第八届GAIR全球人工智能与机器人大会深圳开幕
2025年12月12日，第八届GAIR全球人工智能与机器人大会主论坛在深圳南山·博林天瑞喜来登酒店开幕。大会为期两天，由GAIR研究院与雷峰网联合主办，高文院士任指导委员会主席，杨强院士与朱晓蕊教授任大会主席。
作为粤港澳大湾区AI标杆盛会，GAIR自2016年创办以来始终坚守“传承”与“创新”——从学界泰斗的精神传承、华人顶会主席的思想接力，到青年学者的锋芒展露，既是技术交流平台，更是承载中国AI四十年发展记忆的精神家园。
时隔四年，GAIR重返深圳主场。过去四年，大模型浪潮重塑知识生产方式，产业变革全面加速。值此岁末节点，大会以高质量观点碰撞，回溯科技演进脚步，呈现AI时代的前沿洞见。
12月12日主论坛设“AI之道：教育的重新定义”“AI之术：领域的范式重构”两大主题，十余位顶级学者发表演讲，并开展两场高端学术对话，内容涵盖前沿进展、产业实践与人文思考。
AI之道：教育的重新定义
深圳理工大学教务长、澳门大学第八任校长赵伟院士：AI时代高等教育重构路径——以“加减替换”模式培养有智慧的人
赵伟院士指出，AI对高等教育的颠覆集中于知识产生、学生培养与教育管理三方面[2]。传统“知识就是力量”“培养有用之才”理念亟需升级，大学应回归“培养有用、有智慧的人”的本质，帮助学生明确专业方向与职业路径[2]。
深圳理工大学推行“加减替换”培养模式：
减法：删减低效课程内容（如微积分习题集），压缩课堂时长20%，每周减少一天上课时间；
加法：大一必修两学期人工智能导论，每周腾出一天进实验室参与科研实践，强化书院素质教育；
替换：以跨文化交流课程替代四六级导向英语教学，计划用智能APP取代传统教科书，构建科研成果与素质教育双成绩评价体系[2]。
在管理层面，他建议将传统信息系统迭代为智能信息系统：弱智能阶段接入大语言模型实现初步分析；强智能阶段推动智能系统直连各子系统，实现实时响应、智能决策，兼顾成本控制与隐私保护[2]。
赵伟院士总结：“有了人工智能之后，我们得活下去——不造反也得活，造了反也得活，而且我们会活得更好。”[2]
中国工程院外籍院士、香港科技大学首席副校长郭毅可：当“知识”无处不在，教育重点将转向“善”与“美”
郭毅可指出，“知识已从黄金变为空气”，生成式AI成为“智能百科”，教育前提发生根本变化[3]。未来教育须从“知识传输”转向能力培养，包括好奇心、学习主动性与共创意识[3]。
他提出人类攀登智能顶峰需经历“真、善、美”三重境界：当前AI已具“真”（知识掌握）能力；但缺乏价值判断的系统是危险的，“善”（自我反省）与“美”（个性表达）不可或缺[3]。教育必须强化价值观、自省力、判断力与欣赏力培养，方能“创造智能的机器，去培养更聪明的人”[3]。
港科大是全球首个宣布GPT为教学利器并在课程中广泛应用的高校。但他强调：“若学生还能用AI作弊，说明考试方式本身出了问题。”[3]
圆桌论坛：AI时代的教育理念，如何重构？
杨士强、赵伟、郭毅可三位院士围绕中外教育差异、社会过高期待、学生自主发展、AI赋能边界等议题展开深度对话[4]。
赵伟院士指出，AI教育转型不存在“弯道超车”，全社会应理性看待技术进步与教育成果的关系，避免将压力过度转嫁至师生[4]。郭毅可院士强调：“领先是别人的话语体系，我们应建立自有教学理念——现在最大的问题，是我们根本不知道自己走什么道路。”[4]
关于大学淘汰制，杨士强认为其利于提升博士质量，但在内地接受度不高；赵伟以英美高校为例，主张让学生“找到自己”，认知不适即为成功；郭毅可介绍港科大“先选院系、后定专业”机制，为学生提供灵活调整空间[4]。
针对“大学生核心求生能力”，郭毅可指出：知识记忆已不重要，关键是运用能力、人机沟通能力与创造力；赵伟强调，越是AI时代，人文越凸显价值，好大学、好学科均与数学及母语文学系密切相关[4]。
回应“AI是否妨碍孩子认识世界”，郭毅可表示：AI回答问题而非单向灌输，已是教育方式的重大进步；赵伟主张校内“减教学、减刷题、减考试”，增加体验式学习，让AI无法替代的真实体验成为育人核心[4]。
AI之术：领域的范式重构
日本工程院院士、IEEE原副主席Kazuhiro Kosuge：当机器人“像人一样思考”完成缝纫流程
Kazuhiro Kosuge教授聚焦服装生产智能化瓶颈：全球服装市场2030年预计达2.3万亿美元，但纺织业机器人密度极低，80%工时用于物料搬运，67%劳动力集中于缝纫环节[5]。
其团队研发被动式无致动器抓手、布料边缘高速检测、双臂机械手2D/3D裁剪及裁片对齐等技术，并通过视频展示机器人“像人一样思考”，在必要时旋转布料方向完成精密缝纫[5]。
商业化落地方面，团队选定汽车座椅为首发场景：该领域产量高、自动化空白大，2028年工业设备投入预计达3.63亿美元；欧洲因人工昂贵，亦将成为最大自动化需求市场[5]。
香港科技大学冯诺依曼研究院院长、IEEE Fellow贾佳亚：AI与大模型必将走向感知机器+终身学习模式
贾佳亚分享多项未公开技术成果：多模态模型Mini-Gemini新增完整中文语音系统，支持长视频理解、无样本音色克隆及跨语言生成；ControlNeXt轻量化操作实现图像风格转换与动效生成；DreamOmni2覆盖像素级编辑与抽象概念处理任务[6]。
他指出，当前大模型依赖“一次性学习”，未来需转向人类式的“连续学习”；当前AI是“虚拟大脑”，须结合机器人等实体载体，通过四肢感知世界以缩小与人类差距[6]。最终方向是“感知机器+终身学习”融合模式，这将是学界与产业界未来5–10年核心路径[6]。
KDD China主席、IEEE Fellow郑宇：城市计算可成为具身智能的方法论，具身智能为城市计算的核心组件
郑宇指出，AI进入物理世界面临三大挑战：数据稀缺、行业知识融合难、现有模型难以捕捉时空属性[7]。城市知识体系可实现时空数据与其他数据融合，成为连接数据与知识的桥梁[7]。
城市计算可作为具身智能的方法论，而具身智能将成为城市计算的核心组件；未来城市有望成为“巨大的具身智能体”[7]。
他鼓励参会者：“科技竞争已打响，各位将是中坚力量——一万年太久，只争朝夕。”[7]
上海人工智能实验室主任助理、领军科学家胡侠：用“小学生数学”破解大模型长上下文与幻觉难题
胡侠提出“有损计算”理念，基于“参数精度无需过高、无需启用全部参数”两大关键点，研发两套简易算法：第一套优化相对位置信息，第二套解决KV缓存显存占用问题[8]。
他笑称这是“用小学生的数学解决一个非常重要的大问题”，方案具备易理解、易实现、易集成特性，已获广泛关注[8]。
之江实验室科学模型总体部技术总师薛贵荣：科学基础模型要超越语言空间，让天文、地学、生命科学和材料科学等数据都能被AI“理解”
薛贵荣指出，科学基础模型面临双重瓶颈：一是语言边界限制，二是科学数据复杂性（如光谱信息量≈1000张图片，30亿基因可存储全球数据），语言作为低维符号系统难以覆盖高维科学空间[9]。
解决方案包括：将分子、基因、光谱等非文本数据统一编码为Token，实现多学科数据拓扑整合；通过数据对齐（如基因与病理数据）推动全流程科学发现；目前已完成覆盖十余门学科的超大规模模型训练[9]。
团队同步发起“大模型种子班”“科学家工作坊”及全球“最难科学问题”征集倡议，推动开放协作[9]。
圆桌论坛：人工智能产业化带来了哪些挑战和机遇？
郑宇、杨强、胡侠、薛贵荣围绕产业化挑战与机遇展开讨论[10]。
杨强指出产业化存在三重挑战：预期偏差（尤其企业端）、系统适配难（AI与传统系统割裂）、数据维度单一（仅靠语言模型远远不够）；MIT数据显示，2025年美国AI应用中95%为负向收益，仅5%成功[10]。
胡侠强调传感器技术多年未突破，导致机器人难以完成简单操作；人类多模态感知（温度、湿度、压力等）远超当前机器人能力[10]。薛贵荣指出行业认知常陷“啥都能做→啥都做不了”极端摇摆，并调侃“CTO最倒霉”[10]。
泡沫方面，杨强警示将语言模型经验盲目迁移到非语言数据领域存在巨大风险；薛贵荣指出算力领域投入产出严重失衡，AI应用领域则普遍存在“人工AI”现象，Agent框架同质化严重[10]。
关于机遇，杨强关注医疗等小数据场景，探索隐私保护下专家模型协同；胡侠认为机器人产业热度正倒逼技术发展；薛贵荣强调做大模型规模将带动底层基础设施、算法、数据全链条革命[10]。
国家超算深圳中心副主任、IEEE Fellow付昊桓：超算核心逻辑是集聚算力攻克复杂科学问题，与大模型的并行思维本质相通
付昊桓指出，超算是地球系统研究的“数字实验室”，支撑台风预报、碳中和评估等重大议题；深圳超算二期重点开发百米级天气预报模式，服务防灾减灾与可持续发展[11]。
他强调：“超算的核心逻辑是集聚算力攻克复杂科学问题，与AI大模型的并行思维本质相通。”[11]当前困境在于国产算力硬件投入大、软件生态投入少，且复合型人才（气象+HPC）流失严重[11]。解决方案是借鉴通用AI可扩展模型经验，加强算力软件与科学发现协同，完善国产生态[11]。
首都医科大学附属北京安贞医院胎儿心脏母胎医学中心主任何怡华：医学人工智能应由医生来主导
何怡华以心脏超声为例，剖析AI在医疗落地的数据规范、立体关系建模、语义转写等多重挑战[12]。安贞团队正研发心血管体系专用大模型，目标是构建预警、筛查、诊断、手术导航及个性化干预一体化应用体系[12]。
她强调：医疗AI需融入整个医院体系，首要任务是“强基层”——第一步培训、第二步AI赋能、第三步诊疗团队与出口支撑，方能真正落地[12]。
回应“谁应主导医学AI”，她明确表示：“我是医生，我认为应由医生主导。所有工具最终都要落到医生面对患者的场景中，AI是医生调用或辅助诊疗的工具。”[12]
RockAI 联合创始人邹佳思：未来的智能硬件，最重要的是原生记忆和自主学习
邹佳思指出，云端链路存在显著浪费，全球云端模型日耗成本达万亿至百万亿量级，但有效利用率存疑；行业正从云端向端侧战略转移[13]。
他质疑当前“更多数据、更大算力、更高人才密度、更大参数=更好模型”的共识，认为算力正扼杀创新，让小团队失去机会；Transformer架构偏向压缩智能，参数膨胀并未真正产生知识[13]。
未来智能硬件核心是“原生记忆”与“自主学习”：需从固定工具转向持续学习，从数月更新一次的知识库转向实时成长的模型；探索云端+端侧融合方案，推动设备互联，迈向群体智能[13]。
南方科技大学副教授张进：未来5–10年，面向新型模态的新型感知模型会非常繁荣
张进指出，具身智能、无人机、智慧健康均需准确感知物理世界；传统AI从语言、视觉等模态出发构建世界模型，传感学者则通过信号处理—机器学习—大模型路径理解物理信息，二者“殊途同归”[14]。
当前多模态感知仍集中于语音、图像、视频，对声波、毫米波雷达等新型模态探索不足。其团队致力于用最新模型技术解析新型传感器数据，在空间感知、智能交互、健康监测等领域开展技术探索[14]。
她展望：“面向新型模态的感知模型研究才刚刚开始，未来5–10年将非常繁荣。”[14]
大会后续安排
GAIR 2025为期两天，12月13日将举行“世界模型论坛”“数据&一脑多形”“AI算力新十年”三场专题论坛，聚焦具身智能、世界模型、国产芯片、算力基建等年度热点领域[15]。