2025：人工智能领域的100个趋势与挑战

“

人才引进是科研的关键，人才的培养至关重要。我们可能已经进入一个人才的转折点，实现了自给自足，高端人才进入了一个方向，不仅有源源不断的生力军加入，指导他们的科研团队和师资也到了世界最高水平。

——清华大学交叉信息研究院院长及人工智能学院院长姚期智

当前大家都在关注Scaling  Law，但同样重要的是如何提升研究者的规模。如何能够创造性地发挥团队本身的创造力，同时又能更好地完成团队间的协作，实现更高层面的规模化，这是Scaling  Law下一阶段也需要研究的问题。

——上海人工智能实验室主任、首席科学家，清华大学惠妍讲席教授周伯文

世界模型的构建是智能体（如自动驾驶系统和机器人）用来感知和理解外部环境的核心。世界模型模仿人类大脑的认知过程，将外部环境的信息转化为内部可操作的模型，这使得智能体能在当前状态下预测未来变化，从而有效指导决策和行动。

——中国工程院院士、西安交通大学教授郑南宁

工程智能是冉冉升起的“新星”，它将成为衔接科学智能与产业应用的桥梁。工程智能不仅解决了实际工程问题，还将带来了全新的研究视角和挑战。国际上的工科大学正纷纷推进工程智能的研究，这需要高校、人工智能相关实验室、科研院所，特别是企业的共同参与。

——中国工程院院士、同济大学校长郑庆华

AI上空笼罩着“两朵乌云”：自主连续增量学习和取代DP（数据并行），要驱散乌云，就要超越现有模型，跳出大模型规模竞赛，探索新路径。

——香港大学计算与数据科学学院院长、AI讲座教授马毅

三维空间智能、具身智能场景应用两大趋势值得关注；此外，新一代算力资源下Scaling Law还有潜力。 

——北京大学教授陈宝权

AI如果能从与人类的互动中不断反思，在价值观层面、情感层面不断学习，从而提升AI系统的情商，做到“人情练达”，那么它将是更高阶的智能。

——传播内容认知全国重点实验室主任、人民网董事长叶蓁蓁

智能的定义可以非常广泛，黑盒模型在某些应用中足够，但白盒模型在理解人类的智能上可能有优势。未来将出现更多创新，不同研究机构和企业将提出各自对智能的理解，并在特定领域内超越现有水平。

——稀宇科技创始人闫俊杰

理解方法原理非常重要，但业界应避免盲目跟风，利用白盒模型指导实践，避免资源浪费。当前，距离AGI的实现仍有很长的路要走，未来需要更智能的目标导向和试错机制。

——阶跃星辰首席科学家张祥雨

多模态大模型将像语言模型一样实现突破强泛化的涌现能力，并基于更多样的Scaling Law维度实现原始创新。

——上海人工智能实验室主任助理、领军科学家乔宇

AI for Science能否成为自动化的流程？这将是一个很长的链条，第一步可以先从用AI辅助科学家加速科研开始，即AI Scientific。

——西湖大学终身教授张岳

除了规模，更要关注大模型的能力密度，模型能力密度持续增强是一个熵减的过程，要通过施加尽可能多的外力来达成。

——清华大学副教授刘知远

未来，工程时代将侧重于提示工程和认知工程，通过自然语言接口和人类思考数据的收集，AI模型将有机会学习人类的认知过程，从而加速对世界的认识和科学的发展。

——上海交通大学副教授刘鹏飞

强推理模型路线将进一步深化和进步，包括强化学习、测试阶段规模化和奖励模型的构建方法等均会迎来创新，同时全链路全模态在各个领域中的实际落地越来越多。

——浙江大学百人计划研究员赵俊博

语言智能体任务带来的多样化目标将进一步使能基于多样目标的强化学习、更多的学习目标可能会成为尺度定律（Scaling Law）的新维度。

——俄亥俄州立大学博士谷雨

当前主流还是在推动语言单模态的AGI，已经到了推理优化阶段了，未来的发展方向应该是多模态AGI，需要多模态原生统一架构，比如视觉生成和理解能够在同一个主干网络下完成，实现生成即理解，从而推动多模态AGI实现。

——北京大学助理教授袁粒

将离线学习和在线反馈融合，是未来具身智能研究需要突破的关键挑战。反馈是具身智能重要的学习渠道，应包括人类反馈、具身环境反馈及来自其他智能体的反馈，并在物理环境下进行反馈融合，共同推动具身智能能力提升。

——清华大学副研究员苏航

模型的记忆能力将会得到进一步解决；二维、三维、文本、时间等多个模态会在模型中真正被统一；世界模型将成为热门研究方向。

——DeepWisdom创始人吴承霖

无论是从AI的角度解决科学问题（AI for Science），还是从科学的角度优化AI（Science for AI），未来的重大突破都将源自于这种交叉领域的工作，即“人工智能+”。

——浙江大学求是特聘教授吴飞

AI4S将突破传统学科壁垒，助力科学发现。利用创新的数据结构和生成算法，如贝叶斯流神经网络，将有效解决分子和蛋白质生成中的多模态数据处理和噪声敏感性问题。

——清华大学副研究员周浩

面对物质科学中的“高维度、非线性、复杂体系”挑战，AI作为跨学科工具，展现出解决高复杂度问题的潜力。构建关联光谱与结构、性质的谱学大模型，将实现从结构到光谱、再到功能性质的精准智能预测，目标导向地从光谱反演结构，推动物质的智能创制。

——中国科学技术大学副研究员冯硕

当前药物研发面临科学数据孤岛和学科壁垒两大难题。AI通过机器学习和深度学习算法，将能高效筛选化合物，预测分子亲和力，显著提升先导化合物发现率。

——伦斯勒理工学院助理教授符天凡

从任务角度出发，可以将各类Science任务归纳为仿真、设计、控制和发现四大类别，这一分类有助于我们深入理解AI在科学任务中的共性，进而有助于打破学科间的壁垒。

——西湖大学特聘研究员、助理教授吴泰霖

未来的基座模型必须具备五大关键能力：深度理解多模态信息、精确建模复杂交互、严格遵循自然规律、精通物理设备的感知与操控，以及实现科学实体与人类语言之间的无缝双向翻译。

——浙江大学助理教授张强

在多模态学习的框架中引入神经记录数据这一新模态，将使我们能够利用神经编码技术来解析大脑活动和神经机制，并运用神经解码技术构建从大脑到语言等信息的脑机接口系统。

——上海科技大学助理教授李远宁

识别并深入挖掘具有突破性的应用场景极为关键，要以场景为导向，有效地引导算力、算法和数据资源的合理配置。

——中国南方电网公司首席人工智能官李鹏

AI的跨学科应用已促进科学进步，而真正的创新在于将概念验证（“0到1”）转化为实际应用（“1到10”）。

——上海人工智能实验室领军科学家马剑鹏

AI将成为广大科研人员的一个重要工具；AI方法将在技术驱动的产业界不断实现落地；AI将成为理工科大学生的必修课。

——上海创新药物研发中心研究员吴国胜

对融合不同模态的大模型科学智能系统的研究将进一步深入，复杂的科学智能生态系统，比如地球空间生态系统，智能农业生态系统等将出现。

——中国科学技术大学教授赵峰

短期内，AI for Science有希望在重要领域实现示范性应用，如推动煤化工和药物设计等领域的发展。长期而言，期待AI for Science能提供标准化科学智能平台，"摆在实验科学家的桌上"助力实验科学家快速验证想法及推理，加速新科学问题和理论的发现。

——华东师范大学教授朱通

通过触觉与视觉信息的深度融合，机器人的操作精度和细节处理能力将得到革命性提升。随着触觉传感和仿真技术的突破性进展，机器人将获得更加精细的感知能力，这不仅将加速具身智能的进化，更将引领我们迈向一个全新的、更高层次的智能时代。

——北京邮电大学教授方斌

未来人形机器人产业化落地关键的不在于跑步能力，而是手部精细操作的能力，其中灵巧手是部署到家庭环境中的末端执行器，而工业场景仍将主要是夹爪的天下。

——上海交通大学副教授马道林

未来的智能体必须掌握更强的空间感知能力，将视觉、语言与物理环境的融合推向新的高度，实现从表层“理解”到深层“执行”的飞跃。这一跨越，正是通往通用人工智能的关键一步。

——北京通用人工智能研究院研究科学家黄思远

在跨任务应用的挑战中，巧妙组合学习策略与经典控制，能够提升仿真与实际操作的一致性，降低探索空间，是解锁通用机器人智能的重要因素。它不仅为机器人在现实世界中的应用开辟了新的前沿，更彰显了学习与控制结合的强大潜力。

——浙江大学教授王越

融合现实世界中的感知数据并结合世界模型的训练，能够显著加速策略在新环境中的适应过程。这不仅极大地推进了机器人控制策略的泛化能力，也能为强化学习在实际应用中的突破提供新思路。

——上海交通大学教授张伟楠

通过在专家示例数据上训练基于轨迹草图为提示条件的策略模型，能实现技能从已知任务到全新任务和环境的泛化。这一方法超越了传统的语言或视频训练，赋予机器人在数据更少、任务更复杂的情况下更强的适应性和灵活性。人形机器人和灵巧多指手的研究今后会更多。

——上海科技大学助理教授顾家远

为了实现通用性和泛化能力，需要解决三大多样性问题：任务描述、操作物体和机器人本体，并通过统一的格式和分层操作构建一个能够适应各种环境和任务的机器人操作模型。

——新加坡国立大学助理教授邵林

具身智能正克服数据稀缺的问题，通过基于动捕、VR遥操作等技术的大规模真机数据采集方案进步，推动在制造、零售等行业的应用，并借助触觉、3D感知技术拓展到更复杂场景。

——智元新创研究院执行院长姚卯青

面对端到端模型在具身智能领域的局限性，未来的技术路线将更倾向于虚实结合和多模态融合，以优化数据采集、控制与决策系统，全面推进具身智能的发展。

——中国科学院自动化研究院研究员张兆翔

在工业领域，触觉感知是纯视觉数据无法替代的关键维度，视觉数据单独是无法胜任某些任务的。此外，为了弥补物理数据量的不足，仿真与合成数据也会变得逐步重要，它们是实现任务完成所必要的补充。

——傅利叶智能通用机器人事业部副总裁周斌

大语言模型在提升性能的同时必须解决幻觉现象，特别是事实性和忠实性幻觉，这要求从数据质量、模型架构到推理策略全方位着手，并重视多语言多文化背景下的模型一致性，以确保AI技术的可靠性和实用性。

——哈尔滨工业大学教授冯骁骋

大模型训练时使用的是已知可建模的知识，但这个世界还存在更多未知可建模和未知不可建模的知识，这给可信应用带来了安全隐患。同时，随着具身智能的兴起、随着大模型各种应用，AI注定会走向现实，因而在现实世界中，研究物理对抗变得更有紧迫性。

——复旦大学青年研究员马兴军

四个趋势值得关注：大语言模型的可解释性与可溯源性；针对Reward Hacking问题的高效训练与监督方法；通过逻辑推理与数据增强等手段促进AI安全；多元文化价值的动态对齐。

——北京大学助理教授杨耀东

现有的对齐方法不能完全确保大模型的安全，一个安全防御框架需要从价值偏好对齐拓展到行为规范对齐，结合任务和多轮次交互，实现智能体在具体场景中的对齐。

——上海交通大学助理教授张倬胜

安全本身不是模型的specification，而是整个系统层面的考量。在构建安全可信AI时，需要超越单个模型的局限，从整体系统的角度来考虑和实现安全。

——新加坡管理大学助理教授谢肖飞 

大语言模型，本质上是模拟条件概率分布的概率模型。它们无法将所有非最优假设的概率降至零，理论上应该这么做，但实际上做不到，这就导致了一些意外现象，我们称之为“likelihood leakage”。

——普林斯顿大学博士后研究员祝剑桥

大语言模型的安全性、可靠性问题是大家关注的焦点，因为，我们对这一问题的理解必须从worst-case的角度出发。

——清华大学博士后研究员董胤蓬

尽管Agent能够规划、记忆和执行，但它们还不具备完全自主迭代和提升能力的特性。从理论层面上，我们需要更好地理解Agent如何理解环境和每个动作可能带来的后果，尤其是在涉及经济价值和个人影响的决策上。

——清华大学教授黄民烈

推理和知识应该是可以分离的，因为推理的沉淀可以复用，而目前由于Scaling Law，推理和知识被一起放大，这可能会产生问题。

——蚂蚁集团大安全技术总监郭振宇 

针对不同垂直领域的自动化风险漏洞检测和修复技术将成为主流研究课题；隐私保护技术如数据脱敏、差分隐私和密态计算将在大模型相关领域得到更广泛的应用；基于大模型的自动化和智能化网络攻防技术将逐渐发展，这些技术或可自动生成攻击向量、模拟复杂网络环境，并实时调整防御策略。

——浙江大学教授任奎

人们感性地选择相信或不相信一个东西，并不需要太多数据支撑。但一旦人们相信了AI，就需要警惕”100%信任“带来的危险，因为所有的AI都是概率性的，不能完全可信。

——中国科学院深圳先进技术研究院研究员、中心主任董超

神经形态计算（类脑计算）将在人工智能时代成为降低计算能效的方法，需要从算法侧、硬件侧协同推进。

——上海交通大学副教授何哲陟

通过大模型多智能体高效模拟心理学、社会学、经济学等跨学科场景，建立低成本、可复现的实验平台，推动社科研究发展；建立一整套面向复杂任务的提示学习理论框架，形成快、慢思考的自适应结合的推理方法，显著提升大模型在复杂任务上的推理性能。

——中国人民大学副教授胡迪

如何解决”从人类示范中学习“这一难题？可以采用具身形态转换的方法来进行策略迁移。

——Skild AI研究科学家刘星昱

分布外泛化能力成为智能水平的重要评估标准，因果人工智能将更贴近实际场景需求。

——清华大学副教授崔鹏

从内生复杂性角度探索新的模型结构，即在保持模型宏观结构稀疏的同时增加神经元内部的复杂性，这可能是突破现有Scaling Law的关键。

——中国科学院自动化所研究员李国齐

为了推动人工智能向更高阶段发展，必须超越对数据的依赖和现有模型的局限，探索包括类脑模型在内的新网络结构和编码方式，并重视强化学习中的反馈循环，以发现新的学习模式突破当前技术瓶颈。

——香港中文大学副教授、上海人工智能实验室领军科学家成宇

类脑模型，尤其是Spiking Nets，在低功耗和异步通信方面具有强大优势。类脑计算在长期有望成为下一代人工智能的解决方案。

——上海交通大学副教授林洲汉

隐式世界模型将成为2025年大模型预训练与空间具身智能的发力重点，大家不再局限于单一的图像与视频预测能力，而是聚焦在隐式变量、轨迹与动作的生成与预测。这样能够充分利用海量异构数据，定向优化空间特征与策略表达。

——香港大学助理教授、上海人工智能实验室青年科学家李弘扬

构建一个能够自动进行数学逻辑推理的可靠系统，并通过扩展验证来确保AI的安全性，是实现Safe AI的关键一步。

——上海人工智能实验室青年科学家付杰

未来的数据治理，将聚焦在大规模、多模态、自动化与智能化方向。

——北京大学研究员张文涛

我们的愿景是重新定义高质量的语料，构建语料方法论，降低全行业的成本。

——库帕思科技CTO 卢恒 

在数据驱动下，大小模型将协同发展，知识图谱构建轻量化，数据准备系统标准化。

——上海交通大学助理教授周煊赫

领域的漂移是普遍存在的，而且它就是我们世界的实质。人的智能对于领域漂移和环境变化非常敏感，但机器学习方法不是，这需要引起大家的讨论和重视。

——埃默里大学副教授赵亮

解决高质量数据少的问题，要做全链路数据合成的算法。如果能用很好的数据合成技术，把专家知识更好地传承下来，或将成为提升模型性能的工具，真正形成在行业大模型落地的数据飞轮。

——上海算法创新研究院大模型中心负责人熊飞宇

未来的数据将是一个可以不断生长、全智能化的数字生态系统。大模型多智能体系统将可以充分利用多智能体领域在通信、协作和博弈等问题上多年积累的丰富经验，结合大模型的通用基础认知能力，向通用人工智能的目标迈进。

——北京航空航天大学教授吴文峻

元数据将成为推动变革的重要技术力量；非结构化数据的重要性和价值将远超结构化数据，数据资产应用广泛；数据平台越来越智能，AI驱动下的数据将成为主流；数据和AI技术的结合越发紧密，开源新技术涌现。

——北京平流智能数据有限公司CEO堵俊平

从未来的视角来看，大模型必然不会再依赖海量的数据，也无需在算力与体力上进行比拼，关键在于智力的较量。 

——哈尔滨工业大学（深圳）教授张民

数据在一些关键领域本身就是敏感的，打破私域需要注意三点：如何给数据提供方提供相应有价值的回报；要有相应的手段保护数据；真正打造好数据交易的生态。

——北京大学王选计算机研究所研究员赵东岩

包括文本、图像等不同载体形式，其实都是数据高度抽象的表达。AI到达一定程度后，将能自身演进出数据提升的方式，或智能提升的方式。

——上海人工智能实验室青年科学家吴郦军

国产新硬件在算力上相对充沛，但在软件生态层面仍有进一步提升的空间。基于超大规模集群进行大模型训练是非常复杂的系统问题，而良好的软硬件协同优化，将有助于解决异构加速硬件的共性问题、发挥不同硬件的特性优势，充分释放异构硬件算力潜能。

——清华大学助理研究员宗瓒

互联将成为AI芯片企业的重点关注方向；芯粒技术会迎来大发展；AI软件栈存在被颠覆的可能。

——寒武纪芯片资深架构专家于涌

为了使各种AI芯片达到更佳的工作状态，必须要实现超异构计算系统，而超异构不仅仅要做到平移硬件的“物理变化”，还必须实现1+1>2的“化学反应”。

——浙江大学研究员王则可

国内产学研机构需要合作打造一个开放的AI生态系统，形成的“芯片算力-软件生态-AI算法-更强芯片算力”的正向循环的飞轮效应。

——沐曦集成电路（上海）有限公司研究院副院长李兆石

大模型会在终端场景落地，催生一系列智能终端设备。推理需求将大幅增加，需要大于10 tokens/J 的推理芯片，这依赖于“端模型+端软件+端芯片”的一整套解决方案。

——上海交通大学副教授、无问芯穹联合创始人戴国浩

大模型将加速分化和聚焦发展，垂类落地加速算力、语料、模型和生态将进一步闭环迭代，AI软硬件开源开放与深度耦合并重发展。

——上海仪电集团副总裁刘山泉

在产业界和学术界的协同组织上，应存在两种方式，一种是“入世”，即积极参与智算软硬件体系的迭代发展，寻找和解决实际需求中的机会；另一种是“出世”，即在“热闹”的领域之外，探索未来可能出现颠覆性变革的领域，占据关键技术制高点。

——多媒体信息处理全国重点实验室、北京大学教授黄铁军

大规模算力集群的设计需要考虑运维、功耗和总成本等因素，综合平衡分布式与集中式架构的利弊。针对不同类型模型的涌现，当前集群面临的主要挑战是互联问题，包括不同硬件和协议的兼容性以及计算与通信的协同优化。

——北京大学教授梁云

通过计算架构创新、摆脱路径依赖，成为国产芯片算力发展的唯一出路，构建更大规模的算力节点，以降低集群规模，提升集群性能和投资效益迫在眉睫，而晶圆级芯片在未来将为实现快速的大规模部署与应用带来曙光。

——清华大学副教授胡杨

大模型的推理能力进一步突破，将具有高性能编程能力；基于大模型的智能体应用将得到发展；晶圆级大芯片将取得技术突破。

——上海交通大学教授冷静文

推理时扩展法则（Test-Time Scaling）有望从数学场景扩展到更多的场景，解决复杂问题；基于大模型智能体的大规模社会模拟，将开放Agent模拟数量拓展至一百万个，对社会模拟、数字孪生带来深远影响。

——香港中文大学(深圳)助理教授王本友

大模型评测将会从现在的点状评测进化到系统化评测，大模型基础架构会迎来革新，随着国产模型的不断升级，大模型应用将会加速普及。

——南京大学研究员傅朝友

大模型将实现显著的优化和效率提升。模型参数规模将趋于合理化，不再盲目追求规模，而是更注重训练和推理效率的提升。小型高效模型会得到更多关注，计算资源消耗和部署成本将大幅降低，边缘计算部署能力也会显著增强。

——香港大学助理教授黄超

在大型语言模型评估中，三大挑战凸显：数据污染（Data Contamination）使得公开基准易被训练所用，影响评估准确性；静态数据集依赖（Static Dataset Reliance）导致测试集更新滞后，无法同步衡量模型进步；而评估的解释不足（Insufficient Interpretation）限制了对模型能力的深入分析和进一步的开发。

——微软亚洲研究院高级研究员王晋东

Demonstration（演证）的选择和质量对模型性能的影响并不是统一的，这挑战了传统的假设，即更多的或更相关的示例总是能提升模型性能。为了准确量化Demonstration对结果的影响，可以观察LLM在Perception和Cognition的坐标系中所处位置。Demonstration在更多依赖Perception的任务中影响较大，而在更多依赖Cognition的任务中影响较小

——东方理工大学助理教授沈晓宇

在规模效应推动下，传统有限、静态、依赖人工的数据集评估方式逐渐失去了公平性。因此，大语言模型评估的规模化势在必行。如何自动化构建数据集、自动化评估模型表现，并有效利用评估反馈进一步推动规模效应，成为亟待解决的核心问题。

——复旦大学青年研究员曹艺馨

大模型竞争加剧，闭源模型领先缩小，评测重要性凸显。垂直领域评测有更大的提升影响力空间。

——上海交通大学教授翟广涛

大模型的应用百花齐放，直接赋能千行百业；多模态能力进一步增强，可无缝处理多种模态数据，开展统一建模；推理能力持续提升，有望解决复杂的科学推理问题。

——复旦大学教授黄萱菁

尽管模型在特定任务上表现出色，但对输入的微小变化保持稳定输出的能力往往被忽视。要让大模型胜任日常工作，必须提高其输出的可靠性，这要求在评测和训练中更加重视模型的鲁棒性和稳定性。

——美团大模型评测负责人曹雪智

大语言模型的系统二能力将受到更多关注，而传统符号主义方法与大模型的结合将是值得探索的解决方案之一；另一方面，随着训练数据规模达到饱和，提升大语言模型的数据效率将受到更多关注，融入语言学归纳偏置的方法将是值得探索的方向。

——上海科技大学教授屠可伟

多智能体系统是人工智能三大流派（符号学派、连接学派和行为学派）中行为学派的典型代表，以“智能源于交互”为核心观点，在交互、组织与协调中展现出丰富的研究内涵。大语言模型的引入将进一步扩展多智能体系统的研究框架。

——南京大学教授高阳

让智能体像人一样“社会化”，实现大模型驱动的社会智能体，需要突破“个体模拟”“场景模拟”和“社会模拟”这“三重门”。

——复旦大学副教授魏忠钰

决策大模型的训练范式可归纳为三阶段：海量预训练数据支持无监督学习，奠定模型基础；高质量数据用于有监督微调，增强模型能力；通过仿真或真实环境的持续交互，从反馈中实现自我学习与演化。 

——华为诺亚方舟决策与推理实验室主任郝建业

在讨论大模型智能体的落地应用中，Workflow（工作流）起到关键作用，通过让模型遵循和生成泛化的工作流，可以在智能体应用中实现更高的效率和适用性。

——浙江大学副教授张宁豫

面对大模型训练中数据价值评估的挑战，合作博弈论将成为评估的切实可行方法。

——上海科技大学副教授赵登吉

Agents的Scaling Law不仅要通过增加Agent的规模来探索，更应通盘考虑Agent所处的环境及Agent的“进化规律”。

——Eigent.AI首席执行官李国豪

多智能体系统的复杂性在于智能体关系的多样性：完全协作、完全竞争以及混合博弈——这构成了多智能体研究的核心挑战。智能体之间的关系既可以明确也可以动态隐藏，对其建模是解决复杂多智能体问题的关键。 

——哈尔滨工业大学副教授李斯源

人类或其他智能体的感知都是分散的，计算和存储的分布式衍生出智能的分布式，个体异质性和个体间的交互约束应成为多智能体研究的重点领域。

——中国科学院自动化研究所副研究员张海峰

多智能体评测技术与基于特定任务的智能化工作流设计，是下一阶段研究的重点与突破点，将有助于更好地解释大模型多智能体的必要性，评估其是否真正实现“群而生智”的效果，同时将助力进一步拓展应用场景。

——智能博弈与决策实验室助理教授王思为