人工智能浪潮奔涌向前，技术应用日新月异，但其背后的科学根基与理论本源亟待系统探寻。4月22日，“Science of AI: 人工智能的科学基础研讨会”在上海交大徐汇校区人工智能学院举行。

本次论坛以“人工智能的科学基础”为主题，点明多年来人工智能成果显著，但科学基础的薄弱导致学科发展多次出现大起大落的现象，所以亟需推动人工智能学科从工程化走向科学化，促使相关技术从凭经验、靠试错的低效模式，转向由基本原理指导的发展方向，期待未来5至10年人工智能能建立起坚实的科学基础，实现更高质量的发展。

在主旨报告环节，中国科学院院士、清华大学计算机科学与技术系教授胡事民作《大模型的评测基准和自主生态》报告。他表示，我国大模型研究取得进展，开源领域已领先国际，但多模态推理能力仍有短板。在自主生态方面，其团队研发的“计图”框架具备速度快、适配国产芯片效率高的优势，通过元算子机制可快速适配芯片，还能实现生态迁移，大幅提升国产芯片在大模型推理等场景的性能。在大模型评测上，团队构建了多学科评测基准，发现模型存在多模态能力不足、几何推理受尺度率影响小、模型“偷懒”等问题。为此，他们开源多模态数据集与8B参数模型，为国产大模型发展提供基础资源与技术支撑。

在主题报告环节，上海交通大学人工智能学院教授严骏驰分享了团队大模型优化研究成果JTok模块。针对当前大模型“堆参数”导致算力、显存成本飙升的问题，该模块像给词汇token配备“智能调节器”，通过查表和逐元素调制，在不增加主干参数、不稀疏计算路径的前提下提升模型容量，实现“轻量化扩容”，几乎不增加开销却能稳定提升性能。

上海交通大学人工智能学院副教授谢伟迪分享了OmniStream 4D流式视觉基础模型，破解视觉领域“一个任务一个模型”的碎片化困境。该模型经2亿帧全模态数据预训练，实现“全能表现”，在图像语义、视频时序理解上媲美顶尖模型，三维几何、空间问答等领域达到行业领先，完成从“专科专家”到“全能选手”的跨越。

在“人工智能时代的人才培养”圆桌论坛环节，学者们讨了AI研究从“作坊式”向“工业化”转变的趋势、校企及国家实验室协同育人的模式，以及如何有效平衡科研、教学与创业。当前，风险投资正向前沿基础领域前置，高校需破除常规，鼓励学生探索与试错，培养冒险精神，注重跨学科能力，在课程与论文评价体系需革新以适应快速变革的时代，真正做到解决真实问题，塑造精神内核。

头图为研讨会现场。劳动报记者 贡俊祺 摄影