作者丨周蕾 赵之齐 张嘉敏

编辑丨周蕾

2025年12月12日，深圳南山。重构WhatsApp%E3%80%90+86%2015855158769%E3%80%91whooping%20crane%20drawing

第八届GAIR全球人工智能与机器人大会主论坛，教育于上午9:30在深圳南山·博林天瑞喜来登酒店正式拉开帷幕。科学本次大会为期两天，产业由GAIR研究院与雷峰网(公众号：雷峰网)联合主办，碰撞高文院士任指导委员会主席，大会的重杨强院士与朱晓蕊教授任大会主席。首日上

作为粤港澳大湾区的重构AI标杆盛会，GAIR自2016年创办以来，教育始终坚守“传承”与“创新”的科学双重底色——从学界泰斗的精神传承，到华人顶会主席们的产业思想接力，再到青年学者的碰撞锋芒展露，这里不仅是大会的重技术交流的平台，更是承载中国AI四十年发展记忆的精神家园。

时隔四年，GAIR从海外重返深圳主场。这四年来，大模型掀起巨浪、人工智能迈上更高舞台的四年，知识生产不再局限于传统路径，产业变革更是按下“加速键”。值此岁末年初的节点，GAIR如期赴约，用一场高质量的观点碰撞，为行业与大众回顾科技高速的脚步，呈现AI时代的前沿洞见。

12月12日的主论坛，延续GAIR一贯的学术前沿特色，设有：“AI之道：教育的重新定义”、“AI之术：领域的范式重构”两大研讨主题。当日，大会现场有十多位顶级学者发表精彩演讲，更有两场AI学术大咖激烈交锋的高端对话，他们带来的前沿科技进展、产业实战经验和人文关怀，使这一天成为值得深度思考的思想盛宴。

首先，是本次大会主席，加拿大工程院院士、加拿大皇家科学院院士杨强教授登台致辞。这一日也正好是杨强教授的生日。开幕式上，他回顾GAIR八年来的举办历史，如2020年齐聚GAIR缅怀黄煦涛教授，2023年GAIR首次出海，大会始终在记录AI领域的薪火相传。他以“老朋友”“家里人”的身份，陪着GAIR见证历史，预祝大会圆满成功，继续创造新的“第一次”。

深圳理工大学教务长、澳门大学第八任校长赵伟院士：AI 时代高等教育重构路径 —— 以 “加减替换” 模式培养有智慧的人

首位登场的演讲嘉宾，是深圳理工大学教务长、澳门大学第八任校长赵伟院士。WhatsApp%E3%80%90+86%2015855158769%E3%80%91whooping%20crane%20drawing深耕高等教育管理与学术研究数十年，赵伟院士见证了中国高等教育从追赶迈向引领的全过程，对于 AI 给高等教育带来的冲击与机遇有着深刻洞察。

在报告中，赵伟院士开篇点出 AI 对社会生产生活的深刻影响，指出高等教育的颠覆主要体现在知识产生、学生培养和教育管理三方面。

首先在学生培养方面，赵院士提出传统 “知识就是力量”“培养有用之才” 的理念需升级，大学应回归 “培养有用、有智慧的人” 的本质，帮助学生找到自身定位、明确专业方向与职业路径。

针对 AI 时代学生的特点与焦虑，深圳理工大学采取 “加减替换” 的培养模式：减法上，删减微积分习题集等低效课程内容，压缩课堂时长 20%、每周减少一天上课时间；加法上，要求大一学生必修两个学期人工智能导论，每周腾出一天进实验室参与科研实践，同时强化书院素质教育；替换上，用跨文化交流课程替代传统英语四六级导向教学，计划以智能 APP 取代传统教科书，更注重实用能力培养。此外，学校还将推出科研成果与素质教育双成绩体系，全面评价学生能力。

在高等教育管理方面，他指出传统信息系统类似 “电子版电话黄页”，无法应对智能性问题分析，建议迭代为智能信息系统：弱智能层面可在现有平台接入大语言模型，实现初步智能分析；强智能层面则让智能系统直接对接各子系统，实现实时响应、智能决策，同时降低管理成本、提升隐私保护水平。

赵伟院士总结称，AI时代，高等教育的高层决策、中层管理到信息系统都有改变。人才培养模式要做加法、做减法、做迭代，做替换。有了人工智能之后会怎么样？

“首先我们得活下去，我们也许能造人工智能的反，造了反也得活，不造反也得活，而且我认为我们会活得更好?！?/p>

中国工程院外籍院士、香港科技大学首席副校长郭毅可：当“知识”无处不在，教育的重点将转移到“善”与“美”

随后，中国工程院外籍院士、英国皇家工程院院士、欧洲科学院院士、香港科技大学首席副校长郭毅可，带来了以《人工智能与未来教育》为主题的演讲。

深耕学界多年的他，见证了AI与高等教育的演进交汇。他从生成式AI重塑知识获取方式谈起，指出当下教育的对象已经不仅是孩子、也包括机器，而两者之间存在着意想不到的共性。借此，他引出了对教育范式即将转向的思考。

“现在知识已经无处不在，本来的黄金变成了空气”，郭毅可在开场便投下这句颇具分量的判断。由此，他进一步发问：教育曾以知识稀缺为前提，但在生成式AI已成为“智能百科”的当下，我们究竟要如何教与学？

郭毅可笑说，自己是对AI发展非常乐观的人。在他眼中，人工智能时代的教育，应从“知识传输”，转为培养学生的能力、好奇心、学习主动性和共创意识。在现场，他展示了自己与AI对话共同制作的表格，他们共同探讨出一个结论：人类攀登智能顶峰需要经历三个境界：真、善、美。

如今的生成式AI，已具备“真”的能力，即掌握知识与事实。但郭毅可随即以“回形针最大化者”思想实验提醒听众：一个只有效率、却缺乏价值判断的系统是危险的，因此，“善”与“美”也不可或缺。他继而解释，“善”对应着自我反省能力，“美”则是每个人独特的自我展现。未来的教育，必须更注重价值观、自省力、判断力和欣赏力的培养，才能“创造智能的机器，去培养更聪明的人”。

而作为香港科技大学首席副校长，他在演讲中也骄傲地表示港科大是“全球第一个宣布GPT是好东西、并在教学里广泛使用”的学校。但他也强调，教育和考核方式要因应时代而变，“如果学生还能用AI作弊，那就说明考试方式本身出了问题?！?/p>

圆桌论坛：AI时代的教育理念，如何重构？

上午大会的重头戏，是“重新定义教育：AI的颠覆与未来”为主题的圆桌论坛，杨士强教授与赵伟、郭毅可两位院士携手带来一场深度对话。杨教授笑称，赵、郭两位校长均有海外留学任教、后回国创办新学校的经验，对当下AI与高等教育的变革应有切身体会。圆桌过程中，三位嘉宾着眼于AI时代教育的核心矛盾与变革路径，围绕中外教育模式差异、社会对教育的过高期待、学生自主发展与淘汰机制、AI对教育的赋能边界等关键议题各抒己见，现场金句频出，掌声不断。

赵伟院士首先表示，当前AI在教育转型方面不存在所谓“弯道超车”，相反地，大家对教育抱有过高的期望值，将前沿技术进步和教育成果片面地联系起来，事实上进步应与全社会相关，不能将这一重担都落到师生的肩上。

郭毅可院士也对赵院士的观点表示了认可，他认为，“领先”是别人的话语体系，我们应创造一套自有的教学理念，“现在很大的问题是，我们根本不知道自己走什么道路。”

郭院士进一步指出，AI已极大地将教育民主化，也同时为学生和老师都带来了更强的教育自主性。对自主学习的强调，也是海内外教育体系的显著差异之一。他认为大学教育改革非常重要，比起重复多余的课程，更应该教导学生培养能力，尤其是实践方面的能力?！?#25152;有的知识，你都可以从GPT那里获得，你要做的是寻找哪些知识、解决哪些问题。”

接着三位嘉宾针对大学淘汰制发表了自己的看法，杨士强教授认为，淘汰制有利于博士质量的提高，但这一制度在内地高校接受度不高。赵伟院士也举了英美高校的例子，表示应该让学生“找到自己”，眼下的学历、专业、学校都有可能不适合自己，如果学生知道了什么不适合自己，这是成功的，而非失败的表现。郭毅可院士则在这一话题上分享了香港科技大学的实践，即入校先不选专业，只选初步的院系。他认为这一机制为学生提供了灵活调整的空间，但也难以避免跟风热门专业的情况。

随后杨士强教授抛出了重磅提问：对2025年以后的大学生而言，哪些能力将成为最重要的求生能力？AI环境下，现在一所顶尖大学的核心竞争力体现在哪些方面？

郭毅可院士认为，知识的获取和记忆已不重要，重要的是运用知识的能力和沟通能力，不光是人与人的沟通，还有人与机器的沟通。其次是创造力，因为未来未必有那么多大公司的工作机会，更看重能否独立创造公司，通过AI制造想要的东西——AI会使这个社会更独立，使组织架构发生变化，“财务、人事都不用你做，你只需要做好组织架构?！?#32780;大学最关键的就是培养学生和老师，“大学的竞争力最终的产品就是人?！?/p>

赵伟院士则指出，好大学、好学科有两个共同特征：都与数学、与母语语言文学系有关。大学的使命就是真善美，人文。学生到大学，不应该只学科技，越是到了人工智能的时代、技术强制的时代，人文越凸显其重要性。

现场不少观众积极举手提问，圆桌论坛险些超时，杨士强院士笑着向赵伟、郭毅可二位校长提出“苛刻要求”：60秒内完成回答。

首先提问的是另一位主论坛演讲嘉宾，南方科技大学副教授张进。她提到，国内不少孩子从小上补习班、做习题，没有时间认识世界、体验世界；AI出现后，大家也担忧孩子们总跟AI打交道，不会跳出虚拟世界再认识世界，该如何看待此事，以及怎样借助AI来帮助孩子们认识世界、体验世界和改变世界？

郭毅可院士这样回答：至少用AI帮助学习、了解世界的时候，它是回答问题，而不是灌输你已有的知识，这已经是第一步的改变了。

赵伟院士则表示，应试教育的现实不易改变，唯一能做的就是在校内减教学、减刷题、减考试量，加上“体验”，通过体验让孩子体验到科研的快乐，体验到人生的快乐，找到自己，这是AI不能代替的东西。

随后有观众提问，怎么分配孩子使用AI工具的时间和精力？赵伟、郭毅可两位院士都表示，为了应付考试，限制使用是有道理的，但从长远来看孩子与AI是伴生的，迟早会接触到AI工具，阻碍他们用AI是“开倒车”的行为。

圆桌的最后有观众提问如何引导挖掘孩子的特长，郭毅可院士表示，应该提供环境，让孩子发现特长；针对杨士强教授进一步引申出的“扬长补短”，赵伟院士则表示不光要找到专长，还要找到短板，补齐短板是没有用的，关键是扬长避短，拉长“长板”。

郭毅可教授补充称：“你的‘短’很好，短制造了你与别人的不同，一个没有短板的人是很可怜的?！?/p>

日本工程院院士、IEEE原副主席Kazuhiro Kosuge：当机器人“像人一样思考”完成缝纫流程

日本工程院院士、IEEE原副主席、IEEE Life Fellow Kazuhiro Kosuge（小菅一弘），在大会上带来了关于《如何利用人工智能机器人技术革新服装生产流程》（Explore how garment production processes can be transformed with AI-powered robotics）的主题演讲。

这已经是他第二次参加GAIR。长期从事智能机器人、人机协作系统及工业机器人技术研究的小菅一弘教授，如今任职香港大学电气与电子工程系机器人系统讲席教授。

报告开始前，他回顾了六年前在GAIR曾播放的那支影片——在2005年的世博会上展示“翩翩起舞”的舞伴机器人。而近年来，他与港大的团队把机器人应用研究方向锚定在服装市场里。

小菅一弘指出，这个市场规模巨大、但智能化不足。他首先展示了几组数据：到2030年，全球服装市场价值估计会达到2.3万亿美元，然而，根据2019年的数据，即便在机器人使用率最高的五个国家，纺织产业的机器人密度仍然很低。其中，总生产时间和成本的80%仍然用于物料搬运，且还有67%的劳动力集中于缝纫过程，包括材料搬运环节。

尽管已有半自动化的机器人，完成基本的服装裁剪等操作，但这些机器仍需要人工操控，且细节处灵活度不足。例如，在处理不同款式和尺寸的服装时，每次都要重新设置整个系统。

小菅一弘与团队共同开发了一系列技术，包括可以从织物堆中依次抓取最顶部织物的被动式无致动器抓手，以及布料边缘高速检测、双臂机械手2D和3D裁剪制作，以及裁片对齐等。

他用一系列缝纫机器人操作视频，生动展示机器人的运作过程，缝纫涉及进针、出针、自动进布等多个环节，但“这个机器人能像人一样思考，在必要时配合旋转布料的方向”。

不过，小菅一弘和他的团队并不只把研究停留在实验室里，即便是小到对机器进行动态运动建模的功能，他们也找到了合适的落地场景：印花材料输送。他深知这套系统的商业化，需平衡衣服本身制作成本与机器投入成本间的问题，综合考虑下，他们选定了“汽车座椅”这一场景。

他提到，如今3D剪裁还高度依赖于高技能的操作员；而放眼3D剪裁涵盖的市场，汽车座椅品类产量高，且预计到2028年，这一市场的工业生产设备投入预计将达到3.63亿美元，但该细分赛道尚无自动化解决方案。

小菅一弘还指出，在中国、北美、东南亚和日本市场之外，最大的市场将会是欧洲——迫于昂贵的人工，如果他们想继续在服装市场里占据一席之地，自动化已是必然选择。

香港科技大学冯诺依曼研究院院长、IEEE Fellow贾佳亚：AI与大模型一定走向感知机器+终身学习的训练模式

随后登场的，是香港科技大学讲座教授、冯诺依曼研究院院长，IEEE Fellow贾佳亚。作为AI领域的资深学者，贾佳亚教授曾在GAIR 2019发表以“AI多模态发展”为主题的演讲。

在本次GAIR的会场，他分享了不少最新技术成果，这些成果此前均未在公开场合过多披露。例如2024年推出的多模态模型Mini-Gemini，今年新增完整中文语音系统，支持长视频理解、无样本音色克隆及跨语言生成，解决中文语音系统混乱的痛点。

此外，智能图像生成编辑技术成果丰硕：ControlNeXt轻量化操作可实现图像风格转换、动效生成等。而DreamOmni2仅2名学生用500张卡半年完成，功能覆盖像素级编辑，更在全新的抽象概念处理任务上展现出非凡实力。贾佳亚教授表示，它有望成为在开源系统里唯一能跟nano-banana对齐的系统。

在大模型未来发展上，他提出关键思考：当前Sacling Law是基本发展方向，但大模型发展需聚焦“改善神经元连接方式”，让其在同等数量的神经上变得更聪明。从早期的卷积神经网络，到后来的Transformer，都是在改变神经元的连接方式。

他进一步强调，现在大模型是“一次性学习”模式为主，需革新为人类“连续学习”式终身学习。与此同时，当前AI是“虚拟大脑”，未来需结合机器人等实体载体，通过四肢感知世界以缩小与人类差距。 贾佳亚总结称，AI与大模型未来将走向“感知机器+终身学习”结合模式，发展进程虽然可能缓慢，但这将是学界、业界未来5-10年的核心方向。

KDD China主席、IEEE Fellow郑宇：城市计算可成为具身智能的方法论，具身智能为城市计算的核心组件

在聆听了上午场多位重量级嘉宾的精彩演讲和讨论后，大会于13:30继续进行。下午场最先登场的，是KDD China主席、京东集团副总裁、IEEE Fellow郑宇教授，他带来了《时空AI：人工智能进入物理世界的基础理论和关键技术》专题汇报。

郑宇教授指出，人工智能过往在虚拟世界，如大语言模型、数字孪生，取得显著成功，但真正的产业价值需进入物理世界——即问题与数据源于物理世界，通过感知、建模、分析后反馈回物理世界，例如具身智能、无人驾驶、城市管理等领域。

而AI要在物理世界发挥价值，需面对三大挑战：一是数据稀缺，采集数据成本高、周期长。二是需要结合行业知识，当目标领域的数据不足时，需要学习更多领域的知识，才能实现跨域数据融合。三是当前机器学习模型主要服务于自然语言、图像、声音，而非为时空而设，时间和空间属性难以捕捉。

会上，郑宇教授回顾了时空AI的发展历程，并分享了空气质量监测和雄安智能城市等标杆案例。他提到，城市知识体系是城市数据向知识转化的路径和方法论，以及城市知识对齐和复用的基准，包括知识体系的内容、表达、产生和应用，可实现时空数据与其他数据的融合。

他进一步结合当下技术趋势提出：

城市计算可作为具身智能的方法论，而具身智能将成为城市计算的核心组件 ，未来城市有望成为“巨大的具身智能体”。

郑宇教授在演讲最后鼓励道，科技竞争已打响，在座各位将是中坚力量，“一万年太久，只争朝夕?！?/p>

上海人工智能实验室主任助理、领军科学家胡侠：用“小学生数学”破解大模型长上下文与幻觉难题

随后，作为雷峰网的“老朋友”、第三次参加GAIR的胡侠教授带来《基于有损计算的大语言模型高效服务》（Efficient LLM Serving via Lossy Computation）为主题的演讲。

胡侠教授长期研究机器学习、人工智能核心技术研发及多领域落地应用，现任上海人工智能实验室主任助理、领军科学家，重点围绕大语言模型优化展开学术研究。

此次胡侠教授从微小视角切入，在演讲中分享如何以“有损计算”为核心的简易算法，破解大模型长上下文处理瓶颈的难题。胡侠教授笑称，这样的解法是“用小学生的数学解决一个非常重要的大问题”。

胡侠教授首先抛出一个场景：用户向LLaMA模型输入了一个罕见病问题，但LLaMA在训练阶段并未接触过类似数据，也未针对这类问题做过适配，因此无法给出准确答案，往往会提供虚拟或虚构的答案。

针对幻觉这一阻碍大模型大规模普及部署的核心瓶颈，他给出两种常规解决思路：一是将相关书籍、论文整合到prompt（提示词）中提交给大模型，使其在部署或推理阶段具备对应知识支撑；二是RAG（检索增强生成），输入prompt后，先通过搜索引擎获取10篇相关文章，将这些文章内容融入提示词再提交给大模型。

但这两种解决思路受限于模型长上下文处理能力，无法有效解决幻觉问题。针对这一痛点，胡侠教授基于两个关键点——参数精度无需过高、无需启用全部参数，提出“有损计算”理念，研发出两套可通过基础数学实现的简易算法。第一套算法聚焦相对位置信息的优化，第二套算法则针对KV缓存（Key-Value Cache）的显存占用问题。

胡侠教授笑说：“我就喜欢做比较简单、比较容易、比较小的研究，能够极快提升模型运行的效率。”他提到，由于这一方案具备易理解、易实现、易集成的特性，目前已获得广泛关注。

之江实验室科学模型总体部技术总师薛贵荣：科学基础模型要超越语言空间，让天文、地学、生命科学和材料科学等数据都能被AI“理解”

接下来登场的，是之江实验室科学模型总体部技术总师薛贵荣，他带来了《科学基础模型：人工智能的下一个前沿》的主题报告演讲。在报告的开篇处，他提到，“AI的真正价值不只是写论文摘要，更重要的是形成可验证的结果?！?/p>

薛教授指出，当前科学基础模型仍面临两大瓶颈：一是语言边界限制，即依赖语言认知的模型难以突破科学问题的表达局限。 二是科学数据复杂性，光谱、基因、地震数据等呈现了超高信息密度，如一张光谱信息量相当于1000张图片，人类30亿个基因可存储全球数据，而语言作为低维离散符号系统，远无法覆盖科学知识的高维空间。

针对挑战，他提出科学基础模型的构建路径：

首先是将分子、基因、光谱等非文本科学数据转化为Token表示，分配科学空间并统一编码，实现生命科学、材料科学等多领域数据的拓扑化整合。

其次通过动物迁移与温度变化、城市GDP与夜光等案例，揭示数据对齐对科学发现的推动作用，例如基因数据与病理数据对齐可实现全流程基因突变的解析。

基于上述工作，团队已完成超大规模模型训练，覆盖十余门学科。

薛教授同时提出了“大模型种子班”和“科学家工作坊”两项举措来推动与全球科学家的合作，并发起全球倡议，征集科学领域“最难问题”，呼吁通过开放协作加速AI+科学的研究。

关联阅读：GAIR 2025 大会首日：AI重构教育、科学与产业的十三重碰撞（下）