張亞勤院士：基礎大模型最終不超過 10 個，十年后機器人比人多

從 ChatGPT 到 DeepSeek，AI 正沿著“智能 +”的路徑進入新一輪浪潮。

 

正值大模型從“算力堆疊”走向“推理優先”的關鍵節點，清華大學智能產業研究院（AIR）創始院長、中國工程院外籍院士張亞勤提出：

 

新一輪人工智能，是信息智能、物理智能和生物智能的融合，本質上也是原子、分子和比特的融合。

 

也就是說，在規模定律持續發揮作用的前提下，當參數規模、數據體量與算力資源跨過某個閾值，智能就不再只停留在模式識別，而是開始“涌現”—— 先是從鑒別式 AI 走向生成式 AI，再從生成式 AI 走向以智能體為代表的新范式。

 

在本次量子位 MEET2026 智能未來大會上，他也將 ChatGPT 和 DeepSeek，視作這一輪演進中的兩個重要里程碑：

前者通過統一表征與 token 化，把文本、語音、圖像乃至蛋白質、點云等數據納入同一空間；

后者則以高效率、高性能、低價格和開源路徑，把大模型從“預訓練時代”推向以推理為核心的“DeepSeek 時刻”。

 

至于未來 5~10 年的主戰場，在他看來，將走向“智能體互聯網”時代 —— 基礎大模型像操作系統一樣在全球范圍內收斂到不超過 10 個；而智能體會取代今天的大部分 SaaS 和 App，成為企業和個人與世界交互的默認形態，同時這也是通往 AGI 的必經之路。

 

為了完整體現張亞勤的思考，在不改變原意的基礎上，量子位對演講內容進行了編輯整理，希望能給你帶來更多啟發。

 

MEET2026 智能未來大會是由量子位主辦的行業峰會，近 30 位產業代表與會討論。線下參會觀眾近 1500 人，線上直播觀眾 350 萬 +，獲得了主流媒體的廣泛關注與報道。

 

核心觀點梳理
新一輪人工智能是信息智能、物理智能和生物智能在統一 token 表征與規模定律驅動下的融合演進。

 

以 ChatGPT 與 DeepSeek 為代表，AI 正從鑒別式走向生成式與推理式，在高效率、低成本和開源生態中加速落地。

 

生成式 AI 正快速演化為智能體，任務長度與能力同步提升、風險同步放大。

 

基礎大模型相當于 AI 時代的操作系統，全球玩家不會超過十家，將重構為“基礎模型 + 垂直 / 邊緣模型 + 智能體網絡”的新產業格局。

 

智能體互聯網是未來 5–10 年最大方向，也是通往 AGI 的必經之路，預計在 15–20 年內完成從信息智能到物理智能、再到生物智能的跨越。

 

……

以下為張亞勤演講全文：

從 ChatGPT 到 DeepSeek：新一輪人工智能范式與“智能涌現”
今天我談的是人工智能 + 的趨勢，這個題目我也思考了有將近十年的時間，我出了一本書叫《智能涌現》，也總結了人工智能這十年的發展，這里面也包括我當時在 10 年前寫的“智能 +”和“人工智能 +”的文章。

 

首先就是新一輪的人工智能，它是信息智能、物理智能和生物智能的融合，我們的信息世界、物理世界和生物世界都走向了數字化，所以它也是原子、分子和比特的融合。

 

 

人工智能已經有 70 年的歷史了，過去的五年和十年發展尤其快，一個重要的里程碑就是 2022 年的 ChatGPT，距離現在正好三年。

 

特別重要的就是 ChatGPT 所帶來的從鑒別式的 AI 走向了生成式的 AI，過去更多的是模式識別，現在我們可以創造新的內容，這里面有三個特別重要的概念：

 

首先它是一個統一的表征，即 tokenization，不管是文字、語音，圖片、視頻，或者是蛋白質、DNA、細胞，或者是三維的激光雷達的點云信號，都可以把它變成一個統一的 token。

 

token 越多，數據越多，算力越強、算法越好，這個時候就越準確。

 

規模定律（Scaling Law）到了一定的規模的話，就會出現智能涌現，這也是我這本書的題目。另外一個重要時刻就是咱們中國的 DeepSeek 時刻，DeepSeek 出來之后，首先就讓整個模型從預訓練走向推理。

 

 

另外一點當然很重要，它有很多的算法創新、架構創新、系統創新，可以說是高效率、高性能和低價格。

 

同時它又是個新的商業模式，它是開源的，用的 MIT 的 license，這個本身是限制最少的開源架構，所以 DeepSeek 出來之后，在國內和全球范圍內大幅度地加速了它的落地和應用，所以我把它叫做 DeepSeek Moment，也是中國的一個路徑。

 

AI 發展的五大趨勢
AI 發展有五個趨勢，首先就是生成式的 AI 正走向智能體的 AI。

張亞勤院士：基礎大模型最終不超過 10 個，十年后機器人比人多

智能體是這兩年 AI 方面一個新的發展，是最重要的一個創新。

 

 

過去七個月，Agent 的任務長度就增長了兩倍，準確度大于 50%，其實也已經和人類對齊了。

 

第二個趨勢很重要，就是規模定律在預訓練階段已經放緩了，盡管這個智能還在往前走，更多的智能放到后訓練、推理、智能體階段。

 

這里面很有意思的現象就是，推理的單位成本在過去一年下降了 10 倍，但是智能體本身的算力要求一年也是增長了 10 倍，所以一個乘 10、一個除 10 正好平衡。

 

第三點就是，我們從信息智能走向物理智能和生物智能，大語言模型走向視覺語言動作模型（VLA，Vision-Language-Action）。

 

這里面有兩個很重要的節點，一個是無人駕駛，無人駕駛今年就已經到達 ChatGPT 時刻，2030 年就是 DeepSeek 時刻 —— 即 10% 左右的新車擁有 L4 級無人駕駛的能力。

 

另外機器人一定是未來最大的賽道，盡管人形機器人還需要很多年，但是我認為在未來 10 年左右，我們機器人會比人的數目還要多。

 

一個不好的消息是，AI 的風險正在快速上升，智能體出來之后我們的風險至少 double（翻倍）。

 

未來 5-10 年最大發展方向：智能體互聯網
如果看一下新產業格局的話，我們有基礎大模型，像操作系統一樣，上面有垂直模型，還有邊緣模型。

 

基礎大模型，全球可能最后不會超過 10 個，一半中國的，一半美國的，可能說不定還有一兩個是別的國家的，中美兩個國家有不同的路徑，但是是引領全球。

 

這里面還包括開源和閉源，去年我記得我們還在爭論到底以開源為主、還是閉源為主?，F在我覺得比較清楚了 —— 開源會成為更多的、更大的平臺和生態，可能 80% 是開源，20% 的是閉源。

 

這個圖就特別清楚，規模定律可以看到的 Pre-train 還在往上走，但是走的速率已經在平緩，Post-train 在 increase，智能體還是直線地往上走。

 

 

還有一點，智能體本身不僅僅是技術，它其實在形成網絡，也形成新的經濟形態。

 

所以我們以后如果看企業的架構都會有完全不同的一種概念，以后企業需要 GPU、大模型、數據，然后包括我們的人力資源，有些可能是人，有些可能是智能體，所以這對于未來管理企業、開發產品都有很大的影響。

 

 

這張圖是未來的技術架構，左邊這張圖是 ChatGPT 剛出來不久的時候我畫的，如果看這個黃線的話，在左邊可以看到基礎大模型它是一個平臺，上面有各種不同的領域垂直模型，而上面有 SaaS（軟件作為一種服務），在邊緣會蒸餾出一個相對比較小的模型，再上面有 APP，這是當時我想的架構。

 

 

10 月我把這個架構做了更新，最重要的一點就是我認為未來我們的 SaaS 和在設備端或邊緣端的手機 APP 都會被 Agent 取代，也就是說智能體是未來的 SaaS 和 APP。

 

我舉個例子，所謂的智能體，你可以有各種各樣的，有消費者的、各個不同行業的、機器人的、無人駕駛的。

 

劉洋教授在清華做了一個醫療智能體，也是全球第一個智能體無人醫院 —— 想用智能體網絡、多智能體去模擬真正的三甲醫院，這里面當然有病人、醫生、護士、各種不同的科室。

 

 

在這個虛擬世界里面，多智能體會互相交互和學習，然后持續快速地進化，這樣就是能在很短的時間，比如說兩天它就可以完成一個三甲醫院兩到三年的這些病例，而且準確度還要高得很多。

 

但我們并不是說讓智能體來替代未來的醫生，它更多的是作為助理，我們相信未來每個醫生都會有 TA 的一個智能體。

 

所以如果看一下產業機遇的話，我把基礎大模型看作是我們人工智能時代的一個操作系統，它會徹底重寫、重構和重塑我們產業的形態。

 

就像在 PC 時代我們有 Windows，在移動時代有安卓和 iOS，同樣在人工智能時代操作系統就是一個基礎大模型。有了這個操作系統之后，它下面的芯片架構、上面的應用生態都會完全被重構。

 

 

也就是為什么現在芯片是以 GPU 為主的，上面的生態是以垂直模型加上邊緣模型和智能體為主的，整個規模會比 PC 時代、移動時代大一個、兩個甚至三個數量級。

 

另外，我們從互聯網發展的角度來看的話，我們最早是 PC 互聯，后來到了移動互聯，再之后我們到了物聯網，現在我們正走向 Internet of Agents，也就是智能體互聯網，我認為它是未來 5 到 10 年最大的發展方向。

 

 

智能體也是我們實現 AGI 通用人工智能的必經之路，這里面需要新的算法體系，比如說新的記憶體系、世界模型。

 

我認為未來五年的話，現在的自回歸架構、Transformer、Diffusion 可能就會被顛覆，有了這些東西之后我們就可以實現通用人工智能。

 

到底需要多長時間呢？

 

我認為可能需要 15~20 年。先是信息智能，再是物理智能，最后達到生物智能。