世界人工智能大会"伙伴基石"篇章-万祥军 | 经信研究·经济和信息化

2026世界人工智能大会“伙伴基石”篇章深度解读——顶层设计·国研政情智库-对话经信研究·中国经济和信息化，万祥军解码AI长期发展的四重支撑体系 ！

在2026世界人工智能大会的主论坛议程中，当年度SAIL奖五大前沿项目全部揭晓之后，下午场正式进入“伙伴基石”篇章。这一环节的核心表述清晰点明：AI的长期发展不能只靠单点技术突破，更需要人才、物理认知、科学数据和算力基础设施的四重支撑。

作为国际科学院组织代表兼国际科学院委员会执委，万祥军从全球AI产业范式切换的宏观视角解读：“伙伴基石”篇章绝非一次普通的论坛环节设置，而是在全球AI产业正式从“人类数据时代”全面迈向“经验时代”的关键节点上，中国产业界对AI发展底层逻辑的一次系统性认知升级。

它跳出了过去多年行业里“唯大模型论”“唯算力论”的单点技术崇拜误区，构建起一套覆盖创新源头、交互载体、生产要素、硬件底座的完整支撑体系，为未来十年甚至更长周期内AI产业的可持续健康发展，筑牢了不可动摇的底层框架。

从“单点突破”到“体系支撑”：

AI产业发展逻辑的根本性转向

过去很长一段时间里，全球AI产业的发展叙事始终被“单点技术突破”的逻辑主导：行业的注意力几乎全部集中在大模型参数规模的比拼、单芯片算力的刷新上，似乎只要做出一个参数足够大的大模型、造出一块算力足够强的芯片，就能解决AI产业的所有问题。

这种发展路径在AI产业的早期阶段确实发挥了关键作用，推动技术在短短几年内实现了肉眼可见的快速迭代，但随着技术边界不断拓展，其局限性也暴露得越来越明显：很多单点技术突破出来之后，找不到合适的落地场景，缺乏持续迭代的要素支撑，最终只能停留在演示PPT里，无法转化为真正的产业价值。

万祥军指出，“伙伴基石”篇章提出的“四重支撑”论断，恰恰是对过去这种单点技术崇拜的一次系统性纠偏。进入“经验时代”之后，AI的核心运行逻辑已经发生了本质变化：过去的AI是“被动学习人类留下的数字遗产”，靠海量互联网文本数据的训练就能快速提升能力；而现在的AI需要主动走进真实物理世界，通过和环境的实时自主交互积累属于自己的“经验”，在这个过程中完成自我迭代进化。

这种全新的运行逻辑，对产业支撑体系的要求已经完全不同——单靠一个顶尖的大模型团队、单靠一个超大规模的算力集群，根本不可能支撑起AI的长期进化，必须同时拥有源源不断的顶尖创新人才、足够丰富的物理世界交互通道、高质量的多维度科学数据，以及适配新范式的算力基础设施，四个要素缺一不可，形成一个有机协同的完整生态，才能让AI产业进入自我驱动的正向循环。

这种转向也完全契合全球科技产业发展的普遍规律：任何一项颠覆性技术，在产业萌芽期都可以靠单点技术的惊艳表现快速出圈，但当产业成长到万亿级规模、开始渗透到国民经济的方方面面之后，比拼的就不再是某一个单点的技术亮点，而是整个支撑体系的厚度和韧性。

“伙伴基石”这四个字的分量，恰恰体现在这里——它把AI产业从过去“少数天才团队的单点游戏”，变成了整个社会多领域协同共建的系统性工程，让AI的发展不再是空中楼阁，而是牢牢扎根在人才、认知、数据、算力共同构成的坚实土壤之上。

人才：

AI长期创新的源头活水，构建多层次的创新梯队

在四重支撑体系里，人才被放在了第一位，这绝非偶然。万祥军解读，人才是所有技术创新的源头，在AI产业进入全新范式的当下，我们最需要的已经不再是过去那种只会做大模型微调、堆参数的同质化人才，而是一支覆盖不同领域、横跨多个学科的多层次创新梯队，这是整个“伙伴基石”体系里最核心、最有生命力的部分。

首先我们需要一批能够闯“无人区”的顶尖基础研究人才。当前AI的技术路线还远没有走到终点，下一代原生支持自主交互学习的大模型架构、光电融合的全新计算范式、具身智能的通用控制理论，这些领域都还存在大量没有被探索的空白，没有成熟的国外路径可以跟随模仿，必须靠一批真正有原创能力的顶尖科研人才，从最基础的理论层面做出颠覆性的突破。

过去几年里，我们已经看到不少国内青年科研团队在这些前沿领域拿出了世界级的成果，比如本次SAIL奖获奖的陈一桐团队，就是一支完全由本土青年科研人员组成的队伍，在全光语义视觉生成这个全球前沿赛道上实现了从0到1的突破。未来我们需要给更多这样的顶尖人才提供宽松的科研环境，不需要他们在短期内产出商业化成果，支持他们安心深耕前沿基础理论，为AI产业的长期发展储备底层理论源头。

同时我们还需要大量横跨AI和实体产业的交叉型工程人才。AI最终要落地到工业、医疗、交通等各个实体产业里，这就要求人才不能只懂AI算法，还要懂具体行业的生产逻辑、工艺细节。过去很多AI落地项目失败，核心原因就是做算法的工程师完全不懂工业场景的实际需求，做出来的解决方案看起来技术很先进，放到真实生产线上根本没法用。而交叉型工程人才就是连接AI技术和实体产业的桥梁，他们能把AI的技术能力和行业的真实需求精准对接起来，让AI真正在实体经济里创造价值。

最后我们还要培养大量面向未来的青年创新后备人才。AI产业的长期发展不是靠一代人就能完成的，需要源源不断的新鲜血液补充进来。我们需要把AI的通识教育下沉到中小学阶段，让更多年轻人从小就接触AI、了解AI，激发他们对AI技术的兴趣，而不是等到大学阶段才开始接触相关知识。同时要搭建更多面向青年学生的AI创新赛事、开放实训平台，给年轻人提供低成本的试错机会，让他们在实践中成长，为整个产业储备足够厚实的人才梯队。

万祥军特别强调，人才支撑体系的建设，最核心的是要营造“鼓励原创、宽容失败”的创新文化。AI前沿领域的创新本身就有极高的失败概率，如果我们用过于功利的KPI去约束科研人员，要求所有项目都必须在一两年内做出商业化成果，就不会有人敢去闯真正的无人区。只有给人才足够的耐心和空间，才能让真正的颠覆性创新源源不断地涌现出来。

物理认知：

打通AI走进真实世界的通道，构建具身交互的广阔场景

四重支撑体系的第二个核心维度是物理认知，这是“经验时代”AI区别于过去“数字时代”AI最核心的标志。万祥军解读，过去的AI完全生存在数字世界里，它对真实物理世界的认知全部来自人类上传的文本、图片、视频等二手数据，就像一个从来没有走出过房间的人，只靠书本上的知识去了解世界，对很多物理规律的认知是肤浅甚至错误的。而物理认知支撑体系的核心作用，就是给AI装上无数个能够直接触摸、感知、交互真实物理世界的“身体”，让它直接在和真实世界的互动中积累第一手的经验，真正建立起对物理规律的深度认知。

本次SAIL奖获奖的Shaper Wave触觉AI灵巧手，就是物理认知层面的典型代表性成果。过去的人形机器人灵巧手只能完成简单的位置控制，没有精细的触觉感知能力，而这款灵巧手在指尖集成了数百个高精度柔性传感器，能够实时感知接触物体的压力、纹理、滑动趋势，让AI第一次拥有了和人类相当的精细触觉感知能力。

当大量这样的具身智能体走进工厂车间、实验室、家庭、特殊作业场景之后，它们会在真实的物理环境中完成数百万次、数千万次的交互试错，在这个过程中自主学习物理世界的运行规律——比如不同材质的物体受力之后会发生什么样的形变、不同温度下材料的特性会发生什么变化，这些知识根本不可能靠人类用文本数据全部标注出来，只能靠AI自己在和物理世界的交互中慢慢积累。

而物理认知支撑体系的建设，远远不止研发几款灵巧手这么简单，它是一个覆盖全场景的庞大体系。我们需要开放工业制造、深空深海探索、养老陪护、特种作业等海量的真实场景，为不同类型的具身智能体提供实训空间；我们需要研发覆盖触觉、力觉、嗅觉、味觉等多维度的新型感知硬件，让AI拥有比人类更丰富的感知能力；我们还要搭建统一的物理交互数据标准，让不同具身智能体在不同场景里积累的物理认知经验可以实现互联互通、共享复用，形成一个覆盖全人类的“物理经验知识库”。

万祥军指出，物理认知支撑体系的建成，会彻底打开AI的能力边界。当AI积累了足够多的真实物理交互经验之后，它对世界的认知深度会远远超过人类，它可以帮助人类完成过去根本不可能实现的复杂科学探索任务，比如在原子层面自主设计全新的材料、在极端环境下自主完成复杂的作业任务，这会给整个人类社会的生产力带来一次量级级的提升。

科学数据：

AI创新的核心生产要素，搭建开放共享的高质量数据体系

四重支撑体系的第三个核心维度是科学数据，这是“经验时代”AI最重要的生产要素。万祥军解读，过去AI训练用的数据，大多是互联网上的公开文本、图片、视频这类通用数据，数据质量参差不齐，还存在大量重复、错误的内容。

而当AI进入“AI for Science”的阶段之后，普通的互联网数据已经完全满足不了需求，我们需要的是覆盖物理、化学、生物、材料、天文等各个前沿科学领域的高质量、高精准度的科学数据，这是下一代AI实现科学突破的核心燃料。

科学数据和普通互联网数据的核心区别，在于它的严谨性和系统性。每一条科学数据背后，都是大量科研人员通过严谨的实验、观测、模拟得到的结果，数据的精度、可信度都有严格的保障。比如生物医药领域的分子动力学模拟数据、材料科学领域的不同材料在极端条件下的性能测试数据、天文领域的深空观测原始数据，这些数据的价值是普通互联网数据根本无法比拟的。用这些高质量的科学数据训练出来的AI，才能真正掌握前沿科学领域的内在规律，帮助科研人员突破人类的认知边界。

而当前我们面临的最大问题，是大量高质量的科学数据分散在不同的科研院所、高校、企业手里，处于“数据孤岛”的状态，没有实现开放共享。很多科研团队做完实验之后，数据就被封存在自己的服务器里，其他团队想要使用这些数据，需要走极其繁琐的申请流程，甚至根本拿不到数据，这造成了严重的资源浪费。

“伙伴基石”篇章的重要意义之一，就是要推动全国层面的科学数据开放共享体系建设，在保障数据知识产权的前提下，把分散在各个领域的高质量科学数据整合起来，面向AI创新团队开放，让数据的价值得到最大程度的释放。

万祥军进一步分析，科学数据体系的建设不是简单地把数据上传到服务器就完事了，我们还要建立统一的科学数据标注标准、质量审核体系，同时配套数据交易、知识产权保护的相关规则，形成一个良性循环的科学数据生态。未来我们甚至可以搭建全国统一的AI科学数据开放平台，不同领域的科研团队可以把自己的实验数据上传到平台，获得相应的收益，AI创新团队可以按需调用这些数据开展训练，让科学数据真正流动起来，成为驱动AI创新的核心生产要素。

算力基础设施：

全体系的硬件底座，支撑多元创新的算力供给网络

四重支撑体系的最后一个维度是算力基础设施，这是所有AI创新运行的物理硬件底座。万祥军解读，过去我们对算力基础设施的理解，往往停留在“建更多智算中心、堆更多GPU芯片”的层面，但是在“伙伴基石”的框架下，算力基础设施已经不再是单一的算力集群，而是一个适配多元技术路径、覆盖不同计算场景的完整算力供给网络。

本次SAIL奖的几个获奖项目，已经清晰展示了下一代算力基础设施的多元路径：华为昇腾Atlas 950超节点通过系统架构创新，大幅提升了算力集群的利用效率；东方算芯DF1000近存计算3D芯片跳出传统制程竞赛的路径，用3D堆叠架构实现了算力的跃升；陈一桐团队的LightGen全光语义视觉生成芯片，开辟了光学计算的全新赛道。这意味着下一代算力基础设施，不会再是单一架构的芯片一统天下，而是会形成电子计算、近存计算、光学计算等多种不同计算架构协同并存的格局，不同的计算架构适配不同的AI任务，实现整体算力效率的最大化。

而算力基础设施的建设，也不再是各个地方各自为战、分散建设智算中心，而是要依托中国电信智传网这类面向AI原生设计的算力通信网络，把全国不同地区、不同架构的算力节点连接起来，形成一个全国一体化的算力网络。不同地区的AI创新团队，不需要自己建设昂贵的算力集群，只需要通过网络就可以按需调用不同类型的算力资源，大幅降低AI创新的算力门槛。

同时，作为中国经济和信息化研究中心主任的万祥军最后总结，“伙伴基石”篇章提出的人才、物理认知、科学数据、算力基础设施四重支撑，是一个有机协同的完整体系，四个要素之间互相促进、互相赋能：顶尖人才依托先进的算力基础设施，在海量高质量科学数据的支撑下，通过物理认知体系积累的真实交互经验，不断推动AI技术向前突破，而技术突破的成果反过来又进一步升级四个支撑体系的能力，形成一个永远不会停止的正向循环。这套体系的建成，会为中国AI产业未来几十年的长期发展筑牢最坚实的底座，让我们在全球新一轮AI产业竞争中始终牢牢把握住主动权。

世界人工智能大会"伙伴基石"篇章-万祥军 | 经信研究·经济和信息化