21世纪经济报道记者 董静怡 上海报道

随着单一模态的进化触及边界，AI的演进路径是什么？

7月26日，在2025世界人工智能大会（WAIC）主论坛上，商汤科技董事长兼CEO徐立发表了题为《人工智能的十年演进》的主旨演讲，他表示，AI的发展经历了从感知智能到生成式智能的跨越，而下一阶段的突破将依赖于AI对现实世界的主动探索与交互。

徐立开篇即抛出人工智能领域的核心命题：智能的起源。人类智能源于与物理世界的持续交互，而机器智能长期受限于人类知识的有限供给。

2011至2012年，以CNN、ResNet为代表的深度学习算法推动感知AI爆发，但这类模型依赖人工标注数据，泛化能力有限。2017-2018年，Transformer架构的兴起让AI学会从自然语言中提取知识。

徐立指出，GPT-3处理的文本量相当于人类十万年的创作积累，“正是自然语言的高知识密度，促成了模型的强大泛化与通用能力，成为当今通用AI 发展的关键基石。”

然而危机已然显现。徐立预警，当前自然语言数据或将在2027-2028年耗尽，而视觉数据虽丰富却难以有效提炼知识。

“事实上是其产生速度远落后于算力增长速度，造成模型数据需求的‘倒挂’。”徐立表示。

当互联网存量知识消耗殆尽，AI将如何继续进化？徐立将目光投向人类的学习方式——通过与物理世界的交互获得认知。

“当前机器人及具身智能的潜在瓶颈，正在于对此类高质量数据采集的巨大需求。”徐立表示，人类智能的进化源于与物理世界的持续互动，而非单纯的语言或视觉输入，因此，AI的下一阶段发展需要突破“主动交互数据稀缺”的难题。

真实环境的交互成本极高，传统解决方案依赖模拟器，但存在“模拟与现实差距”（Sim-to-Real Gap）。徐立举例说明，当前视频生成模型可能产生违反物理规律的画面，如车辆“幽灵穿越”或响应延迟导致的时空错乱。这些缺陷使得生成数据难以直接应用于现实场景。

徐立表示，需要强大的现实世界理解模型+深度3D理解模型来协同提升该能力。商汤推出“开悟”世界模型。徐立表示，“开悟”世界模型也是视频生成模型，但它考虑了时间、空间的一致性，可以为AI训练提供高质量模拟数据。

“我们也期待和大家一起经历AI发展的三个变化，感知世界，进而更好地理解世界生成世界，最后与现实的硬件交互来改变我们的世界。”徐立表示。