文：澤平宏觀團(tuán)隊(duì)

1956年，達(dá)特茅斯會(huì)議首次提出AI概念。2012年，深度學(xué)習(xí)迎來(lái)算力革命的黎明。2023年，ChatGPT掀起大模型浪潮。2025年，DeepSeek橫空出世，AI發(fā)展迎來(lái)轉(zhuǎn)折點(diǎn)。

從整個(gè)社會(huì)變革的角度，人工智能仍處于發(fā)展初期和應(yīng)用爆發(fā)期。技術(shù)上，通用人工智能AGI還很遙遠(yuǎn)，AI在接近但還未完全擁有接近人類的邏輯、推理、抽象思維等“智能”能力。商業(yè)上，AI技術(shù)應(yīng)用還在商業(yè)化早期階段。

人工智能發(fā)展提速，未來(lái)十年有哪些重大機(jī)遇？是否有新的技術(shù)路線和應(yīng)用突破？

從產(chǎn)業(yè)大周期看，預(yù)計(jì)未來(lái)人工智能發(fā)展有十大機(jī)遇：

機(jī)遇1：原生多模態(tài)大模型占據(jù)主流

機(jī)遇2：具身智能發(fā)展加速，人形機(jī)器人在工業(yè)領(lǐng)域大規(guī)模落地

機(jī)遇3：智能體進(jìn)化，Agent AI，自主智能解決問題

機(jī)遇4：AI科研落地，跨學(xué)科融合，解決復(fù)雜難題

機(jī)遇5：類人智能，賦予AI高級(jí)認(rèn)知能力

機(jī)遇6：算法革命，唯算力論失效，低參數(shù)、高效率

機(jī)遇7：硬件突破，AI芯片跨越摩爾定律瓶頸

機(jī)遇8：邊緣AI進(jìn)步，推動(dòng)AI原生應(yīng)用普及

機(jī)遇9：AI推動(dòng)能源效率革命

機(jī)遇10：人機(jī)對(duì)齊，AI安全越來(lái)越重要

正文

機(jī)遇1：原生多模態(tài)AI成為主流

大模型進(jìn)化的終極目標(biāo)是通用化，像人一樣具備處理通用任務(wù)的能力，通用人工智能（AGI）。

多模態(tài)大模型通過賦予AI“五官”來(lái)模仿人類感知多維世界，具備了處理和生產(chǎn)文本之外的語(yǔ)音、圖像、視頻等多維能力的深度模型。

但傳統(tǒng)的多模態(tài)模型發(fā)展存在明顯限制，在大模型基礎(chǔ)上通過“打補(bǔ)丁”植入其他模態(tài)能力，存在反應(yīng)時(shí)間、推理深度、交互限制等瓶頸。

發(fā)展原生多模態(tài)大模型是大勢(shì)所趨。從一開始就采用統(tǒng)一框架和混合多模態(tài)數(shù)據(jù)共生訓(xùn)練，突破了傳統(tǒng)模型的信息壁壘與效率瓶頸，能夠更精準(zhǔn)的理解時(shí)空關(guān)系。

一是解決反應(yīng)時(shí)長(zhǎng)。傳統(tǒng)的多模塊串聯(lián)推理延遲達(dá)到秒級(jí)，比如GPT4.0的響應(yīng)時(shí)長(zhǎng)就超過4秒，而原生的GPT-4o平均只需要320毫秒，和人類相當(dāng)。

二是加強(qiáng)推理深度。由于傳統(tǒng)多模態(tài)分階段處理方式，會(huì)不可避免的導(dǎo)致細(xì)節(jié)丟失，如語(yǔ)音中的情感、圖像中的紋理等關(guān)鍵信息丟失，缺乏深度時(shí)空推理能力。而原生多模態(tài)可以直接處理原始信息，在推理精度和深度方面都具備明顯優(yōu)勢(shì)。

三是解除交互限制。傳統(tǒng)多模態(tài)依賴對(duì)齊精細(xì)度，只適用于圖文轉(zhuǎn)換這類簡(jiǎn)單的跨模態(tài)任務(wù)，交互限制較大，應(yīng)用場(chǎng)景有限。而原生多模態(tài)具備時(shí)空感知和搭建動(dòng)態(tài)環(huán)境的預(yù)測(cè)能力，不僅能用于機(jī)器人避障決策，成為具身智能落地的必選項(xiàng)；甚至有潛力在腦機(jī)接口領(lǐng)域應(yīng)用，未來(lái)實(shí)現(xiàn)腦電信號(hào)與意念控制結(jié)合。

機(jī)遇2 ：具身智能AI，人形機(jī)器人、工業(yè)場(chǎng)景先落地

人形機(jī)器人硬件難度高、產(chǎn)業(yè)空間大，是具身智能集大成者。

但當(dāng)前的人形機(jī)器人工作效率低，在操作精度、靈活度和協(xié)調(diào)程度方面遠(yuǎn)不及人類，且成本高昂。以特斯拉Optimus為例，一臺(tái)價(jià)格在5～6萬(wàn)美元，在汽車車間工作的平均速度只有人類的20%～30%，簡(jiǎn)單動(dòng)作上勉強(qiáng)能到人類速度的60%，但長(zhǎng)時(shí)間后也會(huì)因關(guān)節(jié)過熱而降頻。

長(zhǎng)期看，具身智能的商業(yè)化鋪開需要多方面技術(shù)進(jìn)步來(lái)實(shí)現(xiàn)。

一方面，硬件上的工程進(jìn)步和降本是關(guān)鍵。執(zhí)行器是人形機(jī)器人完成動(dòng)作的關(guān)鍵模組，包含減速器、電機(jī)、傳感器、絲杠等組成，相當(dāng)于人類肌肉和關(guān)節(jié)，占整體硬件成本達(dá)到55%。雖然Optimus通過復(fù)雜的設(shè)計(jì)協(xié)同可以完成各種動(dòng)作，但以目前的工程水平和靈巧手技術(shù)人形機(jī)器人在行動(dòng)自由度、復(fù)雜度和平滑程度方面遠(yuǎn)達(dá)不到人類的水平。此外，關(guān)節(jié)組件的材料升級(jí)也是提升可靠性必須攻克的難題。

另一方面，軟件層面運(yùn)動(dòng)控制算法進(jìn)步需要克服訓(xùn)練的數(shù)據(jù)障礙，這依賴于多模態(tài)的視覺模型發(fā)展，以及VR技術(shù)進(jìn)步帶來(lái)的訓(xùn)練數(shù)據(jù)。人形機(jī)器人的AI訓(xùn)練難度遠(yuǎn)超大模型，大模型可以通過數(shù)據(jù)集擴(kuò)大實(shí)現(xiàn)“舉一反三”，但人形機(jī)器人需要和物理世界交互的稀缺多維數(shù)據(jù)，通常由人為穿戴VR設(shè)備來(lái)采集，效率低且成本高。另一條路線是仿真模擬訓(xùn)練，通過讓AI學(xué)習(xí)互聯(lián)網(wǎng)數(shù)據(jù)來(lái)生成視頻訓(xùn)練機(jī)器人。但這條路線的難度也高于VR采集，用AI訓(xùn)練AI的方法還在探索早期。

機(jī)遇3 ：智能體進(jìn)化，Agent AI，自主智能解決問題

2025年初Manus問世讓AI Agent（AI智能體，或稱AI代理）進(jìn)入大眾視野，AI Agent技術(shù)賦予了AI調(diào)用軟件工具的能力，讓AI能夠在人類指令下自主規(guī)劃并執(zhí)行相對(duì)復(fù)雜的任務(wù)，最后交付完整成果。

雖然AI Agent較大模型具備更強(qiáng)的通用性和實(shí)際商用價(jià)值，但由于AI Agent通常處理單一任務(wù)，缺乏與其他Agent的協(xié)作能力，且學(xué)習(xí)和適應(yīng)能力平凡，主要適用于客服機(jī)器人、虛擬助手等限定場(chǎng)景。

長(zhǎng)期看，工具型的AI Agent只是過渡產(chǎn)品，能進(jìn)行自主決策的Agent AI才是演進(jìn)目標(biāo)。

Agent AI（自主智能體）不僅在智能協(xié)作和管理能力上比單個(gè)AI Agent高出一個(gè)維度。擁有團(tuán)隊(duì)化、系統(tǒng)級(jí)的自主性，可以在更高層次進(jìn)行任務(wù)規(guī)劃和行動(dòng)，還具備在不同環(huán)境的任務(wù)中進(jìn)行學(xué)習(xí)和適應(yīng)的能力。對(duì)比看，自主智能體在兩方面跨越了AI智能體的瓶頸。

一是當(dāng)前的AI智能體并沒有達(dá)到理論上的自主狀態(tài)，在缺乏人為干預(yù)的情況下通常只是被動(dòng)響應(yīng)，無(wú)法主動(dòng)發(fā)現(xiàn)問題。自主智能體則能分解目標(biāo)和分配任務(wù)，發(fā)現(xiàn)矛盾點(diǎn)后協(xié)調(diào)處理沖突，有必要時(shí)根據(jù)環(huán)境變化來(lái)主動(dòng)調(diào)整策略。

二是AI智能體只能進(jìn)行單步推理，無(wú)法勝任多步驟、長(zhǎng)時(shí)間復(fù)雜任務(wù)。而自主智能體擁有多個(gè)代理協(xié)同規(guī)劃，不但智能水平上實(shí)現(xiàn)“1+1>2”，還能積累經(jīng)驗(yàn)并學(xué)習(xí)形成多層次的記憶體系，能應(yīng)用在項(xiàng)目開發(fā)、業(yè)務(wù)流程優(yōu)化、供應(yīng)鏈管理等高附加值領(lǐng)域。

從落地看，Agent AI面臨的技術(shù)挑戰(zhàn)較大。隨著系統(tǒng)中的代理數(shù)量增加，智能體調(diào)試復(fù)雜度呈指數(shù)級(jí)增長(zhǎng)，單個(gè)故障和推理錯(cuò)誤可能導(dǎo)致整個(gè)系統(tǒng)出錯(cuò)。并且Agent AI的自主水平更高，管理和維護(hù)難度大，隨著智能水平的提高，產(chǎn)生行為的不可預(yù)測(cè)性也在增加。

機(jī)遇4 ：AI科研，跨學(xué)科融合、解決復(fù)雜問題

AI賦能科學(xué)（AI4Science）是指通過AI技術(shù)模擬、預(yù)測(cè)、優(yōu)化研究來(lái)解決傳統(tǒng)科研進(jìn)程中的瓶頸。比如對(duì)環(huán)境要求嚴(yán)苛的氣象領(lǐng)域，對(duì)人力有要求、耗時(shí)長(zhǎng)的分子學(xué)領(lǐng)域；成本高、涉及跨學(xué)科多的生物醫(yī)學(xué)領(lǐng)域。

AI4Science的重要性體現(xiàn)在四方面：

探索廣度上，傳統(tǒng)人力的科研規(guī)模有限，無(wú)法處理如材料晶體結(jié)構(gòu)篩選、蛋白質(zhì)折疊等超大規(guī)模組合優(yōu)化問題。而AI可通過擴(kuò)散模型進(jìn)行萬(wàn)億級(jí)空間的并行篩選，例如DeepMind開發(fā)的GNoME耗時(shí)17天就完成了相當(dāng)于人力科研800年的成果，預(yù)測(cè)了220萬(wàn)種新材料晶體結(jié)構(gòu)。

計(jì)算深度層面，即使在高性能計(jì)算的支持下，人類在微觀物理系統(tǒng)狀態(tài)的研究能力也十分有限，而AI可以處理高緯度函數(shù)，并利用強(qiáng)大的生成能力模擬量子多體系統(tǒng)。

實(shí)驗(yàn)速度上，傳統(tǒng)科研以月、年為實(shí)驗(yàn)周期，而AI科研不僅可以實(shí)現(xiàn)分鐘級(jí)模擬，還具備自主化實(shí)驗(yàn)設(shè)計(jì)到執(zhí)行驗(yàn)證的能力。

跨知識(shí)領(lǐng)域融合是AI科研的核心能力，一是人類的學(xué)習(xí)能力受到時(shí)間和精力的限制，知識(shí)更新速度慢；二是跨學(xué)科研究對(duì)團(tuán)隊(duì)協(xié)作的要求高，知識(shí)共享和收集流程繁瑣。AI則不存在上述瓶頸。

2024年諾貝爾化學(xué)獎(jiǎng)授予了基于人工智能的蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)研究。 該技術(shù)通過整合多序列比對(duì)信息與蛋白質(zhì)空間結(jié)構(gòu)特征，最終輸出自由能最低的構(gòu)象作為預(yù)測(cè)結(jié)果。DeepMind團(tuán)隊(duì)創(chuàng)新性融入了蛋白質(zhì)的序列進(jìn)化信息和空間幾何約束等物理特征，并采用迭代精修策略，顯著提升了預(yù)測(cè)結(jié)果的準(zhǔn)確性，實(shí)現(xiàn)了跨越式突破。

AI4Science正在重塑科研邊界，其核心價(jià)值不僅是效率提升，更是開啟人類獨(dú)立無(wú)法觸及的新知識(shí)疆域——從量子尺度的精準(zhǔn)操控到星系級(jí)復(fù)雜系統(tǒng)的推演，最終推動(dòng)科學(xué)范式的第五次革命。

機(jī)遇5：類人智能，賦予AI高級(jí)認(rèn)知能力

智能的本質(zhì)是什么？大模型的智能是數(shù)據(jù)驅(qū)動(dòng)的概率關(guān)聯(lián)，人的通用智能是基于對(duì)自然法則和因果規(guī)律的掌握。

神經(jīng)網(wǎng)絡(luò)之父楊立昆認(rèn)為，現(xiàn)在的AI大模型只是從靜態(tài)數(shù)據(jù)中學(xué)習(xí)統(tǒng)計(jì)相關(guān)性，并不具備真正的智能。長(zhǎng)期來(lái)看，大模型將無(wú)法達(dá)到AGI水平。

實(shí)現(xiàn)AGI就意味要賦予AI高級(jí)認(rèn)知能力，甚至創(chuàng)造出“心智”，為此，世界模型（World Models)概念在2018年問世，其核心理念是讓AI像人類一樣與真實(shí)環(huán)境交互，在物理世界學(xué)習(xí)和構(gòu)建知識(shí)體系，是AI研究突破的重要方向。

世界模型和大語(yǔ)言模型從技術(shù)路線角度來(lái)看完全不同，大模型是被動(dòng)接受知識(shí)，基于統(tǒng)計(jì)概率預(yù)測(cè)下一個(gè)token，本質(zhì)上是相關(guān)性推理。而世界模型注重主動(dòng)學(xué)習(xí)、因果推理和理解物理規(guī)律。

世界模型包括三個(gè)核心組件：多模態(tài)模型、記憶模型、控制器模型。多模態(tài)模型將觀察到的物理世界信息壓縮，記憶模型掌握時(shí)間動(dòng)態(tài)和預(yù)測(cè)，控制器模型負(fù)責(zé)設(shè)立目標(biāo)和子目標(biāo)來(lái)完成行動(dòng)和感知。

對(duì)比看，大模型的優(yōu)勢(shì)在于快速的知識(shí)整合和內(nèi)容生成，而世界模型可以進(jìn)行時(shí)空推理，掌握物理規(guī)律，并可以脫離現(xiàn)實(shí)進(jìn)行模擬預(yù)測(cè)。

構(gòu)建世界模型的挑戰(zhàn)也極大，需要跨學(xué)科協(xié)作，融合認(rèn)知科學(xué)、系統(tǒng)神經(jīng)科學(xué)等不同領(lǐng)域研究觀點(diǎn)。在規(guī)模、數(shù)據(jù)、算力等層面的要求比起大模型是數(shù)量級(jí)增長(zhǎng)。

世界模型已在特定領(lǐng)域小范圍應(yīng)用。比如，特斯拉用于無(wú)人駕駛和機(jī)器人的通用世界模型、英偉達(dá)的Cosmos工業(yè)環(huán)境仿真和機(jī)器人訓(xùn)練模型。

總體而言，大模型代表了“數(shù)字智能”，世界模型代表了“類人智能”，對(duì)應(yīng)人類認(rèn)知的研究和模仿，使AI超越生成式工具，具備更接近人類的深度理解和智能水平。但世界模型還處于發(fā)育的幼年期，離追趕成熟期的大模型還存在較大距離。

機(jī)遇6：算法革命，唯算力論失效，未來(lái)要低參數(shù)、高效率，抽象思維力

2023年大模型在算力進(jìn)步的加持下突飛猛進(jìn)，行業(yè)曾盛行“算力充足可以力大飛磚”。隨著模型參數(shù)量的堆積超過某個(gè)臨界點(diǎn)后，會(huì)擁有驚人的表現(xiàn)。如GPT-3、PaLM、LaMDA模型在參數(shù)量達(dá)到百億時(shí)產(chǎn)生“涌現(xiàn)”，準(zhǔn)確度顯著提高。

在Scaling Law的指引下，AI發(fā)展進(jìn)而演變?yōu)椋簠?shù)堆疊——擴(kuò)大訓(xùn)練——提高算力的三步走共識(shí)，而行業(yè)競(jìng)爭(zhēng)加劇下，支持大規(guī)模訓(xùn)練的GPU資源稀缺，供不應(yīng)求最終演變?yōu)榱恕拔ㄋ懔φ摗薄?/b>

但到2024年末，“唯算力論”開始逐漸顯露瓶頸：越大的模型，進(jìn)行擴(kuò)大訓(xùn)練的邊際效益遞減也越明顯。比如，GPT4.0是2025年前擁有最大算力資源訓(xùn)練出的最先進(jìn)AI模型，OpenAI對(duì)其迭代后的GPT5寄予厚望，卻遲遲未能發(fā)布，直接原因是訓(xùn)練進(jìn)度滯后，效果未達(dá)預(yù)期。

2025年DeepSeek的出現(xiàn)給“唯算力論”畫上句號(hào)，直接顛覆了“AI訓(xùn)練必依賴強(qiáng)大算力”的認(rèn)知。DeepSeek僅用了相對(duì)少、較落后的顯卡和較短的訓(xùn)練時(shí)長(zhǎng)就推出了V3和R1兩款在性能上優(yōu)秀，訓(xùn)練和使用成本卻都低于同類的先進(jìn)模型。

DeepSeek讓產(chǎn)業(yè)界意識(shí)到了AI發(fā)展已經(jīng)到了新的轉(zhuǎn)折點(diǎn)，一方面在算力上內(nèi)卷無(wú)法達(dá)到AGI，Scaling Law不再是唯一出路，在算法、數(shù)據(jù)上嘗試創(chuàng)新；從治理、能源角度進(jìn)行優(yōu)化；切入超級(jí)應(yīng)用場(chǎng)景推動(dòng)商業(yè)化落地；甚至于開發(fā)新的AI推倒大模型重新來(lái)過，這些嘗試都有可能成為下一場(chǎng)AI變革的起點(diǎn)。

算法革新的核心是高效地做減法。

AI模型需要兼顧網(wǎng)絡(luò)深度、計(jì)算速度、和結(jié)果準(zhǔn)確度。當(dāng)前AI大模型參數(shù)量大，但復(fù)雜不等于效率高。

DeepSeek是首個(gè)從“規(guī)模定律”轉(zhuǎn)向“密度定律”做減法的企業(yè)，其V3模型的算法優(yōu)化方法具有很大前瞻性。傳統(tǒng)大模型在調(diào)用大參數(shù)量的模型時(shí)，會(huì)激活全部網(wǎng)絡(luò)，因此每次輸入時(shí)都會(huì)對(duì)所有參數(shù)進(jìn)行計(jì)算，消耗大量計(jì)算資源，造成浪費(fèi)。

而混合MOE的專家分工提升了資源使用效率，解決子模型協(xié)作時(shí)的傳輸瓶頸，平衡了模型推理的延遲問題，同時(shí)大幅減少了對(duì)算力需求和能耗，降低了落地成本。

抽象思維一直是AI研究的最大短板，而要實(shí)現(xiàn)強(qiáng)人工智能就無(wú)法回避這一點(diǎn)。

當(dāng)前的大模型需要強(qiáng)大算力支持才擁有近似智能的能力，而人腦僅需要少量算力就可以達(dá)到。這是因?yàn)槟Ｐ褪芟抻凇熬呦笏季S”模式。具象思維的特點(diǎn)是計(jì)算確定性，對(duì)算法來(lái)說，其“感官意識(shí)”來(lái)源于集成電路閉合輸出的0和1，擅長(zhǎng)計(jì)算數(shù)字和確定性。

抽象思維的特點(diǎn)是模糊和不確定，人的“感官意識(shí)”來(lái)源于神經(jīng)元，人的深度抽象能力可以脫離實(shí)際對(duì)照來(lái)生成概念和知識(shí)體系，并以此為基礎(chǔ)進(jìn)行聯(lián)想和判斷。

人工智能模型的神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)和人類大腦相似，但機(jī)器難以復(fù)制思維的載體，因此AI算法還無(wú)法做到兼顧模糊和不確定性，這也被視為是機(jī)器智能邁向強(qiáng)人工智能的最大障礙和未來(lái)長(zhǎng)期的攻克方向。

機(jī)遇7：AI硬件突破

人工智能的硬件基礎(chǔ)是芯片，半導(dǎo)體行業(yè)的進(jìn)步速度間接決定了未來(lái)AI的潛力上限。但當(dāng)下芯片的小型化面臨前景模糊的難題。

摩爾定律已經(jīng)失效。芯片的小型化發(fā)展是以單個(gè)芯片性能的提升為目標(biāo)，增加可容納晶體管的數(shù)量。摩爾定律是指單個(gè)芯片上可容納的晶體管數(shù)量每18至24個(gè)月翻一倍，性能翻倍、成本減半。從2018年起，40nm到28nm突破開始放緩，28nm后定律失效，到14nm節(jié)點(diǎn)的成本不降反升。至此，制程升級(jí)帶來(lái)邊際的性能提升顯著降低，性價(jià)比下降。當(dāng)下，2nm工藝也在臺(tái)積電和三星開啟預(yù)生產(chǎn)，但芯片制程接近硅原子物理極限意味著芯片小型化或到達(dá)技術(shù)邊界，一場(chǎng)硬件革命迫在眉睫。

先進(jìn)封裝或能為摩爾定律的失效提供下一步破局方向。封裝本是半導(dǎo)體制造的下游環(huán)節(jié)，先進(jìn)封裝是指不以單個(gè)芯片性能提升為目標(biāo)，而是以提升集成后的整個(gè)芯片系統(tǒng)的性能為目標(biāo)，靈活、有效地組合各類芯片為系統(tǒng)級(jí)芯片（Soc,System of Chips）來(lái)提升性能密度，節(jié)約開發(fā)時(shí)間與成本。

臺(tái)積電憑借著CoWoS先進(jìn)封裝技術(shù)成為了唯一能代工英偉達(dá)AI芯片的晶圓廠。2023年蘋果Ultra Fusion技術(shù)實(shí)現(xiàn)了“無(wú)縫合成”M2 Ultra，突破了“1+1<2”的縫合封裝瓶頸，依靠的也是臺(tái)積電的先進(jìn)封裝技術(shù)。

先進(jìn)封裝有別于傳統(tǒng)封裝在于需要上下游協(xié)同定制，從設(shè)計(jì)、晶圓制造、封測(cè)多個(gè)環(huán)節(jié)進(jìn)行統(tǒng)一研發(fā)。而在整個(gè)產(chǎn)業(yè)鏈中封測(cè)廠承擔(dān)的技術(shù)難度低、話語(yǔ)權(quán)小，因此技術(shù)推動(dòng)主要依賴于晶圓代工廠和芯片設(shè)計(jì)龍頭。目前主流的技術(shù)主要仍由臺(tái)積電、三星等國(guó)際半導(dǎo)體龍頭掌握。

互連技術(shù)架構(gòu)和材料選擇是2nm及以下的另一大進(jìn)步方向。互連技術(shù)指芯片內(nèi)用金屬線連接的晶體管的架構(gòu)。隨著芯片節(jié)點(diǎn)的進(jìn)步，晶體管尺寸縮小，連接的金屬線也必須在整體架構(gòu)中同步縮小，但3nm的互連已十分狹窄接近，金屬間距停留在110um已有20多年，繼續(xù)減小線寬或高度將極大增加線的電阻，或?qū)е码娏鬟^大使金屬連線斷裂、芯片失效。

主流半導(dǎo)體企業(yè)開始探索架構(gòu)變化和材料替換的可能。2022年，英特爾宣布將在其20?代和18?代（對(duì)應(yīng)2nm、1.8nm）采用新PowerVia背部供電結(jié)構(gòu)和RibbonFET全環(huán)繞柵極晶體管。此外，鉬和釕替代銅的可行性正被評(píng)估。自1997年IBM宣布220nm銅雙鑲嵌工藝到展望2nm已經(jīng)28年，而銅互連工藝或在2nm時(shí)代退出舞臺(tái)。接下來(lái)的晶體管架構(gòu)和材料決定了未來(lái)人工智能的潛力上限。

機(jī)遇8：邊緣AI發(fā)展，推動(dòng)原生應(yīng)用普及

邊緣AI是邊緣計(jì)算和人工智能的結(jié)合。邊緣設(shè)備指手機(jī)、傳感器、智能家居等具備本地運(yùn)算和處理能力的設(shè)備。

邊緣計(jì)算使得本地設(shè)備上產(chǎn)生的數(shù)據(jù)無(wú)需發(fā)送回云端，在本地就可以實(shí)時(shí)處理，減少響應(yīng)延遲的同時(shí)還提供了更高效的反饋，同時(shí)，獨(dú)立于網(wǎng)絡(luò)的決策系統(tǒng)也提高了完成任務(wù)的可靠性，數(shù)據(jù)儲(chǔ)存在本地也減少了泄露風(fēng)險(xiǎn)。

AI的特點(diǎn)是能夠快速分析大量數(shù)據(jù)以提取信息進(jìn)行進(jìn)一步的預(yù)測(cè)和決策，因此“AI+邊緣計(jì)算”能進(jìn)一步提高邊緣設(shè)備的運(yùn)行效率和智能化水平。

邊緣AI對(duì)算力和算法要求較高。一方面，邊緣設(shè)備體積小，以保障性能和續(xù)航為前提，兼顧算力和功耗就對(duì)芯片就有極高要求。此外，邊緣AI無(wú)法達(dá)到云端AI模型的體量，因此優(yōu)化算法是必選項(xiàng)，數(shù)據(jù)預(yù)處理是必要步驟，常見的技術(shù)包括數(shù)據(jù)清洗、特征選擇和特征提取。或采用數(shù)據(jù)蒸餾，用“教師模型”開發(fā)輕量級(jí)的“學(xué)生模型”也可以提高本地部署效率。

當(dāng)下，邊緣AI已經(jīng)開始初步應(yīng)用于汽車輔助駕駛、VR游戲、智能工廠、安全攝像頭和可穿戴醫(yī)療設(shè)備等領(lǐng)域。對(duì)傳統(tǒng)邊緣設(shè)備升級(jí)只是第一步，作為交互革命載體，推動(dòng)AI原生應(yīng)用商業(yè)化普及是大勢(shì)所趨。

比如AI眼鏡，作為原生AI消費(fèi)電子需要邊緣AI進(jìn)步來(lái)提高能力上限。AI眼鏡注重高精度顯示、深度交互、沉浸式體驗(yàn)、續(xù)航和佩戴舒適度。但當(dāng)前的邊緣AI技術(shù)還無(wú)法達(dá)到兼顧性能、體驗(yàn)、重量的水平。以2024年銷量最高的第二代Meta Ray-ban為例，其特點(diǎn)是輕便靈巧，AI功能豐富。芯片方面搭載了高通驍龍AR1，AI采用的是行業(yè)頭部的Llama 3模型，但由于端側(cè)算力不足，主要AI功能仍需要云端調(diào)用，本地化AI功能十分有限，眼鏡本身的顯示效果也無(wú)法做到精細(xì)化。

邊緣AI發(fā)展將解決AI消費(fèi)電子市場(chǎng)痛點(diǎn)，推動(dòng)AI原生應(yīng)用普及。隨著算力提升和算法優(yōu)化使復(fù)雜模型本地運(yùn)行成為可能，AI眼鏡的功能不再受物理尺寸和端側(cè)算力限制，一場(chǎng)AI時(shí)代的交互革命將推動(dòng)C端需求迎來(lái)爆發(fā)。更豐富的AI內(nèi)容生態(tài)和原生應(yīng)用也會(huì)出現(xiàn)，與人們的生活和工作場(chǎng)景形成全方位融合，開啟AI的“iPhone時(shí)刻”。

機(jī)遇9：AI推動(dòng)能源效率革命

AI熱潮導(dǎo)致全球算力需求以前所未有的速度增長(zhǎng)，供需矛盾給能源基礎(chǔ)設(shè)施帶來(lái)巨大壓力。一次GPT-4訓(xùn)練消耗的電力相當(dāng)于上萬(wàn)戶家庭全年用電需求。2024年國(guó)際能源署報(bào)告顯示，全球數(shù)據(jù)中心年耗電量已與英國(guó)相當(dāng)，中國(guó)數(shù)據(jù)中心年耗電量也突破1500億千瓦時(shí)，相當(dāng)于一個(gè)中等省份的工業(yè)用電總量。

全球數(shù)據(jù)中心增長(zhǎng)將面臨嚴(yán)重的供需錯(cuò)配。比如，美國(guó)預(yù)計(jì)到2028年數(shù)據(jù)中心用電量平均年增速最高達(dá)到26.9%。數(shù)據(jù)中心建成周期在1～2年，但配套電網(wǎng)的升級(jí)周期通常要4～10年，供需錯(cuò)配預(yù)期下能源缺口將越來(lái)越大。為此，美國(guó)環(huán)保局在2025年5月起草法案取消發(fā)電廠碳排放限制來(lái)確保“AI新基建”的電力供給。

發(fā)展綠色AI從需求側(cè)、供給側(cè)兩大方位去實(shí)現(xiàn)。

需求側(cè)的首要目標(biāo)是提高數(shù)據(jù)中心的資源利用率，降低能耗。全球領(lǐng)先的云服務(wù)商數(shù)據(jù)中心利用率在30%～40%，傳統(tǒng)的數(shù)據(jù)中心普遍低于20%。一是部署的模型龐大導(dǎo)致運(yùn)算需求大，二是大量數(shù)據(jù)占用儲(chǔ)存空間，三是服務(wù)器通常在無(wú)任務(wù)時(shí)也會(huì)維持待機(jī)耗能狀態(tài)。

當(dāng)前AI廠商的努力方向主要是算法枝剪和模型蒸餾，以此減少冗余計(jì)算和AI本地部署成本。比如DeepSeek-R1采用FP8混合精度計(jì)算，將內(nèi)存帶寬需求降低50%，推理能耗降至傳統(tǒng)大模型的1/10。

除了采取算法優(yōu)化來(lái)降低運(yùn)算需求外，最直接的方式是改造冷卻系統(tǒng)提高散熱，減少總能耗。比如，聯(lián)想海神液冷技術(shù)可以將PUE（能源利用效率）降低至最低1.05，戴爾服務(wù)器采用浸冷式后能效提高40%。

供給側(cè)的大趨勢(shì)是擴(kuò)大可再生能源在能源體系中的占比。發(fā)展清潔能源來(lái)應(yīng)對(duì)AI發(fā)展帶來(lái)的電力需求是全球共識(shí)。沙特阿美為在建的全球人工智能中心鋪路，提出“AI+天然氣制氫”方案，并計(jì)劃到2030年藍(lán)氫產(chǎn)量達(dá)成1100萬(wàn)噸/年。阿布扎比國(guó)家石油則投入230億美元開發(fā)AI低碳技術(shù)。歐盟預(yù)計(jì)2030年電力結(jié)構(gòu)中綠電占比將超過60%，計(jì)劃將AI調(diào)度系統(tǒng)覆蓋率提升至80%。

中國(guó)的新能源發(fā)展走在前列，“西部液冷中心+東部稀疏模型”調(diào)度可實(shí)現(xiàn)綠電占比60%，綜合算力成本降低35%。在東數(shù)西算的基礎(chǔ)上，分布式算力消納和源網(wǎng)荷儲(chǔ)協(xié)同也在降低棄風(fēng)棄光率。比如上海崇明北堡風(fēng)電場(chǎng)部署分布式算力節(jié)點(diǎn)，90%時(shí)間直接使用風(fēng)電，算力中心綠電利用率95%，年減碳850噸。南方電網(wǎng)AI調(diào)度模型整合3500節(jié)點(diǎn)數(shù)據(jù)，實(shí)現(xiàn)70%新能源滲透率下的實(shí)時(shí)電網(wǎng)模擬，棄風(fēng)棄光率從15%降至5%。

機(jī)遇10：人機(jī)對(duì)齊，AI安全越來(lái)越重要

AI安全問題的核心在于，訓(xùn)練AI在不同情形和復(fù)雜環(huán)境中做出符合人類價(jià)值觀的判斷，即人機(jī)對(duì)齊問題（Alignment Problem）。

算法和人類學(xué)習(xí)的方式相似，但并不清楚人類對(duì)公平性、安全性、道德性的認(rèn)知。所以特定領(lǐng)域需要人為篩選、標(biāo)記數(shù)據(jù)、在監(jiān)督學(xué)習(xí)中應(yīng)對(duì)具體的問題。

第一類是算法搭建謬誤：訓(xùn)練用的數(shù)據(jù)樣本是準(zhǔn)確的，但訓(xùn)練規(guī)則沒有考慮到統(tǒng)計(jì)學(xué)偏差。

第二類是數(shù)據(jù)來(lái)源偏見。公共信息本身就存在偏見，數(shù)據(jù)背后的動(dòng)機(jī)和目標(biāo)并非純粹理性。因此，當(dāng)數(shù)據(jù)已盡可能的具有包容性時(shí)，AI的非監(jiān)督訓(xùn)練會(huì)直接產(chǎn)生道德問題。

第三類是道德困境（Moral Dilemma）。由于人類社會(huì)的道德框架并非完全一致，不同的價(jià)值觀、文化、認(rèn)知背景存在道德差異，以共識(shí)的行為準(zhǔn)則來(lái)建設(shè)“AI的道德性”是難題。

為解決人機(jī)對(duì)齊問題進(jìn)行嘗試，AI企業(yè)除了發(fā)布各自的倫理準(zhǔn)則，也通過收集用戶反饋進(jìn)行算法改進(jìn)，政府監(jiān)管引導(dǎo)也不可或缺。OpenAI提出過超級(jí)對(duì)齊要求準(zhǔn)則，微軟通過可視化工具和解釋性算法來(lái)揭示模型工作機(jī)制。各主權(quán)政府也相繼出臺(tái)文件監(jiān)管，中國(guó)注重安全評(píng)估標(biāo)準(zhǔn)和生成內(nèi)容標(biāo)識(shí)，美國(guó)提出算法歧視保護(hù)和數(shù)據(jù)隱私要求，歐洲強(qiáng)調(diào)AI的自主性、預(yù)防傷害、公平性和可解釋性。