今天的 AI 已經(jīng)足夠耀眼。它能在幾秒鐘內(nèi)寫出文章、生成代碼、繪制圖像，也能像助手一樣拆解任務、調(diào)用工具、給出方案。對很多人來說，AI 的未來似乎已經(jīng)清晰可見：更高效率、更低成本、更少人力，以及越來越自動化的生產(chǎn)流程。

但同濟大學工程智能研究院的華先勝院長看到的則是另一面。

在他看來，AI 真正的挑戰(zhàn)不在于能不能“說得像人”，而在于能不能進入那些不能靠語言流暢度解決的真實系統(tǒng)。工程世界就是這樣的系統(tǒng)，它關乎樓宇是否安全、橋梁是否可靠、交通是否順暢、能源能否穩(wěn)定調(diào)度、城市能否持續(xù)運行。

這里沒有簡單的標準答案，也不能用幻覺冒充創(chuàng)造力。一個 AI 模型即使能寫出完美方案，也不意味著它理解了工程現(xiàn)場。

所以，工程智能要回答的第一個問題是：AI 如何從數(shù)字世界走向物理世界？

華院長認為，工程智能不是 AI 與工程的簡單相加，它既要用已有 AI 技術解決工程問題，也要從復雜工程系統(tǒng)中倒逼新的 AI 理論和方法，更要把這些能力沉淀為平臺、模型、智能體和操作系統(tǒng)，讓工程智能從單點突破走向規(guī)?；瘡椭啤?/span>

這也是他從微軟、阿里、城市大腦一路走到同濟工程智能研究院后形成的判斷：AI 落地不能只靠“拿著錘子找釘子”，也不能只靠一個個項目堆起來。真正的工程智能，必須長在產(chǎn)業(yè)現(xiàn)場，也必須長成一套體系。

而更深層的是，華先勝并沒有把工程智能僅僅看成產(chǎn)業(yè)效率工具。他同時追問了另一個更難的問題：當 AI 越來越強，人會不會被系統(tǒng)邊緣化？

如果 AI 只沿著替代人的方向發(fā)展，它可能帶來崗位替代、認知退化和精神操控。但如果換一條路，讓 AI 成為人的共創(chuàng)伙伴，讓模型/智能體的能力和人類的非邏輯創(chuàng)造力彼此激發(fā)，AI 就不再只是“完美機器”，而可能成為一種共生智能。

于是，工程智能在這里獲得了雙重含義：一方面，它是 AI 進入復雜工程系統(tǒng)的技術路徑；另一方面，它也是重新設計人機關系的一次嘗試。

基于這些判斷，雷峰網(wǎng)與華院長進行了一次系統(tǒng)對話。對話從“工程智能究竟是什么”開始，一路延伸到復雜工程系統(tǒng)、產(chǎn)業(yè)規(guī)?；涞?、工程智能操作系統(tǒng)、靈感計算、人機互信，以及 AI 時代人的位置。

某種意義上，這不僅是一場關于工程智能的訪談，也是一場關于 AI 未來路徑的再追問。

華先勝：要解釋工程智能，首先要講清楚“工程”在這里指什么。今天很多人講工程，尤其是做計算機的人講工程，更多想到的是 software engineering，也就是軟件工程。但我們講工程智能時，“工程”至少有兩層含義。

第一層是傳統(tǒng)工程，也就是推動人類社會進步和發(fā)展的那些基礎設施與產(chǎn)業(yè)系統(tǒng)。比如建造房子、樓宇、橋梁，屬于建造；制造本身也是非常大的范圍；交通是交通工程，能源有能源工程，材料、醫(yī)學、海洋等領域里也都有工程問題。

如果稍微收窄一點，可以理解為傳統(tǒng)工科所關注的工程問題，包括建造、制造、能源、汽車、交通、海洋等。很多時候，科學和工程之間的邊界并不只是看題目本身，而是看推動這個領域發(fā)展的方式。比較偏工程方法的，都可以歸入工程范疇。

第二層則更接近過去講的軟件工程，但我們不簡單稱之為軟件工程，而是稱為“硅基工程”。人工智能要真正實現(xiàn)產(chǎn)業(yè)規(guī)?；涞?，也需要工程能力。

也就是說，當我們用 AI 方法解決了傳統(tǒng)工程中的難點問題之后，怎樣讓它走向規(guī)模化？這就需要構(gòu)建系統(tǒng)、平臺和工具，讓更多人能夠使用，而不是每一個工程問題都必須由頂尖 AI 專家和頂尖工程專家坐在一起才能解決。這個世界上的工程問題太多了，如果都只能依靠少數(shù)頂尖專家一對一解決，就很難形成規(guī)?；?。

所以，工程智能可以有一個比較正式的定義：人工智能與工程實踐的深度融合，利用人工智能技術深入解決工程領域的核心問題，實現(xiàn)對工程實踐規(guī)模化賦能的變革性技術范式。

不過這個定義比較書面，我更愿意從三個層次來解釋。

第一層叫“工程 + 智能”。也就是用今天相對成熟的人工智能技術去解決傳統(tǒng)工程中的具體問題。例如，在建造領域，設計一棟樓、一座橋時，能不能用 AI 輔助設計，讓設計速度更快、方案更合理、更有創(chuàng)意？一棟樓已經(jīng)建成之后，能不能用 AI 對樓宇健康狀況進行預測？在交通領域，能不能用 AI 提升城市交通效率和交通安全？這些都屬于工程 + 智能。

它當然也是工程智能的一部分，但還不是最核心的部分。因為這一層往往不一定會對人工智能本身提出非常高的新要求，更多是在已有技術基礎上做一些增量創(chuàng)新，解決某個具體領域問題。

第二層才是真正作為一個詞的“工程智能”。它不是工程和智能的簡單相加，而是因為傳統(tǒng)工程領域中存在大量今天技術難以直接解決的問題。

工程系統(tǒng)往往非常復雜，比如建一座橋、優(yōu)化一座城市的交通、調(diào)度一個城市的能源或電力系統(tǒng)，這些都是復雜系統(tǒng)。今天的 AI 技術還不能直接解決這些核心問題，于是它反過來會給人工智能提出新的理論和方法要求。

我們發(fā)展新的 AI 理論與方法去解決這些工程問題，一方面推動工程學科和工程技術的發(fā)展，另一方面也推動人工智能技術本身的發(fā)展。到這個階段，它就成為一個新的領域，放在學校里講，也可以說是一個新的學科。

第三層是工程智能操作系統(tǒng)。我們希望把那些看起來高大上的技術，變成大家都能使用的工具。就像今天我們用 Windows、Office、PowerPoint，不需要微軟工程師和我們一起寫文檔、做幻燈片；醫(yī)生用 CT 做診斷，也不需要理解 CT 機內(nèi)部如何成像、如何重建，只要會使用設備，就能做診斷、制定治療方案。工程智能也要走到這個階段，才能真正被規(guī)模化使用。

這三個層次不是先后割裂的。我們現(xiàn)在同時在做三件事：第一，用現(xiàn)有技術去看工程問題；第二，針對工程里的難點問題發(fā)展新的方法；第三，從現(xiàn)在開始構(gòu)建平臺系統(tǒng)，今天能解決多少問題，就把多少能力放進系統(tǒng)里。系統(tǒng)變成開放系統(tǒng)之后，更多人也可以一起貢獻。

我還經(jīng)常用“點、線、面”來解釋工程智能。點，是解決某一個具體問題。比如某一個蛋白質(zhì)結(jié)構(gòu)預測，或者某一個作物的育種問題，都是點。線，是能解決一類問題，例如不僅能做大豆育種，也能做水稻、玉米等作物育種，形成一個加速育種的平臺。面，或者體，是在一個領域里能解決一組相互關聯(lián)的問題，比如農(nóng)業(yè)里不僅做育種，還能做精準種植、農(nóng)業(yè)機械化、加工等。

如果只做點，很難形成一個領域或?qū)W科；至少做到線，才可能成為一個領域，成為一個平臺，成為一種賦能工具。我們的目標是從點到線，再到面。當然，從點到線相對容易，走到面需要很多年的積累。

（2025年5月20日同濟大學工程智能研究院成立）

華先勝：過去其實也在做，只是還沒有那么成體系。今天把工程智能這件事提出來，是因為技術和產(chǎn)業(yè)發(fā)展到了一個可以更深入、更大規(guī)模推進的階段。

第一個維度是工程本身的需要。工程非常重要，真正改變世界的很多東西其實是工程。當然，工程很多時候來自科學突破，科學理論再進入工程應用，推動人類改造和適應世界。

城市建設、大陸橋梁、飛機、大型水電站、大型建筑，本質(zhì)上都是工程。中國本身也是工程大國，但今天的工程系統(tǒng)越來越復雜。大型水電站、飛機制造、大型建筑等系統(tǒng)一旦出問題，很多時候是災難性的，因此迫切需要新的方法來保證可靠性和安全性。

我們過去一段時間做了很多探索，后來發(fā)現(xiàn)這和錢學森先生當年講的“開放復雜巨系統(tǒng)”非常相關。

工程里的很多系統(tǒng)本質(zhì)上就是開放復雜巨系統(tǒng)：組件非常多，耦合度非常高，相互依賴非常強；同時它不是封閉系統(tǒng)，而是在不斷演進，并且與外部環(huán)境持續(xù)交互。比如電站會受到環(huán)境變化、水流變化、能量輸入輸出的影響；城市交通更是一個不斷變化的開放系統(tǒng)。

這類系統(tǒng)還有涌現(xiàn)性。涌現(xiàn)就是從量變到質(zhì)變，很多規(guī)律不是用以往方法能輕易計算出來的。今天大模型也有涌現(xiàn)，但老實說，背后的機制也還沒有真正弄明白。

復雜工程系統(tǒng)也是這樣：難以建模，模型建不好，就更談不上推演、預測和優(yōu)化。因此，工程需要人工智能去輔助、去賦能。

第二個維度是人工智能本身的需要。人工智能從深度學習時代發(fā)展到 2022 年底之后的大模型、智能體時代，速度非?？?，威力也非常強。但它在數(shù)字世界里很強，在物理世界里仍然步履維艱。

今天機器人可以打拳、扭秧歌、跳舞，甚至可以跑馬拉松，但你讓它真正完成一個任務，哪怕不是特別復雜的任務，也并不容易。讓它照顧老人、照顧小孩，或者到大街上幫你取一個東西回來，這些都沒有那么容易。更不用說真正的工程場景。

如果人工智能要真正成為改變產(chǎn)業(yè)的生產(chǎn)力，就不能只成為數(shù)字世界的生產(chǎn)力，還要進入物理世界。我們說人工智能是新質(zhì)生產(chǎn)力，但它只有被規(guī)?；褂?，才會真正成為現(xiàn)實的生產(chǎn)力。

工業(yè)革命也是一樣，如果一項技術只停留在少數(shù)領域、樣板領域，就不會推動產(chǎn)業(yè)革命。人工智能接下來除了數(shù)字世界，還要進入物理世界；除了樣板，還要走向真正的規(guī)?；?/span>

第三個維度是技術已經(jīng)具備了基礎。大模型、智能體、物聯(lián)網(wǎng)、算力，以及過去十幾年產(chǎn)業(yè)數(shù)據(jù)化的實踐，雖然有成功也有教訓，但都為規(guī)?；こ讨悄芴峁┝吮匾A。

產(chǎn)業(yè)界、政府和社會對人工智能的接受度也比過去高，尤其在中國，大家更愿意嘗試。過去十幾年，AI 落地往往只解決了一部分核心問題，很多產(chǎn)業(yè)核心問題其實沒有真正解決，這也是難以規(guī)?；闹匾颉?/span>

此外還有國際競爭格局。很多人把一些國際計劃理解為偏科學智能，但仔細看，其中也包含制造等工程內(nèi)容。貝索斯較早提出 Physical AI，要投入巨額資金做這件事。

本質(zhì)上，這也是工程智能的一部分，只是他更多講制造，我們講的范圍更廣。他的做法可能是把傳統(tǒng)產(chǎn)業(yè)買下來直接改造，而我們更希望提供平臺和工具，讓產(chǎn)業(yè)自己在工具上完成改變。

華先勝：這是一個必須正視的問題。我們在全速擁抱 AI 的同時，也要看到它發(fā)展路徑里存在幾重暗礁。

第一重是生存的替代。大模型和智能體已經(jīng)開始改變崗位結(jié)構(gòu)，特別是初級崗位、重復性崗位，受到的沖擊會更明顯。第二重是認知的退化。如果一個人習慣把思考、寫作、判斷都外包給 AI，大腦就會越來越少經(jīng)歷真正的訓練。第三重是精神層面的操控。算法比你更了解你的喜好和弱點，它可以不斷投喂你想看的東西，讓人困在信息繭房里。

所以，問題不只是 AI 技術本身有多強，而是我們到底沿著什么路線發(fā)展 AI。如果我們追求的是一個“完美機器”，讓它在越來越多場景中 100% 替代人，人就會被逐漸邊緣化。它看起來提高了效率，但也可能帶來崗位、認知和精神層面的長期風險。

我更關心的，是能不能用技術去解決技術帶來的問題。也就是說，不只是靠倫理提醒、靠使用者自律，而是在系統(tǒng)設計之初就避免走向單純替代人的路徑。工程智能要進入物理世界、進入產(chǎn)業(yè)核心，就更不能只是做一個替代人的機器，而應該成為激發(fā)人類智慧和能力的合作伙伴。

華先勝：人工智能領域有很多了不起的團隊和人才，他們推動了技術和應用的發(fā)展。但如果要把“從技術到產(chǎn)業(yè)”這條路真正走通，需要一種綜合能力：既要有算法研究能力，對算法原理有深入理解；也要有工程化能力，能夠把技術轉(zhuǎn)化為穩(wěn)定可靠的系統(tǒng)和產(chǎn)品；同時還需要圍繞真實業(yè)務和應用場景，持續(xù)打磨系統(tǒng)架構(gòu)、產(chǎn)品體驗和商業(yè)落地路徑。

算法、系統(tǒng)、產(chǎn)品、產(chǎn)業(yè)落地之間不是一條簡單的線，而是高度耦合的關系。過去很多討論是在說，到底是錘子找釘子，還是釘子找錘子：是先有算法再找場景，還是先有需求再找算法。

經(jīng)過這些年的經(jīng)歷，我現(xiàn)在想做的事情不是判斷到底誰找誰，而是讓所有釘子都能有合適的錘子，所有錘子都能找到合適的釘子。更準確地說，是構(gòu)建一個更大范圍的架構(gòu)，讓“找”的問題不再成為問題。

如果總在糾結(jié)先做技術還是先找需求，就會一直停留在原來的問題里。我的想法是，把大的構(gòu)想和系統(tǒng)架構(gòu)設計出來，錘子和釘子都在里面，就可以直接用。

工程智能之所以強調(diào)認知，是因為認知會決定做法。為什么要區(qū)分“工程 + 智能”和“工程智能”？為什么要強調(diào)點、線、面？為什么要構(gòu)建工程智能操作系統(tǒng)？這些都是過去二十多年經(jīng)歷逐漸沉淀出來的。

從微軟搜索、必應搜索相關技術，到阿里拍立淘、城市大腦、醫(yī)療健康，再到今天做工程智能，很多理念是一脈相承的。只是今天技術和產(chǎn)業(yè)發(fā)展到了新的階段，我想布一個更大的局，讓人工智能技術和產(chǎn)業(yè)之間的 gap 在設計之初就被縮小，甚至不再成為最難的問題。

華先勝：可以這么理解。從學校層面看，最早的初衷是新的工程學科建設需要人工智能介入。做工程智能其實有兩撥人：一撥是做工程的人往人工智能方向走，另一撥是做人工智能的人往工程方向走。

這兩撥人各有優(yōu)勢和短板。工程領域的人對工程本身的認知非常深，這是他們的專業(yè)，也是非常重要的優(yōu)勢，否則你甚至不知道真正應該做什么問題。但他們不一定擅長 AI。做 AI 的人 AI 能力強，但對工程本身問題的認知不夠。

兩邊甚至可能互相覺得對方做得不夠好：AI 人可能覺得工程方法太簡單，工程人可能覺得 AI 人沒有做到正確的問題上。工程智能研究院要解決的一個問題，就是讓這兩撥人不要割裂開做，而是在一起做。

同濟的工程學科是優(yōu)勢，我來到同濟做工程智能，也是希望發(fā)揮同濟工程學科的底座，把工程智能真正變成一個詞，而不是兩個領域的松散拼接。更大的層面上，就是讓人工智能從數(shù)字世界走向物理世界，真正成為生產(chǎn)力。

（發(fā)布《工程智能白皮書》）

華先勝：在回答這個問題之前，我想先補充一點。我過去做人工智能，落地性比較強，不只是寫論文、做 demo，而是做真正有幾千萬、上億人使用、被現(xiàn)實檢驗的系統(tǒng)。因此我對行業(yè)和領域本身一直有敬畏之心。

現(xiàn)在有一個趨勢：誰都想去搞人工智能。這一方面是好事，但如果一個學科的人放棄自身領域，轉(zhuǎn)而去做人工智能本身，不見得是好事。比如醫(yī)學，如果醫(yī)學生和醫(yī)學研究者都去做人工智能，醫(yī)學本身怎么辦？你的優(yōu)勢可能不是人工智能本身，而是你的學科與人工智能的結(jié)合。

對于工程、醫(yī)學等領域的人來說，目標應該是用人工智能推動本學科發(fā)展；對于我們做人工智能的人來說，目標則是推動這些學科發(fā)展，同時也推動人工智能發(fā)展。

我以前做醫(yī)學人工智能時也有過困惑。我們做醫(yī)學影像，效果也不錯，但好像總是不溫不火。后來我想明白了：醫(yī)學人工智能的目標應該是推動醫(yī)學的發(fā)展。不是說沒有 AI 醫(yī)學就不能發(fā)展，而是 AI 帶來的技術進步要真正推動醫(yī)學進步。

就像 CT、MRI 這類技術，它們在醫(yī)學里有生命力，因為它們改變了醫(yī)學。如果 AI 只是提升效率，當然也有價值，但生命力不夠強。只有推動學科發(fā)展，它才會有更強的生命力。

回到研究院的目標，我們不是做項目制，而是要構(gòu)建一套體系。從可見的結(jié)構(gòu)上講，我們按照平臺、模型、智能體、應用四層來構(gòu)建。

研究院不是公司，但它也不是一個只做學術的學院，而是一個產(chǎn)學研融合的設計。我們要做學術前沿，也要培養(yǎng)人才，但還要把成果變成可以產(chǎn)業(yè)化落地的東西。

不過，真正的產(chǎn)業(yè)化落地不一定由研究院本身完成。研究院更像是預研和孵化平臺，把技術做到一定程度之后，再通過孵化企業(yè)或賦能企業(yè)完成產(chǎn)業(yè)化。研究院本身不是商業(yè)載體，但它承擔產(chǎn)學研融合和產(chǎn)業(yè)孵化的重要責任。

這也反映在團隊構(gòu)成上。一般學院以學術人才為主，而我們既有學術人才，也有來自產(chǎn)業(yè)研究院的人才。他們既有前沿學術研究能力，又有系統(tǒng)設計、系統(tǒng)實現(xiàn)和產(chǎn)品化能力。我們講產(chǎn)學研融合，不是表面上的融合，而是真正的產(chǎn)研融合。

在架構(gòu)上，我們還設計了一個三級結(jié)構(gòu)：學校層面的研究院、面向上海的新型研發(fā)機構(gòu)，以及后續(xù)孵化或賦能的企業(yè)。最終，我們希望從研究院走向產(chǎn)業(yè)，從基礎能力走向平臺化系統(tǒng)，再走向真正的企業(yè)和產(chǎn)業(yè)生態(tài)。

華先勝：我覺得可以這樣理解：如果說傳統(tǒng) AI 落地更多強調(diào)“降本增效”，那么共生智能更強調(diào)“開智增能”。它不是簡單用 AI 替代人工，而是讓人與 AI 深度結(jié)合，用相同甚至更少的人力，完成更深入、更強大的創(chuàng)造。

我們要做的不是一個個孤立項目，而是把平臺、模型、智能體、應用，以及未來的人機協(xié)同機制放在同一個體系里，讓 AI 的能力和人的能力共同演進。

華先勝：如果從應用領域看，我們目前有土木建造、交通、海洋等方向。比如在建造領域，我們做的是從設計到設計評估，再到建成建筑的狀態(tài)預測。

一個具體技術叫 BIM to FEA。BIM 是建筑信息模型，主要描述建筑的物理和幾何結(jié)構(gòu)。過去很多年，行業(yè)一直在使用 BIM；它比平面圖更形象，有三維信息，可以看到建筑長什么樣。但是，如果要拿 BIM 去評估建筑健康狀況、風險，或者分析極端天氣、地震對建筑的影響，它還不夠，因為這些問題需要進入力學層面。

進入力學層面，就要分析建筑結(jié)構(gòu)中的應力，還要考慮材料等因素。工程上通常通過有限元仿真完成。過去這件事基本靠手工：先有 BIM 模型，再手工構(gòu)建 FEA 有限元模型，畫網(wǎng)格，進行仿真，分析應力。只有把這些分析清楚，才能判斷房子會不會有風險。

我們現(xiàn)在希望把這個過程自動化：從 BIM 直接生成力學仿真模型，自動完成網(wǎng)格劃分，甚至在某些情況下不經(jīng)過反復迭代就得到滿足條件的仿真結(jié)果，并且自動生成分析報告。報告可以告訴設計方案是否存在問題，也可以用于運維階段，判斷一棟建筑應該如何修理、如何保護。

交通領域，我們在交通安全方面有比較好的進展。我們對城市全量交通事故進行深入分析，分析事故成因、責任歸屬、車輛行為、碰撞位置和各種細節(jié)。過去這些都需要人來分析。一個直接應用是幫助交警做事故定責，并且把分析結(jié)果與法律法規(guī)結(jié)合，輔助判斷責任。

更大的應用在于，當我們掌握了城市歷史交通事故的發(fā)生機理，就可以知道事故到底由哪些因素造成：哪些是人的原因，哪些是道路原因，哪些是交通規(guī)則原因。這樣就可以對城市交通基礎設施提出建議，比如哪些地方應該改造，哪些通行規(guī)則應該調(diào)整，從而降低事故發(fā)生概率。

我覺得更有意思的是從司機角度入手。交通事故往往是多種因素疊加造成的。即使道路擁堵、路況不好，如果一個人足夠仔細，也可能避免事故。很多時候，是多個條件湊在一起才發(fā)生事故。因此我們可以從司機層面去破壞促成事故的因素。

人的駕駛習慣、當天心情、天氣狀況、交通狀況、實時駕駛行為都會影響事故風險。在某種條件下，我們可以提前預測：某位司機今天走到某個地方時，發(fā)生事故的概率可能比平時高好幾倍。這時就可以提醒他注意駕駛行為，甚至調(diào)整路線。過去沒有大模型技術，這件事不太好做，但時至今日，這件事已經(jīng)變得相對更容易了一些。

海洋方向，我們綜合多源海洋數(shù)據(jù)和預測模型，對海洋情況進行分析和預測，例如海面溫度變化趨勢等，并構(gòu)建相應的智能體。

還有一個很重要的點是：我們做的東西不是論文，也不是博士論文，而是一個可用系統(tǒng)。當然，今天說它已經(jīng)是成熟產(chǎn)品還為時過早，但至少它是真正在跑的東西。有些能力要真正落地，還需要和外部系統(tǒng)連接。比如交通中對個人進行提醒，就需要和高德或其他 GPS 系統(tǒng)連接；要做全城市全量事故分析，則需要和城市大腦這類系統(tǒng)連接等等。

除了這些具體領域，我們還做了兩個偏通用的能力。第一個是傳統(tǒng)工程的全科工程智能體。它不是只面向土木、交通、能源或制造，而是把工程學科里的知識和能力放在一起。我們不是簡單做一個大模型，而是做智能體，同時嵌入我們自己調(diào)優(yōu)的模型、知識圖譜，以及一些物理約束。

這個智能體主要用于交互式工程教學和研究探索。我們不希望它變成學生直接拿答案的工具，因此設計了啟發(fā)式模式：學生不知道怎么做時，系統(tǒng)會一步步提醒他從哪里思考，避免直接抄答案。它也針對工程領域做了優(yōu)化，能夠處理全科問題，包括讀圖、圖紙理解、計算、建模等。

第二個是偏科研場景的工具，用來輔助工程智能或人工智能科研。它可以自動追蹤全球前沿研究進展和資訊，幫助研究者把握趨勢。我們每天做分析，每個人可以有自己的訂閱。訂閱不是簡單推送一條信息，而是拿到信息之后還可以繼續(xù)和系統(tǒng)溝通：讓它進一步總結(jié)，與其他論文或資訊關聯(lián)，或者用不同文風解釋。

對于管理者，它可以用通俗語言解釋艱深論文；對于技術人員，它可以深入到技術細節(jié)。更重要的是，我們希望它不僅是信息工具，還能把人、模型和智能體的能力融合起來，實現(xiàn)互相激發(fā)：人激發(fā)智能體產(chǎn)生更多有創(chuàng)意的想法，智能體也反過來激發(fā)人的想法。

（研究院展覽體驗中心）

華先勝：靈感本來看起來是不可計算的。如果能計算，為什么還叫靈感？但我們不是說所有靈感都能計算，而是想解決其中能夠被計算的一部分。

比如，一個研究者要產(chǎn)生一個新方法來解決問題，首先會有上下文：可能是一篇論文、一條資訊，或者一個很粗淺的想法。其次，可以放入當前領域最前沿技術的一些關鍵詞；再次，可以放入這個領域存在的各種問題。這些都可以成為不同維度。當然維度可以不止三個，理論上可以有很多維度。

這個想法其實來自我很多年前在北大聽過的一堂課。那位老師講了兩個概念，一個叫“維論”，另一個叫“尋找新的自由度”。很多時候我們覺得沒有路，是因為把自己限制在二維或三維空間里。換到另一個空間，增加一個維度，問題可能就很簡單。

我以前在團隊里講研究方法時，也常說要尋找新的自由度。而靈感的產(chǎn)生，在某種意義上就是升維，或者是在已有維度中尋找沒有被挖掘過的地方。

關鍵在于，如何創(chuàng)造這些維度，而一旦維度創(chuàng)造出來，空間就會變得很廣闊。

這也和大模型的創(chuàng)新能力相關。今天大模型能畫畫、做視頻、寫詩，看起來有創(chuàng)新能力。但它為什么能創(chuàng)新？創(chuàng)新天花板在哪里？

我用文字來打個比方：第一類是已經(jīng)存在的有意義文字，也就是人類已經(jīng)寫出來的文本；第二類是所有可能的、有意義的文字組合，它們現(xiàn)實中未必已經(jīng)存在，但大模型可能生成出來；第三類是任意文字組合，其中很多并沒有意義。

大模型今天能夠創(chuàng)新的地方，主要是在第二類空間里：現(xiàn)實世界還不存在，但它確實是有意義的組合。它的天花板也在這里，因為它是從已知內(nèi)容中學出來的。

如果存在一種文字組合，人類現(xiàn)在還不知道它是否有意義，大模型也很難真正判斷。它可以隨機產(chǎn)生，但無法保證體系性，也無法判斷對錯。它也無法從文言文直接創(chuàng)造出現(xiàn)代漢語這種語言演化。人類不同的地方在于，人類可以創(chuàng)造逐漸演變的新狀態(tài)。

所以，靈感計算的思路是構(gòu)建不同維度，在維度形成的空間里尋找還沒有被探索的可能性。這只能解決一部分問題，但已經(jīng)能大幅提升人的能力。

比如構(gòu)建一個三維空間，每一維有 10 個向量，就可能產(chǎn)生 1000 個 idea。其中可能 100 個已經(jīng)被人做過，800 個不靠譜，但剩下 100 個也許有價值。系統(tǒng)可以自動判斷哪些已經(jīng)被做過，哪些不太靠譜，剩下的就可能成為有意義的啟發(fā)。

難點在于如何“造維”，也就是如何描述創(chuàng)新空間。我們不求完整描述，只要能描述其中一部分空間，就有價值。

華先勝：是的。AI 的超強能力需要和人類獨特的非邏輯創(chuàng)造力結(jié)合，才能突破自身能力的天花板。一個好的共生智能系統(tǒng)，不是把答案直接交給人，而是把人推到更高價值的創(chuàng)造環(huán)節(jié)上。它可以完成大量繁重的信息搜集、比對、推理和生成工作，讓人把精力集中在決定性、創(chuàng)造性的部分。

比如教育場景里，如果一個 AI 只是幫助孩子更快刷題、拿到標準答案，它可能把孩子訓練成應試高手，卻未必能讓孩子愛上學習，更難讓他成為提出問題的人。但如果 AI 像一位特級教師，引導孩子在學習引力時親手拖動虛擬行星，再追問“如果引力規(guī)則完全不同，會發(fā)生什么”，它就可能點燃孩子的好奇心。

科研也是如此。前幾年，DeepMind 和牛津大學數(shù)學家合作，把 AI 引入拓撲學研究。AI 分析大量被稱為“紐結(jié)”的復雜拓撲對象，在代數(shù)和幾何表征之間發(fā)現(xiàn)了新的關聯(lián)模式；人類數(shù)學家再把這個模式提煉、理解并完成證明。這個例子說明，AI 可以發(fā)現(xiàn)人類難以窮盡搜索的模式，但最終的理解、判斷和理論化，仍然需要人的智慧。

靈感計算想做的，就是把這種“互相激發(fā)”變得更系統(tǒng)、更可規(guī)模化。通過構(gòu)建不同維度、探索沒有被走過的組合空間，智能體可以不斷向人提出可能性，而人則用自己的經(jīng)驗、直覺和非邏輯創(chuàng)造力，去判斷哪些可能性真正有價值。

（華先勝院長講共生智能）

華先勝：這正是為什么要打造工程智能操作系統(tǒng)。我們把工程智能中的核心問題總結(jié)為幾個層面。第一個問題是建模：怎樣用相對統(tǒng)一的方式把一個工程問題建模？工程問題非常復雜，數(shù)據(jù)量和數(shù)據(jù)模態(tài)都很多，有時間數(shù)據(jù)、空間數(shù)據(jù)、圖紙、文本、視覺信息、時間序列等。工程領域首先需要一套相對統(tǒng)一的建模機制，能夠處理這些異構(gòu)數(shù)據(jù)。

這里有兩類問題。一類是能夠建模的數(shù)據(jù)，我們盡量通過統(tǒng)一方法建模；另一類是很難放進統(tǒng)一模型的數(shù)據(jù)，就作為外部數(shù)據(jù)來使用。有些數(shù)據(jù)語義不強，數(shù)據(jù)量又不多，很難 token 化，硬放進統(tǒng)一模型反而沒有用。這類數(shù)據(jù)可以作為上下文，或者作為外部數(shù)據(jù)，由模型通過另一層能力讀取和操作。

工程領域還會涉及物理規(guī)律和各種約束，比如成本約束、時間約束、安全性約束等。這些都會比較復雜。我們會把它們抽象成基礎能力，但進入具體領域時，還要針對該領域優(yōu)化和調(diào)優(yōu)。

不能指望一個大一統(tǒng)模型解決所有工程問題，語言模型也許可以某種程度上統(tǒng)一很多語言任務，但工程世界很難這樣。因此，我們會有基礎框架、基礎模型，也會在每個領域進行針對性優(yōu)化。

這就是工程世界模型，它不是通常意義上只關注三維空間的世界模型，而是要刻畫工程場景中的復雜問題，包括設備數(shù)據(jù)、建筑、機械以及它們之間的關系?？坍嬛螅€要進行推理，包括優(yōu)化、預測、仿真等。這個過程不容易，但我們要用相對統(tǒng)一的方法逐步往前走。

華先勝：我們可以把它概括為三層，或者說三個基礎研究維度。第一層是工程世界模型。它解決的是可信建模和可信推理：如何準確刻畫工程世界，如何在模型之上進行優(yōu)化、預測、仿真。

第二層是多人多智能體協(xié)同系統(tǒng)，也可以叫工程共創(chuàng)的多人多智能體體系。到了這一層，問題不只是模型能不能刻畫世界，還包括任務能不能被可靠執(zhí)行，智能體之間能不能協(xié)作，智能體和人之間能不能協(xié)同。我們提出四個關鍵詞：可信建模、可信推理、可信執(zhí)行、可信協(xié)同。前兩個偏模型層，后兩個偏任務執(zhí)行和協(xié)同層。

現(xiàn)在業(yè)界非常關注智能體執(zhí)行框架和 harness，本質(zhì)上是因為大模型不可靠。怎樣在真正完成任務時，讓它安全、可靠、可控？工程智能對這一點要求更高，因為工程場景不能簡單試錯重來，它有更多約束，對可靠性、可解釋性和安全性的要求也更高。

第三層是人機互信，這是我們很重要的創(chuàng)新。早期它還是一個概念，后來我們希望把它變成可計算的東西。未來社會生產(chǎn)和生活可能是人機融合的：你的同事、同伴可能是人，也可能是智能體。人和人之間、人和機器之間、機器和機器之間，都需要信任。只有互相信任，協(xié)同效率才會高。

但這件事不能停留在理念層面，我們要把信任變成系統(tǒng)中可以計算、可以演化的變量。系統(tǒng)運行的目標之一，是讓信任度隨著協(xié)同不斷提升。信任度提升后，工程世界模型對世界的刻畫能力會更強，多人多智能體系統(tǒng)完成任務的質(zhì)量和效率也會更高。

也就是說，人機互信成為系統(tǒng)演進中的一個約束和優(yōu)化目標。我們也定義了信任如何度量、如何演化，并把它稱為信任的動力學方程。

過去，信任更多是管理學或心理學概念。我們希望把它變成可計算概念，與模型精度優(yōu)化、任務完成能力優(yōu)化并列，成為系統(tǒng)優(yōu)化的一部分。這樣，模型與模型之間、人和模型之間、人和人之間協(xié)同更可信，整個系統(tǒng)運行的效率和可靠性也更高。

這也和我提出的“共生智能”有關。我去年在一個報告里提出這個概念，并在此基礎上寫了一本書，暫名叫《共生智能：人工智能的下一代》。它有技術哲學，也有系統(tǒng)架構(gòu)。它不是只講理念，因為里面的很多東西可以一行一行寫成代碼，落成系統(tǒng)。

對此我的一個觀點是：要讓最好的選擇成為唯一的選擇。也就是說，當我們設計出一個足夠好的、人機協(xié)同、共生共創(chuàng)的系統(tǒng)，大家自然會選擇它。

所以，工程智能操作系統(tǒng)可以由三個基礎部分構(gòu)成：工程世界模型、工程共創(chuàng)的多人多智能體體系，以及人機互信優(yōu)化。三者合在一起，才構(gòu)成真正意義上的工程智能操作系統(tǒng)。

而從實現(xiàn)工程智能的技術路徑上講的，共生智能并不是一個抽象口號。未來可以有“共生智能大模型”：它不只是知識問答機，而是在模型和智能體的設計中融入人類長期積累的創(chuàng)新理論和方法，使模型具備一定的“靈感激活能力”。

智能體則像總指揮，負責規(guī)劃和執(zhí)行復雜任務。更重要的是，它要能識別邏輯和計算的盡頭：當模型靠自身計算無法繼續(xù)突破時，它就應該主動轉(zhuǎn)向人類伙伴，開啟高質(zhì)量的創(chuàng)造性對話。

如果這個智能體還有長期記憶，能夠記住與人的每一次互動，理解人的能力結(jié)構(gòu)、興趣、偏好和思考方式，那么它就不再只是一次性工具，而會逐漸成為與人共同進化的伙伴。人、模型和系統(tǒng)之間的能力，也會形成螺旋式上升的閉環(huán)。

（研究院回廊展廳）

華先勝：我覺得更大的可能不是取代這個職業(yè)，而是取代這個職業(yè)中的大量人力?？梢杂靡粋€非常簡化的例子來講：如果工作量是 100，過去可能需要 100 個工程師完成，未來可能 10 個工程師加一批智能體就可以完成，甚至 5 個工程師加一批智能體就可以完成。這是工作量固定時的情況。

換一個角度，如果仍然有 100 個工程師，但他們帶著 1000 個智能體，就不是完成 100 的工作量，而可能完成 1000 甚至 10000 的工作量。所以，它不一定取代工程師這個職業(yè)，但會改變這個職業(yè)中的人力結(jié)構(gòu)和工作方式。

AI 完全取代一個職業(yè)，我認為很難，因為大模型的本質(zhì)是概率預測。我們說它在生成，其實它是在預測。為什么有幻覺？為什么有時候不聽話，甚至違反人的某些指令？因為它是概率模型，它根據(jù)上下文認為那是最好的結(jié)果。它不像人一樣有 common sense，它不是不想聽話，而是它并不知道自己是否違反了什么。

完全替代人是不現(xiàn)實的。人可以在系統(tǒng)里發(fā)揮重要作用，尤其是創(chuàng)新部分。剛才講靈感計算時也提到，大模型創(chuàng)新有天花板。即使它通過隨機方式跳過某些限制，也很難判斷那個東西到底對還是錯。人有很大的靈活性，也有非邏輯的部分。今天所有 AI 都基于計算，本質(zhì)上基于邏輯，而人可以超越這部分。

因此，我們設計系統(tǒng)時，會考慮如何充分發(fā)揮人的能力，讓人在未來有位置。工程智能不是簡單取代人，而是讓人機共創(chuàng)成為一種新的范式。它會讓會使用 AI 的工程師擁有更強能力，也會讓不會使用 AI、不能用 AI 賦能自己的人被淘汰。

所以，我更愿意說：AI 不只是幫你完成任務的工具，也應該成為讓你自己進步的工具。

從這個意義上說，工程智能真正要避免的是把人擠出系統(tǒng)。一個共生智能系統(tǒng)的目標，不是讓人不再思考，而是讓人的思考進入更高層次。它會讓 AI 承擔大量低價值、重復性、計算性的工作，同時不斷把人拉回到判斷、創(chuàng)造、責任和價值選擇的位置。

我覺得，未來最好的 AI 系統(tǒng)，不是讓人越來越依賴它，而是讓人因為使用它而變得更強。它不是只給你一個答案，而是讓你在和它共同完成任務的過程中，逐漸擁有更強的洞察力、判斷力和創(chuàng)造力。

華先勝：前面描繪的很多東西，可能到那時會逐步成為現(xiàn)實。首先，工程領域里一些核心難點問題，會通過與人工智能的深度融合得到相當程度的解決。比如開放復雜巨系統(tǒng)中的很多問題，今天還沒有解，這也是人工智能難以規(guī)?；涞氐闹匾蛑弧＿^去很多 AI 落地沒有進入產(chǎn)業(yè)核心，只是在外圍做了一些事情。

我經(jīng)常舉一個例子：智慧校園如果只是做通行、安防、消防，重要嗎？當然重要，但它并沒有進入學校的核心。中小學的核心是教育和教學，大學還有科研。只有 AI 進入教學和科研，才真正進入學校核心。

工廠也是一樣，如果只做通行、安全檢查、有沒有人違反安全規(guī)定，也不能說不重要，但如果沒有進入生產(chǎn)、設計、營銷等環(huán)節(jié)，就沒有進入核心。工程智能必須進入工程和產(chǎn)業(yè)的核心問題。未來幾年，這件事會得到比較好的解決。

第二，工程智能體會全面滲透。當然，“全面”怎么定義還需要討論，但滲透面一定會很廣。工程全生命周期中的策劃、設計、施工、運維、運營等階段，都會出現(xiàn)專業(yè)智能體。智能體和人類工程師一起工作，會成為司空見慣的事情。

這背后是人機協(xié)同范式的常態(tài)化。在大型工程、大城市治理、制造等領域，專業(yè)智能體會和專業(yè)工程師一起完成任務。我們正在做的人機共創(chuàng)協(xié)同平臺，或者人機共生共創(chuàng)平臺，本質(zhì)上就是為了這個場景。

智能體和人有不同特點。智能體可以 24 小時工作，只要有 token budget，就可以持續(xù)做調(diào)研、實驗、各種可能性探索。人類則更多貢獻 out of the box 的想法，或者非邏輯的創(chuàng)新。

不同智能體也可以扮演不同角色，有的偏創(chuàng)新，有的偏質(zhì)疑，總是提出不同意見。未來，人還可以把自己的經(jīng)驗和思維習慣培養(yǎng)進智能體，甚至培養(yǎng)自己的 N 個分身。

不過，工程領域有很多核心能力不是今天一個模型就能解決的。體系本身可能很快跑起來，但真正面向工程核心問題的能力，需要深入到具體領域里，一點點構(gòu)建。

我也希望，通過基礎能力、平臺化方式和系統(tǒng)構(gòu)件，中國能夠在工程智能技術方面走在世界前沿，甚至形成引領。

更長遠地看，AI 帶來的挑戰(zhàn)不只是效率問題，也不只是生產(chǎn)力問題，而是人在智能系統(tǒng)中的位置問題。如果技術只制造一個無挑戰(zhàn)、無摩擦的舒適區(qū)，人可能會在極度便利中失去目標。共生智能的意義，是為人類提供持續(xù)探索的前沿，以及值得尊敬、能夠共同成長的智能伙伴。

我希望未來的 AI，不只是機器越來越像人，而是人與機器能夠一起持續(xù)成長。工程智能，以及作為工程智能規(guī)?；瘜崿F(xiàn)形式的共生智能，最終要回答的，都是同一個問題：如何讓技術真正以人為本，不是靠說教，而是靠更好的系統(tǒng)設計，讓最好的選擇成為唯一的選擇。