亲，我可能对教诲轻微多一点认识。
我认为主要的是培养孩子们的思考能力，而不但是详细知识。

美国的学校，对14岁的学生就开设逻辑和批驳性思维课程。
这个课程是教孩子们怎么思考，而不是一门详细的专业知识。
站在任何一个专业角度讲，如果你想从事研究的话，逻辑和批驳性思考能力是非常主要的。

未来的人才，最须要逻辑和批驳性思考的能力。
贯注灌注知识这样的教诲，实际上是培养就业能力，而且是过去的就业能力，未来是行不通的。
从科研人才的角度讲。
回过分看，在科学职业化之前、文艺复兴之后的几百年，也是没有职业科学家的，须要的是他们思考的能力和不雅观察的能力。

薛澜：我以为越是在这种形势下，人文素养也会变得非常主要。

开源和闭源，

哪一种模式对人类更安全？

周忠和： 最近有说马斯克因OpenAI违背了其非盈利的宗旨，打算将其告上法庭。
我们知道非盈利模式有其上风，但资金的缺少也可能影响技能的发展。

薛澜：当代科学和科技的发展，是希望在开放科学的道路长进步的，尤其是人工智能这个领域。
开源可以促进技能的互换和发展。
反对开源的人担心安全隐患，但也有人认为不开源可能更危险，这些方面的辩论一贯存在。
我以为可以请其他两位人工智能领域的专家，讲下到底该当怎么权衡这个问题？

李航： 去年一个AI会议上沈向洋博士表达过一个不雅观点，我非常赞许，是否开源取决于公司的商业地位和策略。
行业的领导者可能不会选择开源，第一名肯定不会开源，第二名想要和第一名竞争也不会开源，第三、第四名的公司可能会选择开源以取得一些竞争上风。

我以为至少从历史的履历上看，这个不雅观点是有道理的。
AI公司里，现在没有开源的是OpenAI、Anthropic。
开源的是Meta和Amazon。

周忠和：商业性之外，我们可能更关心开源辩论对技能发展的影响，以及安全问题。
这方面您怎么看？

李航：实际上，从商业角度来看，Meta和其他公司选择开源，并不是出于其他考虑，而是由于这样做能在商业上带来一定的利益。
我赞许沈向洋的不雅观点，他认为这些公司开源是为了在商业利益上得到上风。
这涉及到一个更根本的问题：人工智能技能的研究和开拓是否该当以市场经济为导向。

字节跳动研究部门卖力人李航

周忠和：薛老师您附和AI公司以盈利为导向吗？

薛澜：我们现在进行的关于人工智能的研究，实际上相称于在从事科学技能的根本研究。
在科学技能领域里，根本研究常日是开源的。
不过，人工智能研究的回报机制与之略有不同。
在学术领域，最先揭橥论文被认可拥有优先权，这便是所谓的回报制度，已经被大家所公认。
而人工智能大公司之间，真正的竞争在于终极的运用和产品层面。

从这个角度讲，我认为应该鼓励开源。
对付大公司来说，它们可以在商业运用和产品层面探求盈利模式，在那个领域开展竞争。
从各个研究领域的实践来看，这种在根本研究阶段开源、在产品化阶段闭源并寻求商业化的模式，目前看来对付推动人类社会进步是一种非常有效的做法。

张宏江： 我非常赞许薛老师的不雅观点。
开源是探索阶段的主要工具，它鼓励大家一起谈论、互换和评估，这样的话才能够真正地推动一个领域的进步。
从这一点上来说，我非常赞许开源。
开源能够把真正地做研究的人带到一块。
本日的AI领域，从方法论、架构还有很多问题须要办理，开源是一个非常好的互换载体。

周忠和： 您刚才提到了安全问题，那么我们该当如何办理开源可能带来的安全隐患？

张宏江： 无论是开源还是闭源，安全问题都是不可避免的。
但对付开源模型，我们更随意马虎进行验证和审查。
未来，任何发布的AI模型都该当通过安全认证。
此外，如果AI是一个可以改变人类的技能，我们须要在AI安全研究上投入更多的资源。

我曾在一个AI安全闭门会上听到一个不雅观点，让我很吃惊，但我相信个中的数据是对的：核电站设备的研发用度中有95%用于安全，这对我们AI领域来说是一个启迪。
我们是否也该当在AI安全上投入更多的资源？如果核电投入95%，AI是不是该当在安全上投入10%或者15%，由于这个技能也是可能导致人类灭绝的。

周忠和： 薛老师，您在常常在中国和国际舞台上积极谈论人工智能管理的问题。
安全性显然是大家非常关注的焦点。
鉴于人工智能已经达到了相称高的智能水平，我们是否可以认为开源在某种程度上也是一种保障方法呢？

薛澜： 是的，开源与闭源的谈论实际上涉及到利弊的权衡。
正如刚才所提到的，有人可能会担心开源会让极度组织或个人有机会滥用技能。
不论开源还是闭源，只要有心作歹，总会找到路子。
现有的各种技能，如果被滥用，都可能对人类社会造成毁坏，生物技能便是个例子，它同样存在被滥用的风险。
因此，更主要的是如何建立一套体系，来戒备和制止任何个人或组织滥用技能危害社会。
我们须要更多地考虑如何通过监管机制来掌握这些风险。

假设从企业的商业角度出发，须要采纳闭源等策略。
在这种情形下，我们就须要建立一套监管机制。
这个监管体系将对企业的闭源研究进行规范和约束，以确保其合法合规。
以是我认为，企业的需求和监牵制度是相互促进、相辅相成的。

中国在这一波人工智能浪潮中处于什么位置？

周忠和：中国在人工智能研究方面揭橥了大量的文章，并且在国际上也处于较为领先的位置。
但详细来说，中国在人工智能方面有哪些上风和不敷呢？比如有不雅观点认为，中国缺少高质量、大规模的中文数据集，这可能会影响我们的人工智能发展？

李航： 中国在人工智能的运用和商业化方面确实还有很多机会。
我们可以看到，在互联网和移动互联网时期，中国企业的表现非常出色，尤其是在过去的十年里。
我们在互联网商业化的运用层面上很有特色。
比如在大模型的实用场景中，不一定要追求像GPT-4那样的大规模模型，纵然是相对较小的模型，在特定的实用场景中也能发挥主要浸染。

就我个人的不雅观点而言，未来人工智能的发展机遇紧张集中在四大领域。
首先是张老师之条件到的助理领域，也便是广义上的助理和白领事情，这里有很大的运用空间。
其次，机器人的发展也非常关键，它们能够帮助工人和普通人完成一样平常事情任务。
再者，AI for Science，即利用人工智能推动科学研究，这在数学、物理、化学等科学领域都有潜力。
末了，娱乐行业，无论是***制作、电影、游戏还是虚拟现实，人工智能的发展都有很多机会。

比如在硬件方面，昔时夜模型与硬件结合时，机器人技能便是一个运用的范例例子。
实际上，不仅限于机器人，自动驾驶等浩瀚领域也有着广泛的发展机会。
在运用层面，我认为中国整体上还有比较大的上风。

至于数据问题，目前高质量的英文数据资源相对较多，而高质量的中文数据资源则相对较少，尤其是在互联网上。
但通过机器翻译或未来的一些新技能手段，我们是可以实现两种措辞数据之间互通的。
以是，我不认为措辞数据的差距会是一个特殊大的障碍。

不过，如果我们将人工智能的发展比作一场武备竞赛，那么可以说，Open AI在AGI方面确实领先一步，其他所有人都在努力追赶。
对付中国而言，无论是企业界还是学术界，我们各个方面都须要加大努力，以缩小与领先者之间的差距。

我们刚才也谈论到，中国的一些创业公司有很多做得不错的。
可以说，中国公司已经节制了AI大模型的科学事理，由于这些科学事理基本上是公开的，大家都能学会。
但现在的问题更多的是工程和产品开拓。
如果这些能够叫技能的话，我们实在是没有完备节制这些技能的，中国的企业也好，研究机构也好，还须要努力，把这些技能能够尽快节制，才能做出GPT4、Sora这样水平的东西。

张宏江：我要补充一点。
目前这一波深度学习驱动的人工智能浪潮，并不是一个新征象，本日的情形只是进一步强化了这种不雅观点。
这波浪潮是算法、算力和数据三者的结合。
在很大程度上，算法反响了人才的实力，也便是我们所说的人才。
以是也可以说，是人才、硬件和数据的组合。
通过这三个点，我们可以清晰地知道自己在什么定位。

数据我们有很多办法填补，接下来便是人才。
斯坦福大学每年发布的AI指数报告。
这份报告统计了环球AI领域的论文揭橥情形，你猜在前十名的机构中，麻省理工学院（MIT）排名第几？

周忠和：难道没有排到第一？

张宏江：如果MIT排第一，我就不提这个问题了。
实际上，MIT排在第十，而前九名全是中国的机构。
这解释我们从业的人才一定不少，无非便是我们须要把揭橥文章的数量变成质量，把跟进变成打破、引领。
还有很多思路，我们使可以连续沿着这三点思考的。

关于李航老师说的，中国在运用方面有上风这一点，我也有不同不雅观点：这一次跟以前可能真是不太一样。
现在AI领域的目标是AGI，强调通用。
以前是单点上的技能，现在是一个通用的智能。

这就跟以前不太一样了，每一次OpenAI发一个新的版本或者加一个新的特性（feature），便是一片公司倒下。
原来你认为一个公司才可以做的事情，大模型加一个特性就覆盖了。
Sora出来后，Runway和其它做***天生的公司就很紧张，由于你便是一个工具，Sora是多模态大模型的一个部分。

如果大模型连续沿着这个方向发展，它们的功能将变得越来越全面。
当几句话就能在GPT 商店里产生一个新运用，昔时夜模型的功能无所不包，是不是像上世纪90年代微软的操作系统，给当时其他软件公司带来的恐怖。
而你还不能够用反垄断的办法来对抗它，由于大模型本身就这么强。

指望靠一个性能稍差的、70分专用小模型，去完成特定运用，就怕人家做出90分的大模型，顺手把这些功能都覆盖，横扫这些小模型。

那为什么自从ChatGPT问世以来，虽然已经由去了一年多的韶光，但在我们所说的AI原生运用领域，并没有看到太多新兴公司的身影？一方面是大家都没摸清楚，另一方面是大模型性能还没好到那个地步，用在哪个领域，急速让用户满意。

由于用户对付运用的期望值非常高。
比如，当30年前语音识别技能不成熟的时候，苹果做了一个手写和语音识别产品叫Newton，但问题是语音识别的技能不过关，乃至手写识别那时候也不过关，由于那时候神经网络还是三层的。
末了用户不认可，这个产品行情大跌。
当一个技能撑不起一个产品，或者只能撑到60分，而用户的实际期望值是90分时，这个产品就相称于0分。

我们千万不要有这种心态，说之前我们成功过，我们在运用角度遇上了，就以为新技能也就这样。
这一次可能真不一样，这是我想要说的。

李航：我想再补充一点，我大部分赞许张老师的不雅观点，但就像我们谈论的互联网搜索引擎，有Google这样的巨子，当然还有其他的搜索引擎存在。
纵然Google霸占了市场的主导地位，其他公司仍旧有机会。

张宏江：但Google霸占了90%的市场份额，而微软努力了20多年也只得到了3%的份额，这便是差别。

李航： 我理解您的不雅观点，但我认为在实际运用中，大模型并不总是能够完备取代小模型在一个详细的垂类上做的事情，GTP4也是90分，可能一个小模型也是90分。
在特定领域，定制化的小型模型可能更有上风。
由于它的性价比更高，商业上站得住脚。

张宏江： 我不同意。
我可以立时举个例子，ChatGPT出来之后，各种翻译软件都去世掉了。

李航：但我理解到，GPT4在美国一些公司的实际场景里面，由于领域上的适配问题，实在本钱很高，或者不很成功的例子也挺多。

张宏江：那是GPT4的问题，它还没有达到90分的地步。

李航： 无论是从经济角度还是工程实现的角度来看，只管大模型可能在通用领域表现出色，但市场的需求并不总是集中在通用领域。
总会有一些特定的细分领域，特定的小型模型或技能可能整体更有上风。
我不太相信大模型一个东西能把什么事都做到。

但我也赞许，Google霸占了市场的主导地位，拥有高达90%的市场份额。
在这种情形下，我们可以看到，只管其他公司也在努力，但目前还没有哪家能够撼动Google的地位。
我们现在利用的GPT-4，它的市场地位也非常稳固，一旦用户对其产生了依赖，就很难转向其他做事。
这种粘性使得通用技能领先的公司很难被取代。
因此，在这个意义上，我赞许超大模型有着广泛的覆盖能力和强大的市场影响力。
但是其他企业也还是有机会的。

周忠和：这个问题看来还是值得谈论。
末了我们问一下薛老师，从政府的角度，如何更好地推进我国人工智能奇迹?

薛澜：人工智能政府的政策，一方面是推动，推动它的发展，其余一方面是规制它的风险，以是这实在是两个轮子同时转。
政府投入我以为实在现在大家都想到了。
但其余一点也非常主要，便是怎么样去营造一种生态，能够让中国的企业跟研究机构，包括跟高校等等，它能够去形成一种很自然地融在一起，这个始终是中国要办理的问题。

这在中国人工智能领域尤其主要。
就像刚才张老师讲的，论文我们发得很多，专利也不少。
我们最缺的还是生态，这是研究不出来的，须要领导们创造有利的条件，让各种机构和人才能够在这样的环境下发挥浸染。
像智源这样的组织，正是在这样支持性的环境中得以建立和发展的。

政府在推动人工智能发展的同时，也须要规制其风险。
此外，建立一个良好的生态系统，让企业、研究机构和高校能够自然地领悟在一起，这对付中国来说是一个须要办理的问题。
在环球层面上，我们须要建立一个环球性的风险防控机制，这须要政府、企业和研究机构的共同努力。
同时，我们也须要认识到，人工智能的发展不仅仅是技能问题，更是社会问题。
它涉及到伦理、法律、就业等多个方面，我们须要在这些方面进行深入的研究和谈论，以确保人工智能的康健发展。

关于风险管理和规制，我想补充一点。
这是一个多层次的问题。
首先，我们须要在环球层面上尽快建立共识，制订一个环球性的风险防控机制。
这不仅仅是政府的任务，也须要环球的企业和研究机构共同参与。
虽然大家都在朝这个方向努力，但要真正让这些方法落地也不随意马虎。
这是须要大家共同努力的。

不雅观众提问

不雅观众1：我是清华大学苏世民书院2021级的毕业生，现在在智谱华章做家当生态方面的事情，非常感激各位老师，刚刚将近两个小时的分享，非常有启示。
我有两个问题，第一个问题，比来不少中国人工智能初创企业，尤其做C端运用的企业，选择出海开展业务。
可能出于两个考虑:一是希望借助外洋最前辈的模型，二是外洋付费市场相对更加成熟。
与此同时，海内大部分公司则专注B端，便是帮助本土企业降本增效。
您怎么看待这种发展分野和趋势?对中国人工智能的科研和家当化进程会产生何种影响?

第二个问题，OpenAI的Sam Altman最近发布了一个操持，他打算斥资7万亿美元来推动半导体行业的改造和变革。
各位老师如何看待这样作为私营企业去做这样大规模的融资，对付全体家当界或者学术研究的影响？以及可能中国的生态如何受到它的启示，或者我们怎么能够另寻一条路径，来跟这样的生态匹配？

现场不雅观众

张宏江：回答第一个问题。
出海这件事儿，你们把稳到的是面向消费者的企业（to C）在进行外洋扩展，但实际上，面向企业的企业（to B）的出海活动更为频繁，而且实在也非常有道理。

如果我们比拟一下中美两国的软件市场和互联网运用市场，尤其是在软件工具和云做事（SaaS）领域，我们会创造美国的企业市场（to B）远比中国成熟。
因此，中国的企业级软件出海计策不仅合理，而且非常必要。
经由几十年的发展，中国的软件家当在toB领域相较于toC领域仍有较大的差距。
如果我是企业决策者，特殊是做toB业务，我会更方向于出海，由于那里的市场对付费做事的接管度更高。

我还想多强调一下，toB软件、工具类软件或SaaS遍及的主要性。
toB软件的核心在于为企业供应提高效率的工具，比如Office、SAP或飞书等都是提升生产力的工具。
当公司广泛利用这些工具时，意味着它们在追求效率的提升。
而我们很多公司还没有充分利用这些生产力工具，这反响出我们的生产效率还不足高，可能还在依赖人力来完成任务。
以是，我希望大家不仅仅将这看作是一种商业模式，而是关乎我们是否能够提升生产效率的关键问题。
生产效率低，显然对付家当是非常大的一个问题。

回到海内这25年，我始终非常倾慕外洋的toB的软件市场，我希望这块未来能够有所打破，这样我们才能真正提高人均生产力，由于人均收入的提升实质上依赖于人均生产力的增长。
否则，我们的人均效率将持续面临问题。
这便是我对第一个问题的意见。

李航：我来回答第二个问题。
人工智能的发展确实须要大量的投资。
我们刚才谈论到根本研究该当是开源和公开的，这是AI技能发展的源泉。
目前AI技能，特殊是大型模型，更倾向于工程实现。
我们不雅观察到，至少在某些领域，工业界的创新能力已经超越了根本研究机构的创新能力。
这是一个新征象，在人类科学研究史上前所未遇。

我相信开源的努力会连续，由于许多学者都在这样做，只管他们的事情可能在某些方面掉队于像Open AI这样的领先企业。
例如，Lambda等项目是开源的，但我们也要认识到，纵然是商业公司的开源，也有其分外性子，背后可能有其他考虑。
从技能推进的角度来看，开源可能仍旧面临寻衅，由于它须要大量的开拓事情，更主要的是技能创新。

我也赞许，如果是闭源的模型，政府该当进行一定程度的监管，企业也该当承担叛逆务，做精确的事，这非常主要。
AI研究一样平常是在大规模的环境下进行的，AI的发展须要大量的投资，这是我们目前所面临的现实。
就像我们之前谈论的，为了推动技能向前发展，我们须要大量的资金来扩大模型的规模。

张宏江：我以为7万亿这个数字跟闭源和开源不一定有直接关系。
如果你认同Scaling Law，并且考虑过我们间隔实现AGI还有多远，还须要多少资源，那么你可能会得出这样的数字。
我们可能须要投入这么多资金，乃至更多，不仅是一家企业，可能还有其他企业也须要投入相似的资金量。
这不是拍脑袋，而是基于Scaling Law的合理预测。
随着模型参数的增加，我们须要更强大的算力进行演习和推理，更多的机房、更多的IDC举动步伐和电力供应。
如果现在的模型扩大1000倍，那么这样的投资规模可能便是必需的。
为了搭建这个别系、实现这个目标，就须要相应的投资。
我以为这是他的思考，而且从Sam的角度来说，这家伙想问题常常都是往10年往后想。

不雅观众2：我博士毕业于清华大学精密仪器系，目前是在中国信息通信研究院做人工智能方面的技能家当研究。
我的问题是，首先，我们提到人工智能的发展依赖于三个核心要素：算法、打算能力和数据。
目前，算法研究可能面临研究力量分散的问题，算力方面受到美国对高端AI芯片出口禁令的影响，而数据方面，高质量的中文数据集可能还不足充足。
面对这些寻衅，我们该当如何权衡这三者的优先级，有限发展哪一种。

其次，如果打算能力是目前制约我国发展像Sora这样的前辈大型AI模型的紧张成分，那么是否可以通过国家力量，整合海内现有的高端打算资源，比如英伟达的芯片，来支持海内科研职员的研发事情，从而实现我国在这一领域的打破？

李航： 第一个问题，正如我之条件到的，从长远来看，人才培养是最关键的。
虽然算力目前碰着了瓶颈，但这相对是一个短期问题。
长期来看，人工智能的发展离不开人才的培养。

个人认为，本科教诲非常主要。
大学的研究事情，如何与家当界结合，推动人工智能领域的研究，这也是主要的。
对付长期发展，最核心的还是人才。
短期问题，比如数据问题，相对随意马虎办理，但人才培养须要全社会的共同努力。

周忠和： 说到人才，我想到了一个问题。
我们常日关注人数和揭橥论文的数量，就像张老师之条件到的排名一样。
但在中国科技领域，我们现在须要的是真正的创新的拔尖的人才，这不仅仅是数量上的问题，对吧？

张宏江： 没错。
特殊是在未来，那些凑数的很可能会被AI取代。
我们须要的是那种能够进行真正创新的人才。

薛澜：我谈谈第二个问题。
我以为这是一个假设，这种假设是很难实现的。
如果我们回到几十年前，在举国系统编制、操持经济下，说不定还有点可能。
本日的这种情形我以为是非常难的，以是这个条件不存在，我们就没有必要磋商到后面的部分了。

不雅观众3：我是理论物理专业的学生，从事理上来说，AI是否可能具备提出全新根本理论的能力？比如像相对论或标准模型这样的理论。
如果AI真的可以做到这一点，那么我们是否可以得出结论，比如像当代的Transformer架构，它是否能自我产生出比自己更前辈的架构？如果是这样，那是否意味着AI具有一种自我进化的能力？

张宏江：如果你问的是AI能否设计出比自己更有效的工具，我认为这是有可能的。
关于AI是否能够自我进化，目前我还看不到这样的能力，但我不认为这在未来是不可能的。
随着我们构建越来越大的模型，它们实质上会变得更智能。
设计更大的模型须要更高的效率，如果AI能够设计出更好的编程模块，使工程履行比人类更高效，那么在这一点上，我认为AI是有可能实现自我超越的。

至于AI能否创造新的物理打破，我认为这和问一个物理学家未来十年是否会有重大物理发现一样，都是开放性的问题。
不过有一个例子值得一提，那便是核聚变。
核聚变实质上是创造一个小型太阳，而要实现这一点，我们须要能够包裹住核反应的等离子体。
核聚变紧张的一种构造，托卡马克（Tokamak）内部的等离子体，只能通过大型AI模型来完成设计。
也便是说在核聚变这个领域，AI已经帮上忙了，由于它能够设计出之古人类无法设计的等离子体模型。
以是，当我们评论辩论到7万亿美元的投资时，可以说AI也在帮助办理自己的能源问题。

现场不雅观众提问正在提问

周忠和：那AI能够提出原创性的科学问题吗？

张宏江：如果它能做数学推理和证明，我以为就不远了。

李航： 我是这样看待这个问题。
AI目前还难以展现出真正的创造力，比如说那种颠覆性的创新，像相对论那样我们从未想过的理论。
虽然现在AI能够创造新的定理、新的证明方法、新药物和新材料，但它更像是在广阔的搜索空间中探求最佳答案。
它能够处理的规模是人类无法比拟的。

周忠和： 也便是说，AI的创造是基于现有知识框架的，对吗？

李航： 可以这么说。
AI实际上是在一个巨大的搜索空间中探求精确的解答，人是做不到那么大规模的搜索的。
从这个角度看，AI在未来的科学创造方面潜力巨大，我对AI for Science的未来发展非常乐不雅观，这个意义上的科学创造会非常多。

只管我们还没有完备办理AI for Science的数据问题，这不像互联网数据相对丰富，但我认为这个寻衅终极可以被战胜。
如果我们按照Scaling Law的思路来看，未来的发展空间是巨大的。
但是，对付那些完备颠覆性的创新，比如相对论，我认为AI目前还做不到。
由于AI的创造是基于我们设定的数据和搜索空间，它在这个范围内进行组合和搜索，而不是创造出我们从未想过的新观点。
以是，至少在目前，我没有看到AI能够打破这一点。

不雅观众4：我是来自景象预报领域的，首先，当AI模型能够供应比传统数理模型更准确的预测时，我们是否该当放弃那些我们熟习且建立起来的数理模型，停滞考试测验用它们去理解物理机制的过程？还是说，我们会依赖AI来见告我们这个天下是如何运作的？

其次，随着AI逐渐取代了许多传统的白领事情，我们可能会面临一个社会征象，大量的人可能不再须要事情。
如果按照97比3的比例，那么那97%的人将如何度过他们的生活？他们是否能够发挥人类独占的创造力？如果他们只是普通人，他们该当如何适应这样的生活？社会又将如何看待这些不再从事传统事情的人？我们对付“人该当如何生活”的哲学是否会发生根本性的变革？

张宏江：我的回答是，人类将持续探索新的领域和方法，由于模型须要人来供应数据。
这种数据包括新的方法。
以是我以为，人和模型会共存，而且互帮互助。
但与此同时，模型的发展也会对人类提出越来越高的哀求。
想象一下，如果大部分事情模型都做得比人好，那对人类的能力和本色就会有更高的期望和标准。

薛澜：您刚才提出的问题非常主要。
实际上，我认为这里涉及到两个方面的问题。
首先，正如我们之前谈论的，随着人工智能的广泛运用，特殊是那些能力出众的人可能会变得更加高效，而其他人可能就不再被须要。
在这种情形下，我们首先须要面对的是社会分配问题。
现行的社会分配制度可能须要进行重大的调度。
否则，没有事情的人可能会采纳极度行动。
因此，这个问题必须首先得到办理。
现在，人们正在谈论普遍基本收入（UGI）和其他各种新的分配办法，这些都是我们社会须要探索的。

当然，您提到的另一个问题也确实存在。
在未来，我们目前所说的事情，可能不再须要如此大量的就业人口。
这种情形下，未来人类生活的意义是什么？我们该当如何创造新的办法，让每个人都能在社会上生存并连续过上故意义的生活？这也是我们全体当代社会须要积极磋商的问题。
不过，我相信技能进步虽然迅速，但社会的演化温柔应能力也同样强大。
我们的认知和社会的容忍度将会随着技能的发展而调度。

以是我认为不至于在短期内，比如五年后，所有人都失落业。
但另一方面，我们须要有紧迫感。
在适应这些变革的同时，磋商未来人类社会的形态，以及我们如何坚持故意义的生活是很主要的问题。
这是须要我们大家共同努力的方向。

不雅观众5：各位老师好，我是北航生物医学工程专业的博士研究生，我现在的这个研究方向是人工智能在蛋白质设计中的运用。
刚才几位老师讲得很清楚，现在人工智能已经非常的强大了，在未来，我们相信AI是专家的时候，我们怎么去研判我们问它的问题，它反馈给我们的是精确的？

李航：这是一个开放性的问题。
Open AI也在研究，当超人类智能涌现时会发生什么。
这涉及到很多未知的问题。
我个人不雅观点，我们现在不要过多地谈论这些问题。

我们现在利用GPT-4，它有时会有机器幻觉，我们须要判断它所说的是否精确。
如果你理解它随意马虎犯哪些缺点，你就会更懂得如何利用它。
我们须要节制这种技巧。

周忠和：有人说有10%的缺点率，真有这么高吗？

李航：不止10%。
比如你问北京五塔寺的地址是什么？GPT-4会回答缺点。
我试过，它会给出错误的答案。

周忠和：Sora也会犯错吧？那个***看起来很吸引人，但里面彷佛也有一些问题……

李航：Sora现在乃至还没有公开，听说实际上犯的缺点大概多。
我们须要逐渐适应这种工具的特性，理解什么问题可以问，什么时候问完后须要去核实。

未来还有很多这样的开放性问题，比如刚才提到的科学创造，我们须要去验证。
我们须要确认它是否精确，数学证明也是如此，如果它声称证明了一个新的定理，我们仍旧须要去验证。
这个中还有很多须要探索和研究的课题。
我认为这是一个新时期，科学研究也进入了一个新的时期。

- 关于科学四十人 -

在创办《知识分子》和《赛师长西席》等有名科学文化平台的根本上，智识学研社发起成立了民间科学互换平台 “科学四十人”。
“科学四十人” 的成员包括数学、物理、化学、生物、医学等九个领域的领军科学家。
“科学四十人” 致力成为前辈的科学互换平台，积极推进国际科学互换和环球科技管理议题，汇聚各个领域的科学力量和专业知识、见地和影响力，推动人类可持续发展。
“科学四十人” 得到了科汇致远***基金会的大力支持。