【洞见·TMT】

　　当前，人工智能的研究与应用范式不断发生变化。北京大学长聘助理教授仉尚航指出，最显著的变化是从单一模态走向多模态融合，研究范式也从“面向特定任务的小模型”转向“以基础模型为底座、支持多任务扩展”的大模型路径……

　　这些转变，不仅提升了模型的泛化能力，也重新定义了人机交互的边界。围绕“引领人工智能创新范式，共建学者创新生态”的主题，在2026智源学者年会上，仉尚航等多位专家展开讨论。

　　学术、产业从“松耦合”走向“双向奔赴”

　　人工智能的研究范畴，已从纯算法模型拓展至“数据—算法—算力—硬件”闭环的系统性工程。“AI已如数学一样，成为一门基础学科。”清华大学智能产业研究院助理教授赵昊认为，基础模型的种类不断增多，从图像分类到3D生成，从自动驾驶到科学计算，AI正在成为支撑各学科发展的基础工具。

　　在AI的创新生态中，学术界、产业界的关系正在发生重构。中国科学院计算技术研究所研究员许倩倩介绍，过去学术界偏重基础理论，产业界侧重工程落地，二者是“松耦合”关系；如今，双方正在走向“双向奔赴”的深度融合。产业界为学术界提供真实场景、海量数据、关键问题，学术界则通过对基础问题的研究反馈产业，形成良性循环。

　　然而，产学研融合仍面临多重挑战。仉尚航认为，企业多以短期业务需求为导向，而学者更关注长期基础性问题，二者目标存在一定错位；若学者同时与多家企业合作，易导致研究方向分散，难以形成系统性突破。湖南大学信息科学与工程学院教授赵捷从资源角度指出，学术界在算力、数据等方面相对“贫困”，而大模型的训练与部署成本高昂，导致许多原创性工作反而由产业界推动。这一“创新倒挂”现象提示我们，需通过机制设计促进资源流通，使学术界能在基础研究中保持活力。

　　技术之外，构建开源机制也很重要

　　在AI创新生态中，开源已成为不可忽视的力量。从软件框架到预训练模型，从数据集到工具链，开源正在重塑科研协作的模式。西安交通大学软件学院教授韩鹏表示，在具身智能等前沿领域，开源能极大降低科研门槛，避免“重复造轮子”，使研究者能将精力集中于核心创新。

　　然而，开源也是一把双刃剑。许倩倩以DeepSeek为例认为，开源与闭源分别对应着“开发者生态”与“全产业链闭环”两种商业模式。研究者需根据成果属性战略性地选择是否开源。其中，基础性、框架性工作适合开源，而涉及隐私或商业机密的技术则需谨慎。

　　仉尚航分析，在具身智能等起步领域，开源尤为必要。由于模型设计未收敛、数据标准不统一，开源能促进技术迭代与生态共建。赵捷也坦言，国内开源文化尚不成熟，许多项目仅“开源代码”而缺乏文档、注释、配套工具，导致可用性差；此外，企业因知识产权考虑对核心代码持保守态度，也限制了开源的深度。

　　赵昊建议，可以通过区块链技术重构开源协作机制。若能设计一种基于贡献度记账的协议，使每位代码或数据贡献者在后续商业化中享有收益分配，将极大激发协作意愿，甚至改变科研组织形态。也就是说，我们在技术之外，机制创新同样重要。

　　跨越阻碍创新的“死亡之谷”

　　人工智能如何从实验室走向产业？智源研究院院长王仲远分析了技术产业化过程中的核心挑战以及平台化解决方案的重要性。

　　“从科学技术到最终的产业化、商业化，中间存在一道需要跨越的‘死亡之谷’。”王仲远认为，这道鸿沟体现在多个层面：一个从0到1的算法在规模化后，是否依然有效，是否是真实存在的需求，是否具备商业化可能性，一系列问题构成了技术落地过程中必须逐步跨越的鸿沟。许多创新正是在此阶段夭折的。

　　面对挑战，王仲远强调了创新生态平台的独特价值。比如，以ChatGPT的发展历程为例，说明从科学到技术、工程、产业的多次跨越至关重要，智源等平台孵化多家企业，将产业界的观点、投资人的视角以及用户的真实需求带回研究院，使研究始终保持与产业的近距离。

　　如何促进生态开放？王仲远说，目前，人工智能（特别是具身智能）领域尚处于“小组赛”而非“淘汰赛”阶段。面对可能出现的“百团大战”式竞争导致资源分散的风险，开源开放的生态建设者要帮助学者链接真实产业需求，展示其科研的产业化价值，从而为整个产业链赋能。（文/李政葳）