数智赋能万千场景 上天入海，AI助手来帮忙

　　让准医生练手的口腔和腹腔镜手术模拟器、炼钢高炉的温控装置、文物修复软件、自动化集装箱码头、癌症个体化疫苗研发、太空算力中心……这些看似不相关的各种应用，实则都与智能计算有关。以“数智赋能、无限可能”为主题的2025年中国计算机大会（CNCC2025）近日在黑龙江省哈尔滨市举行，近200个论坛和活动涵盖智能计算的基础理论、前沿研究和未来发展方向。

　　从医学到人文，从工业制造到科学研究，从太空到水下，如今智能应用遍布人类生活的方方面面，人工智能正成为人类的助手、工具，甚至是专家。

　　智慧医疗，从技术深耕到产业落地

　　瘫痪者利用脑机接口设备，控制机械手把水瓶端到眼前，再用吸管顺利喝到水；用大脑控制机械笔写出汉字；通过建立脑图谱，利用无创神经调控技术治疗神经疾病；基于面部照片深度学习可以检测出冠心病；AI辅助心血管影像让冠心病的筛查治疗更精准……这些都是人工智能在医疗领域的研究和应用。

　　“人工智能在心血管疾病领域前景广阔，可通过多源数据精准预测风险、提高诊断效率、辅助制订个性化治疗方案及患者管理，实现精准医疗。”哈尔滨医科大学附属第二医院副院长贾海波展望未来由“心血管数字人+介入手术机器人”治疗心脑血管疾病，这里的数字人是通过“基于海量真实人体心血管数据及数字孪生技术，1∶1还原心血管系统结构与功能”实现的。

　　目前，心血管疾病发病率和死亡率仍呈现上升趋势。今年8月，一项有关AI在胸痛急诊中针对这种病症的诊断应用成果发表在《Nature Medicine》（《自然·医学》）上。这项研究由浙江大学医学院附属第一医院血管外科和阿里巴巴达摩院合作完成，科研团队负责人、蚂蚁集团医疗健康实验室主任吕乐介绍，团队近年来在AI辅助诊断脂肪肝、骨质疏松、多种癌症等方面有了多项研究成果。AI推动诊疗的意义在于能够给老百姓提供高质量的医疗服务。

　　在多个分论坛上，临床医生与计算机科学家同台讨论。

　　“没有大模型之前，我们做得很艰难，因为非常复杂。现在准确检出率达到80.75%，超过了欧美人工平均检出率30%。”首都医科大学附属北京安贞医院胎儿心脏病母胎医学中心主任何怡华在会上介绍了心脏出生缺陷母胎综合诊断及精准一体化医疗模式。她提出，大模型要与小模型结合，助力基层医疗质量提升。

　　从科学到人文，AI在各个领域当“专家助手”

　　在一本残缺的古籍上识文断字，修补一个褪色破损的唐代花瓶该用哪种材料和颜色，现在这些“细活”都可以让AI来干。基于AIGC进行古籍文档图像数字化修复是华南理工大学教授金连文近些年努力在做的工作。

　　CNCC2025开设了“人文智能数据与模型建设”分论坛。提出人文智能的北京大学智能学院研究员袁晓如，近些年致力于可视化通用基础方法研究，并推动其在社会、人文领域的应用。

　　“在我们悠久的历史中，丰富的历史文化资源，积淀了大量的人文数据，有效开发和利用这些数据是推动文化传承创新的关键议题。尤其是在人工智能与大数据技术的飞速发展之下，以计算为切入点激活上述数据已成为可能。”他通过彩陶花纹演化、汉籍国际流传、地图内容溯源等可视化应用，展现了独特的历史时空演变。

　　中国计算机学会（CCF）理事长孙凝晖提到，CNCC2025的主题“数智赋能、无限可能”，承载着CCF在智能时代的创新和思考。今年国务院印发《关于深入实施“人工智能+”行动的意见》，大会主题正是对这一战略的积极响应。

　　AI基础模型、机器学习理论与机理、面向AI的数据管理和治理等九大主题领域，CNCC2025上均有涵盖。

　　大会论坛委员会主席、清华大学长聘副教授崔鹏的体会是，今年的CNCC呈现出数智技术渗透更广、协同更深、追求可信务实的特点。一方面，AI的应用前沿已从数字空间延伸至物理世界的关键系统；另一方面，AI技术正走向深度协同与专业化，从语言大模型到数据大模型，为AI深入结合工业生产和AI For Science提供了新范式。

　　华为公司战略研究院院长周红提到，前段时间去一家大型炼钢厂交流，了解到在轧钢环节，要把几十厘米厚的钢板压到大概3毫米厚，采用传统技术会导致大量边角料浪费，利用人工智能技术，产值一年可增加几千万元。

　　大模型也正在重塑计算机学科。一位论坛嘉宾提出，随着芯片设计复杂度的急剧上升，现在已经进入“没有AI无法做芯片”的时代。大模型在赋能操作系统、智能化软件工程、密码学，算法在创新，以拓展智能计算边界，量子计算与大模型的理论融合也在加速推进。

　　可以看到，AI为科学研究带来了前所未有的推动力。今年下半年，上海人工智能实验室、西湖大学等陆续发布科学大模型，推进科研模式变革。

　　大模型有几个“大问题”

　　大模型无疑是当前人工智能的主流，但大模型不是万能的，这个还在成长中的人类助手，还有很多缺陷。

　　中国工程院院士郑庆华举例：第一个就是“数据饥渴”。大模型训练过度消耗数据、算力和能源。训练大模型靠的是海量数据输入，据推测，从GPT-1到GPT-5训练数据累计增长了9000多倍，远高于人类高质量文本增长速度。

　　甚至有演讲嘉宾开玩笑：“有多少智能就有多少人工，智能是人工堆出来的。”“告别劳动密集型人工智能，才是通往真正人工智能的重要一步。”

　　“喜新厌旧”也是大模型的缺陷，在新任务上训练会损害之前任务的性能，也无法记住处理过的数据或场景，结果就是难以处理动态时空演变的复杂任务。

　　房间壁炉里有一堆木块在燃烧，但是多模态大模型会将此识别为一场火灾；大模型有时出现幻觉甚至是凭空捏造，郑庆华将这些归之为“黑箱模型难解释”，表现在“大模型不知道自己错了，也不知道为啥错了，更做不到知错就改”。这个问题的根源是，大模型难以理解上下文时空语义，难以遵循物理规律的推理。

　　“大模型对小数据、小算力场景也无能为力。”郑庆华解释，像今年3月某品牌电动汽车爆炸，虽然可以在网上看到各种照片，但真正跟汽车爆炸相关的数据，包括电子控制系统的数据采集不到，或者说样本很小。他提出了一种新的机器智能模型——“人脑认知启发的机器记忆智能”，跳出数据驱动大模型的路径依赖，借助人脑记忆机理探索“低算力、小样本、强推理”的机器智能新路径，推动AI与脑科学的融合发展。