大模型真的聪明吗？过去两年，这个问题似乎不需要回答，一波又一波的大模型轮番“刷屏”，所有人都相信，AI正在逼近甚至超越人类。
但真相可能让人失望。今天让全世界兴奋的主流大语言模型，其底层仍以Transformer的概率统计范式为主，本质上是一种基于海量数据的精密“猜词游戏”，而非人类意义上的理解。
它就像一个只读过万卷书、却从未行过万里路的学生——能流利复述书本上的句子，却从未亲手触摸过真实世界的温度与质感，对物理因果更是难以建立稳定的认知模型。
这背后是大模型先天存在的六重结构性缺陷：可解释性原生缺失、具身物理认知匮乏、因果推理缺位、长程链式推理脆弱、自主演进闭环缺失与多模态表征割裂，可归结为三类短板：具身与物理认知“看不清”，推理与可解释性“想不通”，自主演进与多模态协同“学不会”。它们相互关联，任何单一维度的突破都不足以通向AGI。
正是为了回应这些挑战，《智能世界2035：从愿景到行动》报告系统性地提出了必须跨越的十大关键命题，这些命题彼此关联，构成了一张协同推进的行动路线图。唯有逐一破题、协同推进，方能为Agentic AI的规模化落地铺就坚实底座，让智能真正扎根于物理世界与产业一线，实现万物互联的智能世界蓝图。
01.
定义AGI认知三角，
语言、具身与科学智能
如果我们把未来的AGI想象成一个全新的智能生命体，那么首先要回答的问题是：这个生命体应该具备什么样的意识和能力？这正是报告中“命题1：构建具备自主认知与全域通用能力的AGI”所要回答的。
报告中援引维基百科的定义：AGI是一种假想的智能体，能够学习并执行人或其他动物所能完成的任何智力任务。通俗地说就是：通用性、自主性、创新性，能在陌生环境里理解新事物，能跨场景推理，能解决复杂问题，还能像人一样灵活适应、主动创造。
基于此，报告明确指出，真正的AGI对标的是人类智慧形成的三条路径：语言交互、环境实践、科学探索，对应到技术方向就是语言智能、具身智能、科学智能。这三条路分别对应人类智能的三大源头：通过语言交流来学习，通过动手实践来理解世界，通过科学探索来发现新知。AGI要想真正接近人类智能，一条都不能少。
首先，语言智能（大脑）。以语言为核心，依托Scaling Law持续突破模型智能上限，通过架构迭代、记忆体系升级、多模态统一与因果推理优化，构筑稳定、可解释、可迁移的通用思维与推理底座。
其次，具身智能（身体）。聚焦3D物理世界的感知、理解与动态交互，推动世界模型、空间智能、物理因果建模、端到端具身控制等研究，让智能体深度适配真实环境、执行复杂实时任务，补齐AI物理认知与场景泛化短板。
最后，科学智能（灵魂）。以类人高阶智慧为目标，依托递归自主演进智能（RSI）机制，构建主动假设、实验验证、规律提炼、自我迭代的闭环系统，推动AI从被动数据拟合走向主动科学探索与认知升级。
三者深度耦合、相互赋能。语言推理能力可在具身交互与科学探索中持续校验修正；具身场景数据持续反哺语言表征与世界模型建模精度；科学智能的递归迭代为全域系统注入进化动力。此外，融合符号主义进行显式逻辑推演与因果结构化建模，也被报告视为弥补纯统计认知缺陷的重要补充路径。
至此，AGI的认知三角已然成型：语言智能提供思维与推理的“大脑”，具身智能赋予感知与行动的“身体”，科学智能注入探索与发现的“灵魂”。三者互为支撑、循环进化，共同构成了通往真正通用人工智能的完整路径。
02.
夯实基础设施四大支柱，
算力、存储、通信与芯片
然而，仅有大脑、身体和灵魂还不够。这个智能生命体还需要一套完整的支撑系统来让它真正运转起来，否则一切都是“空中楼阁”。
其中，算力集群就是这个生命体的心脏，负责泵送算力与Token血液；新型存储是记忆中枢，负责数据与因果的关联；通信网络是遍布全身的神经网络，负责在心脏、记忆中枢与各执行单元之间低时延传递信号；而芯片设计则是细胞基因，决定了这个智能生命体性能的天花板和进化的潜力。
这个答案，最终指向基础设施底座的重构。先看算力。模型Scaling Law与智能体推理思考链叠加，让算力需求呈万倍级膨胀；但单芯片受物理极限约束，不可能等比例提速。一边是需求暴涨，一边是单芯到顶，供需之间出现明显鸿沟。报告把这道必答题列为“命题2：算力集群规模百倍提升，智能体任务成本千倍下降”。
要把集群推到百倍规模，核心矛盾已从“单芯片多大算力”转向以超节点为核心、整张网络高效转换Token的体系。然而，这条路要翻三堵墙：一是“搬运墙”，计算与存储分离，百万卡规模下数据搬运比计算还费电；二是“错位墙”，智能体任务动态多变，静态拓扑导致部分卡闲置、部分请求排队；三是“可用性墙”，百万卡规模下硬件报错从偶发变日常，靠人工重启会吃掉大量有效算力。
因此，报告提出的破局之道在于多维协同：晶圆级集成与存算一体缩短取数距离；共封装光学（CPO）以光代电做高速互联，降低功耗与时延；动态自愈能力让集群带故障稳态运行。此外，若量子计算等新范式取得突破，量超智协同计算也可能成为突破经典计算物理上限的重要方向。
但“算得快”只是上半场。若数据存不牢、取不准，再强算力也会空转。到智能体时代，需要的不是静态档案库，而是能支撑推理的记忆系统，由此进入报告中的“命题3：构建因果准确、溯源可信的新型存储与记忆系统”。
AI从对话工具走向自主执行，现有存储易暴露知识浅、记忆死、搬运慢、信任外挂四类问题。对此，新型存储要完成四次跃迁：从概率匹配转向因果推理，从静态检索转向类人联想与遗忘，从“数据迁到计算”转向“计算靠近数据”，从外挂安全转向内生信任。
具体而言，报告提出通过近数据计算架构与全对等互联，让不同存储介质（DRAM、NAND、HDD等）在统一总线下协同工作，实现高频数据的就近访问。这不只是换介质、扩容量，而是让数据底座具备认知能力。
算力与记忆就绪后，两者之间还需低时延通信联接，否则前期投入无法转化为有效吞吐。这条通道，就是报告中的“命题4：AI全面融入通信系统，构建体验为中心的智能联接底座”。
但棘手之处在于，AI有“幻觉”而通信要求高可靠，二者存在天然张力；加上网络从联人转向联智、从地面扩展到空天地一体，人工配置已难以为继。
要让数据跑得又快又稳，报告为此提出通信必须和AI在三个层面深度融合：网元侧用AI动态调频谱、控能效；网络侧建网络智能体，目标实现零退服、零投诉、零等待；业务侧用AI做沉浸式通话、智能体通信，在算间互联与入算调度等场景，目标是将动态算力调度时延降低一个数量级。
算力、存储、通信就位后，最终都落在芯片这个物理载体上。芯片性能天花板，决定前面所有投入的上限。报告中把它提炼为“命题5：深耕韬定律下芯片设计方法和工具，支撑时延与能效协同优化”。
所谓“韬定律”，核心在于以“时间缩微”（τ缩放）替代传统“几何缩微”，面向百倍级性能与时延能效协同目标。具体通过逻辑折叠实现——即把电路从平面平铺改为垂直堆叠，缩短信号路径，在同制程下实现功耗与面积的显著优化。但叠层之后走线由水平转垂直，传统EDA工具链不再适配；同时芯片功耗从器件毫瓦到系统吉瓦、横跨12个数量级，省电不能只盯单点，要按系统通盘权衡。
为此，芯片创新也将对应两个攻关方向：一方面是重做逻辑折叠配套工具链，从设计到生产全链路打通，让“叠楼”工艺可落地；另一方面是攻克内存语义互连，让远端内存像本地内存一样直访，延迟从微秒级压到百纳秒级，再配合近封装光学、背面供电等，从根上消减数据搬移能耗。
这两个方向并非孤立推进，而是和算力、存储、通信联动：逻辑折叠给集群更高密度芯片，多层能耗优化为存储与通信减负，芯片每一轮突破又反向拉动前三者的协同进化。
03.
激活应用交互闭环，
Agent OS、终端与智驾
如果把算力、存储、通信、芯片看作这个生命体的循环与支撑系统，那么它们本身并不会自动产生智能行为。真正让生命体活起来的，是系统底座与上层应用的协同——分别对应着智能生命体的不同角色：Agent OS是自主神经中枢，终端是感官末梢，智驾则是全身协调的综合表现。
这也是报告中定义的“命题6：从驾驭环境到自主演进，Agent OS构建智能体原生技术底座”。Agent OS正是为了回答“Agent如何从被动执行走向主动驾驭”这一问题而生——它不是传统操作系统的对话入口，而是以Agent为核心，重新组织模型、工具、数据与业务的系统底座。
它的能力可以用一个简单公式来理解：Agent OS = (协同力 × 执行力 × 记忆力 × 连接力)^演进力。基础能力决定“能做什么”，而演进力决定系统能否通过递归自我改进（RSI）持续放大基础能力——不是让AI把任务做得更好，而是让AI学会“如何让自己变得更好”。
在此过程中，可信治理贯穿始终，伴随演进过程动态调整，而非一次性划定边界。当这些能力逐步打通，Agent将从一次性执行任务的智能应用，演进为能长期协作、积累经验并持续进化的系统级智能生产力。
Agent OS解决了“系统怎么组织”的问题。不过，系统最终还是要通过终端来触达用户。今天的手机、电脑、手表、汽车彼此割裂，数据不通，体验不连贯。报告将终端形态的重塑定义为“命题7：定义无感适配、全域随行的终端智能新形态”。
那么，未来的终端究竟长什么样？它将是一个持续在线、深度协同的个人数字分身，理解你的思维脉络，校准服务意图。
要实现这一转变，有两个方向必须突破：一是弹性融合计算架构，将分散算力虚拟化为统一资源池，让终端不再受限于本地算力；二是全天候个性化数字分身，突破显性指令局限，建立人机双向认知的共生框架，让终端真正“懂你”。
终端是用户接触智能的第一界面，而最能检验这套系统能力的标杆场景，莫过于对安全性、实时性、自主性要求最高的智能驾驶。
想象这样一个画面：一辆时速120公里的汽车行驶在暴雨中的高速公路上，车内搭载的Agent OS正在与云端、路边单元、其他车辆进行毫秒级的协同决策。任何一个环节的延迟或错误，都可能是致命的，这正是报告中的“命题8：实现智能驾驶的自我学习与极致安全”要攻克的战场。
自动驾驶基于端到端网络架构已跨越L2+级技术鸿沟，正进入产业爆发期。行业开始追求更高级别的自动驾驶，报告提出的长期目标是：在大部分场景下不需要人类接管，并达到10倍于人类驾驶的安全水平。
但这项目标面临四重难题：一是开放世界长尾难例，路上总有你没想到过的场景；二是多智能体交互博弈的不确定性，你永远不知道旁边的车下一秒会怎么走；三是多重目标的内在矛盾，既要安全又要效率，两者有时互相冲突；四是系统能力边界的认知缺失，驾驶员不知道车什么时候会“掉线”。
报告指出，智驾想要真正突破，必须从根上寻找新的解法：智驾原生基础模型植入因果常识，让车理解“为什么”；交互式世界模型按需生成极端难例，让车见过“没见过的事”；安全可控的自进化机制严守安全底线，不让车“越界”；全自动化数据闭环实现从问题发现到模型训练的全链路迭代，让车“越跑越聪明”。
在此基础上，还需构建恶劣环境高鲁棒感知体系，通过多模态融合与硬件防护保障雨雪雾等极端工况下的感知稳定性；并通过软硬芯协同设计，在稀疏注意力、MoE架构与芯片协同优化中平衡大模型算力需求与车载功耗约束。由此，汽车将从交通工具演进为移动具身智能体。
把这几件事放在一起看，应用落地的逻辑就清晰了：Agent OS是智能体的“自主神经中枢”，让它从被动响应进化为主动驾驭；终端是智能服务的“感官末梢”，让能力无感嵌入每一次交互；智驾则是全身协调的综合表现，在暴雨高速、城市博弈中检验感知、决策与执行是否真能闭环。
04.
筑牢安全双重防线，
供电散热与Agent安全
当然，要让这个智能生命体持续运转，还有两个根本问题必须回答：它能持续供能多久？能否安全地散热降温？供电与散热，便是这个智能生命体的新陈代谢与体温调节系统。
但现实却不乐观。我们正在建造一座前所未有的“算力城市”，供电和散热系统却还停留在“村镇”水平。报告将此列为命题9：“攻克供电与散热难题，支撑AIDC走向更大算力规模”。
眼下，大模型与AI智能体应用快速普及，推动算力需求指数级攀升，GW级超大规模AIDC集约化建设已成必然。供电方面，效率劣化在多级变换中逐级叠加，一个百分点下降对应数十MW损耗；高压直流短路易引发拉弧放电与跨园区故障扩散；电力电子器件耦合易引发谐振；算力、变流器、储能、电网分属不同控制域，亟需跨域联合决策。散热方面，传统液冷已近物理极限；先进制程芯片在峰值负载下易形成毫秒级极端热点。
报告提出的突破口在于两大方向：供电方向，宽禁带化合物直变供电缩减工频变压层级，从根源抑制损耗累积，同时攻关高压直流器件，集成电弧感知与微秒级故障隔离，破解拉弧放电与短路扩散难题；散热方向，则涵盖全液冷与芯片级接触散热、零水耗相变制冷与余热回收、液氮低温散热三条路径，共同突破热通量瓶颈。
但有了电和冷，还得回答另一个问题：谁来保证这些智能体不会“失控”？安全与隐私，便是这个智能生命体的免疫系统。报告将此列为命题10：“面向自主Agent的安全与隐私保护，为智能世界保驾护航”。
面向2035年，自主Agent将由辅助工具演进为具备感知、规划、推理与执行能力的数字行动者，持续参与生产、生活与治理。但其开放行为空间与不确定演化路径，使传统软件安全范式难以适用，风险集中在三个维度：
可信层面，认知投毒可通过多模态数据流植入系统性偏见；伪对齐与奖励黑客使模型训练时表现完美、部署后暴露破坏性；持续学习引发的“泛化漂移”让安全边界悄然偏移。可控层面，长周期自动化执行中，环境随机性与模型涌现效应可能导致长程决策链失控。隐私层面，Agent跨场景调用工具、关联多模态数据时，传统脱敏与匿名化难以抵御高阶逆向工程。
报告提出的应对之道，是将安全与隐私保护从“事后拦截”前移至模型生产初始阶段，并贯穿Agent运行与演进全过程，具体可从四个层面着手：
第一，可证明的内生安全。将安全约束作为硬性数学约束注入优化器，从数学上论证模型在不同优化路径下的安全性；第二，意图驱动的动态权限与可信审计。按需授权、用毕即收，确保决策轨迹与系统状态可追溯、不可篡改；第三，持久化状态的完整性与可追溯性。建立原生防篡改的持久化存储机制，确保状态变更可追溯、可还原、可审计；第四，隐私保护新范式。探索零知识证明与同态加密，构建去中心化“可信记忆空间”；将“人类自主权不可侵犯”作为最高伦理红线，防止隐私跨场景泄露。
说到底，能源与安全是这幅全景图中最容易被忽视、却也最关键的两块基石。没有能源，算力集群就是废铁；没有安全，再聪明的Agent也会成为脱缰的野马。一供一防，共同构成智能世界得以持续运转的底线保障。
05.
通往智能世界2035，
长期主义与系统思维
回看这十大命题，一条清晰的逻辑主线浮现出来：从定义AGI的认知三角（大脑、身体、灵魂），到夯实基础设施的四根支柱（心脏、记忆中枢、神经网络、细胞基因），再到激活应用的交互闭环（自主神经中枢、感官末梢、全身协调的综合表现），最后以供电散热与安全隐私（新陈代谢与免疫系统）兜底。十大命题环环相扣，共同构成了一张培育完整智能生命体的行动路线图。
沿着这条主线往下走，面向Agentic AI时代，最关键的抓手也就呼之欲出：围绕Token构建“生产—运载—应用—防护和运维”全链路智能基础设施。原因很简单，智能体的能力上限，不取决于某一环节的极致优化，而取决于整条链路的系统工程能力。
把这个逻辑投射到时间轴上，面向2035年，人工智能带来的变化远不止一轮技术升级。随着AI从数字世界走进物理世界，从单点工具融入生产、科研、组织和社会运行的核心环节，智能正在成为新的基础能力。到那时，Agent不再只是对话框里的聊天助手，而是工厂里巡检设备的机械臂、实验室里设计新药的数字化学家、农田里自主调配灌溉的智慧管家。智能真正像水电一样，无声地渗透进每一个生产与生活场景。
这一切能否实现，最终取决于我们今天的选择。唯有坚持长期主义、以人为本、科技向善、开放合作与系统思维，才能让技术创新真正转化为产业进步，让智能世界建立在连接而非孤岛之上，最终实现人与AI和谐共生的美好愿景。
而这，也正是这份报告留给业界最大的启示：智能世界的未来，不是等来的，而是一步一步建成的。
