樊文飞
深圳计算科学研究院首席科学家
中国科学院外籍院士
英国皇家学会和皇家工程院院士
很高兴受邀参加2025深圳香蜜湖金融年会，今天我就人工智能技术多元化发展路径这一问题，谈一些个人思考，就教于方家。
当前谈及人工智能，社会舆论与媒体关注高度集中于大模型。不可否认，大模型在通用性、语言理解能力和应用扩展性方面具有显著优势，但其局限性与风险同样客观存在，且在公共讨论中往往被低估。
首先是溯源性、可解释性和核心指标问题。欧盟已通过相关立法，明确规定：无法对其自动化决策结果作出合理解释的系统，不得投入实际使用。在对自动决策系统进行评估时，学界通常关注三个核心指标：准确性、公平性与鲁棒性。然而，对于大模型而言，这三者之间往往存在结构性冲突：例如，当模型在预测准确性上表现优异时，其抵御对抗攻击和数据扰动的鲁棒性往往随之下降。
其次，在逻辑表达能力方面，学术界普遍认为，尽管 ChatGPT 等大模型在自然语言生成上表现突出，但其逻辑推理能力尚未达到一阶谓词逻辑的表达水平，而一阶谓词逻辑在逻辑体系中本身已属于相对基础的子集。这表明，大模型并非“通用理性智能”，其能力边界仍然十分明确。
再者，大模型对大规模高质量数据的依赖也构成重要制约。在样本稀缺的领域，例如全球仅有数百病例的罕见病研究，模型难以获得稳定、可靠的推断结果，甚至可能产生系统性偏差。
此外，幻觉问题同样不可忽视。举例而言，某大模型曾给出“截至2024年末，80后死亡率突破5.2%”的结论，这显然属于缺乏事实依据的错误生成。在医学领域，有专家评估发现，ChatGPT 针对心血管疾病预防与保健的建议中，约 84% 准确、16% 不准确，其中甚至存在明确有害的建议。对此，国外学界有一个形象的比喻：如果一部电梯标注‘99%的时间是安全的’，你是否愿意乘坐？
这些问题共同表明，大模型并非万能解决方案，人工智能的发展路径不应走向单一化，而应探索多范式协同、可解释、可验证、可控制的技术体系。
从技术范式上看，人工智能的发展大体经历并延续着两条主要路径。
第一条是基于逻辑推理的路径。其标志性事件包括：1997 年 IBM 的 Deep Blue 战胜国际象棋世界冠军；2011 年 IBM 的认知计算系统 IBM Watson在美国电视问答节目《Jeopardy!》中击败两位人类历史冠军选手并夺冠。这一路线强调符号表示、规则推理与确定性逻辑。
第二条是基于统计的机器学习路径。其理论基础可追溯至 1943 年人工神经网络的提出；2016 年 AlphaGo 战胜围棋世界冠军，标志着深度学习在复杂决策问题上的突破；2017 年 Google 提出 Transformer 架构，成为大模型的核心网络结构，为“大模型时代”提供了关键的模型基础。在算力持续提升的驱动下，这两条技术路线呈现出交替演进、相互影响的发展态势。
逻辑推理最简单的形式是决策树。以“《我不是药神》案”为例，其推理过程可以抽象为：首先判断行为是否违反《药品管理法》，再判断是否以盈利为目的或造成重大社会危害，最终得出是否构成犯罪的结论。这是逻辑推理的典型应用形式。更复杂的逻辑推理会引入量词、嵌套规则和约束，但其本质仍是：从已知事实出发，依据形式化规则推导出新的结论或知识。
逻辑推理路径的优势在于：确定性强、结果准确且一致、推理过程可解释，并且通常只需要小样本数据；其局限也较为明显，包括：对多模态数据（如文本、图像、音频、视频）的处理能力有限，泛化能力较弱，需要针对具体领域进行专门建模，同时传统专家系统中的规则往往难以覆盖所有真实情形。
与之相对，大模型所代表的机器学习路径以统计学习为核心，通过从大规模数据中自动提取特征，并基于概率与统计规律进行推断。例如，大模型在预测“某个用户可能对哪类内容产生兴趣”时，本质上是依据历史数据分布进行概率推断。该路径的优势在于：对多模态数据处理能力强，泛化能力好，可持续学习、自动扩展，且在工程上具有高度可扩展性；但其缺点同样突出，包括：可解释性不足、存在幻觉风险，并且在准确性、公平性与鲁棒性这三个关键指标之间存在内在张力，往往难以同时满足，甚至两两之间也难以兼得。此外，它对大规模高质量数据具有高度依赖。
正因如此，学术界很早便提出将机器学习与逻辑推理相融合。
一、算法：从“大模型中心论”走向多范式协同发展据 Mastercard 的相关统计，目前美国工业界的人工智能应用中，基于逻辑推理的方法约占 47%，基于大模型与机器学习的方法约占 37%，其余 16% 为两者的融合方案。这一结构表明，逻辑推理并未被边缘化，反而仍是当前工业实践中最常用、最可靠的技术路径之一。
学术界亦呈现出相似判断。2025 年 11 月，《Nature》发表了一篇由百余位国际顶尖人工智能专家合作的论文，文中明确指出：大模型并非人工智能未来发展的唯一或必经路径。相反，作者呼吁将逻辑推理与机器学习进行系统性融合，以更好地满足真实社会系统对可靠性、可解释性和安全性的要求。
早在2020年，我们就开始研发一套融合逻辑推理与机器学习的“全栈 AI”系统，旨在在保持模型泛化能力的同时，引入规则约束与可解释推理机制，使人工智能具备更高的精度、稳定性与可解释性，有效降低幻觉风险，并在小样本、强约束场景中展现出更强的适应能力。这为工业智能化转型提供了一条更加可控、更加可信的技术路径。
这不仅是我们的核心观点，也正在成为学界的普遍共识：大模型不是唯一选择，人工智能的发展必须走向多范式协同。
我们的全栈AI与传统的“神经–符号融合”思路存在本质区别。传统方法通常尝试在模型训练阶段引入逻辑规则，对神经网络施加约束，但这类方法在工程可落地性和可控性方面仍面临较大挑战。相比之下，我们采用了一种逻辑框架主导、模型作为谓词嵌入的路径：在形式化逻辑体系中，将机器学习模型视为可调用的“谓词”组件，从而实现规则推理与统计学习的有机融合。我们采用图关联规则(Graph Association Rules, GARs Q[x](X→p))，其基本形式为：若前提条件X成立，则结论p成立。
在该框架下：若将机器学习模型嵌入前提条件部分，作为谓词参与判断，可充分利用模型的泛化能力，在复杂、噪声或不完备数据条件下增强规则适用性；若将机器学习模型嵌入结论部分，则可反向挖掘潜在的逻辑条件，实现从数据中自动发现可解释的规则结构。
这一思路已在科技部全国颠覆性技术创新大赛领域赛中获得“优胜项目奖”，并在总决赛中获得“优秀奖”。在此基础上，深圳计算科学研究院（深圳“十大基础研究机构”之一， 以下简称深算院）进一步将该方法工程化，研发了钓鱼城数据分析系统，将理论方法转化为可部署的实际系统，目标是实现可控、准确、可解释、低成本、小样本、实时决策的工业级智能分析能力。
关于该系统的实际成效，我将通过几个当前大模型难以真正落地的典型场景加以说明。
第一，电池制造。
电池是我国重要的出口支柱产业。一个新能源电池包通常由数千个电芯组成，电芯容量必须高度一致，否则容易引发过热、充不满电等隐患。其中，“化成”与“分容”是电芯制造的关键工序：电芯需先充电激活化学反应，再在静置冷却后进行充放电测试，以测定其容量。这一传统工艺耗时极长：即便是行业头部企业，完整流程也需 20 多小时，其成本约占电池制造总成本的 45%，被公认为全球电池制造业的“卡脖子”问题。
为此，行业长期探索“软分容”技术，即通过采集“化成”阶段的过程数据及相关 metadata（元数据），直接预测电芯容量，从而省去物理分容环节。然而，该方法对预测精度、稳定性和可解释性要求极高，长期难以工程化落地。
国内一家头部电池企业与深算院合作，将我们的“钓鱼城”数据分析系统应用于该场景。需要强调的是，传统物理分容柜的工业误差标准为 1%，只有低于该阈值的方案才具备上线条件。“钓鱼城”系统的容量预测误差率被控制在千分之一至万分之六，远优于工业标准；同时，单批次处理时间从 20 多小时缩短至约 4 小时。
在三家电池厂商的产线测试中，该方案实现了：产能提升约 80%，单位 GWh 能耗降低约 50%，每条产线每年节省分容柜成本约 1000–2000 万元。该成果已获得国际数据库顶会奖项，并成为目前国内外唯一能够在磷酸铁锂、三元锂等主流锂电体系下，实现高精度、稳定容量预测的核心技术与工程化系统，现已在真实产线上持续部署运行。
值得对比的是，当前尚无任何大模型能够在此类高节奏、高风险的制造产线环境中完成实时、可控的决策闭环。
第二，烟草配方。
烟草产品对口感一致性要求极高，但由于原料产地差异，甚至同一产地不同年份的自然波动，烟叶品质始终存在不确定性。为保证品牌稳定性，行业通常通过添加香料并混合多种烟草，形成所谓的“混合烟”。这一过程长期依赖人工经验，不仅成本高、效率低，且调配精度难以保证。
在传统人工和机器学习方案下，配方匹配准确率往往不足 60%。我们引入逻辑规则与机器学习融合的全新范式，将工艺知识、经验规则与数据驱动模型统一到同一逻辑框架中，实现了配方决策的自动化与可解释优化。实践结果表明，该方案将配方准确率提升至 93%。更重要的是，在系统建设过程中，仅用 1 名工程师、不到 2 个月时间，便实现了烟草生产中“叶、材、工、香”四个关键环节的全覆盖建模与联动决策。该项目可用数据规模仅1万余条样本，在此条件下，若采用大模型或纯机器学习方案，往往难以获得稳定、可靠的结果；而我们的全栈 AI 系统在小样本场景下表现出显著优势。
此外，该技术路线具有良好的行业可迁移性，可推广应用于白酒、茶叶、咖啡、粘胶等对配方一致性与工艺稳定性要求极高的行业。
第三，生物制药。
传统新药研发通常遵循所谓的“三十原则”：平均需要 10 年研发周期、10 亿美元投入，成功率不足 10%。其中，“靶点识别”是最关键、也是最耗时的环节之一，即确定疾病与哪些基因、信号通路或分子机制相关。传统方法主要依赖实验验证，即“湿法实验”，不仅成本高、周期长，而且探索空间受限。
我们将“钓鱼城”系统适配至该场景，采用以逻辑推理与机器学习融合为核心的“干法计算”路径，对潜在靶点进行系统性推断。实践结果显示：2022 年通过全栈 AI 计算得到的关键结论，与随后发表于《Nature》的研究成果高度一致。这一结果表明，在靶点发现等关键环节，全栈 AI 已展现出可与传统湿法研究相匹配的准确性，并显著提升研发效率。这个成果也获得国际数据库顶会的奖项。
第四，金融。
人工智能在金融风控、营销和内控等领域具备显著应用潜力。我们基于交易链建模构建了全栈 AI 金融科技分析系统，并在某城商银行完成了营销、风险、产品、内控等 4 个场景的适配。整个过程由 1 人、不到 1 个月完成，显著提升了业务分析与决策效率，大幅提高精度和可解释性，该行首席信息官对结果给予了高度评价。值得对比的是，国内某头部 AI 企业自 2023 年起尝试将大模型用于银行同类业务，但在真实业务场景中效果并不理想。
第五，网络安全。
在与一家头部央企的合作中，我们的钓鱼城系统将传统的被动防御模式升级为主动防御。在典型的小样本环境下，系统能够自动挖掘多条设备状态序列规则，用于刻画潜在攻击与异常行为，整体识别准确率达到 85%，有效提升了安全预警与响应能力。
综上所述，人工智能的发展并不存在单一最优路径。正如任何复杂研究问题一样，多范式协同才是可持续方向。围绕智能配方、产线决策、生物制药、金融风控、网络安全，以及“干法”与“湿法”协同研究等方向，我们已在横向场景拓展与纵向技术深化两方面进行了系统探索。受时间所限，这里仅作代表性介绍。
最后，我想抛出几个问题。这些问题我本人也没有确定答案，谨供大家共同思考。
第一，中国究竟需要什么样的人工智能技术路径？
当前一提到人工智能，往往自然联想到大模型和具身机器人。但我们也需要保持清醒认识：模型规模本身并不是答案，应用成效才是检验人工智能价值的唯一标准。面向国家发展需求，中国亟需探索并构建具有自主特色、可持续演进的 AI 技术路线与创新高地。
第二，如何在国内真正推动原创人工智能技术的发展？
政府与企业如何形成有效合力，在制度设计、科研投入与产业落地之间建立良性循环？如果仍然主要沿着既有的大模型追赶路径前进，原创突破空间将十分有限。我个人非常期待，算法范式多元化、技术路线协同发展能够为原创 AI 技术提供更具包容性的制度环境与发展空间。
二、数据：高质量数据标注与清洗是中国不能失守的战略高地在数据层面，我们常提“可信数据空间”“数据资产化”等概念，因为对人工智能而言，数据问题不仅是规模问题，更是质量问题。高质量数据往往比单纯扩大数据规模更能决定模型能力的上限。
一个典型例子是美国的两家独角兽企业 Surge AI 和 Scale AI。它们并不直接做模型，而是通过系统性提升训练数据的质量、一致性与标注可靠性，持续支撑大模型精度的提升，在产业界产生了显著影响。学术界的统计研究也表明：若在预训练阶段显著提升数据质量，模型整体精度可提升约 6%，同时“幻觉”问题明显缓解；若在微调阶段进一步优化数据质量，模型精度提升幅度甚至可达 20%。
然而，这一方向在国内仍面临较大挑战，目前尚缺乏体系化、工程化的数据质量治理与评估实践，这也成为制约高可靠 AI 落地的重要瓶颈之一。数据质量直接影响模型精度，这是全球难题。
此外，在工程实践中，高质量数据高度依赖数据标注这一基础环节。因此，数据标注与数据质量控制成为人工智能落地的关键前提。当前，国内许多数据标注基地仍高度依赖人工，标注工作以人力密集型方式完成。这一模式不仅成本高、效率低，更难以支撑高专业门槛领域的规模化建模需求。例如在医疗场景中，相似症状可能对应肺癌或普通感冒，区分标注往往依赖具备长期临床经验的医生，单纯依靠通用标注人员难以保证质量与一致性。
不仅在医疗领域，在制造业中，高质量标注数据不足的问题同样突出。我国制造业在全球处于领先地位，其关键数据具有高度行业专属性，必须依托自主的数据标注与治理体系，无法再通过国外大模型蒸馏等方式间接获得。这意味着，数据质量问题不仅是技术问题，更是产业安全与竞争力问题。
值得注意的是，当数据质量被放在首位之后，标注效率反而出现了跃迁式提升。以Surge AI的实践为例，其高度自动化的数据标注体系显示：仅标注约0.2%的高质量数据，即可达到甚至超过100%人工标注的整体效果。这说明，标注效率的提升并不来自“多标数据”，而来自“先把关键数据标对”。
在国内，相关探索也已展开。深圳计算科学研究院正在推进一种自动化标注与扩展方法：先对少量数据进行人工高质量标注，再通过自动扩展与一致性校验技术生成大规模标注数据。目前，该方法已实现用数千条人工标注数据，扩展出效果相当于百万级人工标注的数据规模，在效率与质量上均取得显著提升。
但需要客观指出的是，目前我们主要基于公开数据集开展验证，尚难获取更具挑战性的真实医疗数据进行系统测试，因此尚不敢断言该方法在构建高风险、高专业垂直领域大模型时已完全成熟。一个真正可靠的数据与标注系统，必然需要长期工程化打磨、持续迭代优化，并依托真实业务场景反复验证。这并非单一科研机构可以独立完成。
因此，我也诚恳呼吁各位行业领袖与管理者，进一步加强对中国基础软件体系与数据基础设施建设的关注与投入。数据质量这条底线，一旦失守，将难以通过模型规模或算力补救。
三、算力：除了芯片，还有软件基础设施长期以来，我们高度强调算力的重要性。过去几年，国内投入建设了大量算力中心，集中采购了相当规模的高端芯片。但在实践中也暴露出一些现实问题：一方面，算力资源并未满负荷运行，价值未能及时发挥；另一方面，芯片技术迭代极快，今天采购的“领先产品”，几年后可能已明显落后，甚至面临资产快速减值风险。
这也提示我们一个关键问题：在人工智能时代，真正稀缺的并不只是算力硬件，作为定义、优化与赋能算力的基础软件同样至关重要，甚至更具长期战略价值。
国际产业界的动向非常清晰。例如，OpenAI 收购数据库技术新秀 Rockset，强化对 AI 数据实时管理与查询能力的掌控；Databricks 收购云原生数据库 Neon，补齐 AI 时代的数据基础设施；而作为全球数据库领域长期领导者的 Oracle，更是被业内称为“AI 背后的基础设施核心”，其市值一度逼近万亿美元，并长期为 OpenAI、Google 等提供关键数据服务。近期，Oracle 发布 AI 数据库 26ai，明确提出 All in AI 战略，推动多模态、一体化数据库体系建设，进一步巩固其在 AI 时代的基础软件地位。这些案例清楚表明：全球 AI 竞争，早已不只是算力和芯片之争，而是“算力 + 数据 + 基础软件”的系统性竞争。
相比之下，国内在数据库与基础软件这一关键环节仍然相对薄弱。在 AI 带来的新一轮技术窗口期下，一个必须正视的问题是：中国的数据库系统，能否借助 AI 浪潮实现弯道超车，还是会在新一轮竞争中再次被拉开差距？
这里有一组数据，供大家参考。数据库国产化已进入攻坚“深水区”，目前，在外围系统层面（如 OA、门户等）替换工作已基本完成，但在核心系统层面，对国外数据库的依赖仍然普遍存在，替换率依然偏低。据第一新声智库相关统计，金融行业核心系统国产替代率仅约 20%，能源行业约 30%，制造业约 20%。
需要清醒认识的是，目前不少国产数据库系统主要基于国外开源软件二次开发，在体系结构与核心性能上难以实现根本突破，因而难以承担核心系统替换任务。例如，在银行核心业务场景下，部分国产系统在功能与性能上仅达到国外领先系统的 40% 左右。
核心系统如同一栋大楼：数据库系统是地基，应用软件是楼身。如果无法实现1:1 的替换，就意味着需要推倒重建整个系统，不仅成本高、周期长，也伴随着巨大的业务风险。因此，真正可行的国产替代路径，并不是“能用即可”，而是在性能与功能上对标甚至持平国外领先系统，实现“换地基而不用重建大楼”，从而支撑真正意义上的规模化替换。
再从市场价值角度看中美软件产业的对比。在全球资本市场中，软件头部企业已成为最具价值的公司群体之一。Microsoft 当前市值约 3.5 万亿美元；Oracle 曾一度接近 1 万亿美元，目前仍维持在约 5400 亿美元。这些软件巨头的市值，已经超过 Saudi Aramco、Toyota、Walmart 等传统行业巨头。多家软件企业市值突破万亿美元，甚至超过 G20 中巴西、澳大利亚、土耳其、南非等国家的 GDP，可谓“富可敌国”。
从时间维度看，这一差距仍在快速扩大。五年前，Microsoft 的市值约 1.32 万亿美元，大致相当于中国前五家头部软件企业市值之和，二者差额仅 626 亿美元；而五年后，Microsoft 的市值已达 3.54 万亿美元，相当于中国前 45 家软件企业市值之和，且差额扩大至 1.52 万亿美元。换言之，中美软件企业市值差距在五年内被拉大了二十余倍。
其背后有一条在产业界反复被验证的规律，即软件产业的“微笑曲线（Smiling Curve）”：价值链左端是基础软件（如 Microsoft、Oracle），价值最高；右端是高端咨询（如 IBM）；底端是定制化开发与低端项目服务，附加值最低。
基础软件的显著特征是：研发成本高、技术难度大、周期长、风险高，但一旦突破，就具备极强的可控性、可复制性与长期价值。成熟的基础软件能够形成标准化供给、支撑整体化开发和持续迭代，对 GDP 增长、服务业升级与产业生态构建具有放大效应。
相比之下，国内软件产业长期集中在中低端定制化和项目型应用，缺乏长期演进机制，难以形成可持续的软件产品体系。这也解释了一个现实问题：为什么国内已有上百款数据库产品，却仍难以替代国外领先系统？核心原因在于数据库内核研发成本高、难度大、风险高，部分企业出于成本与周期考量，更倾向于对国外开源软件进行二次开发，“开源套壳”，而非真正投入内核级创新。
另外，国内在基础软件领域的短板，不仅是技术问题，也与长期形成的“重硬件轻软件”观念密切相关。在人工智能时代，这一结构性问题若不能得到根本性改变，软件产业的价值天花板也将难以突破。
深圳计算科学研究院创建于2019年，其关键使命是开发一款能够对标国外领先系统的数据库产品。历经六年，我们最终研发完成了崖山数据库系统。这不仅是一项理论上的突破，更是一套可以在核心场景中落地的工程化系统。崖山数据库实现了我们提出的对标国际领先数据库系统的“三不变、两对等、一更优”：
·三不变：应用不变、系统架构不变、运维方式不变；
·两对等：性能对等、可用性与可靠性对等；
·一更优：安全性更优。
测试表明，在同等国外硬件条件下，崖山数据库的整体性能比国外领先系统快约 30%；在国产硬件条件下，即便硬件性能客观上仍与国外存在差距，系统整体性能仍能与国外领先系统打平。
这一结果表明，在不重建应用、不重构系统的前提下，实现核心数据库系统的 1:1 平替是可行的，也验证了国产基础软件在核心系统场景中实现实质性突破的可能性。
下面分享崖山数据库系统在金融领域的三个典型应用案例。
第一，央行数字人民币核心系统项目。
在中国人民银行数字人民币（e-CNY）核心系统中，崖山数据库系统成功通过了为期三个月的高强度“暴力测试”，测试内容包括断网、断电、硬件热插拔等极端故障场景，系统始终保持稳定运行，并最终成功上线，验证了其在金融级核心系统中的可靠性与可用性。
第二，哈萨克斯坦银行系统项目。
2025年 9 月，崖山数据库系统在某哈萨克斯坦头部银行的实际业务环境中完成验证，与国外领先数据库系统同场直接对比，并在性能与稳定性指标上综合胜出，实现了国产数据库在海外核心金融系统中的实证突破。
第三，金融行业用户社区联盟对比测试。
2025年 3 月，金融行业用户社区联盟组织44家金融资深专家进行了崖山数据库系统与国外领先系统的专项对比测试。测试结论表明：在金融核心业务场景中，崖山数据库系统完全可以实现对国外领先系统的 1:1 平替。
在此，我结合实践经验，提出几点不成熟的建议，供大家参考。
第一，扭转“劣币驱逐良币”现象，强化对全自研突破性产品的支持与培育。
当前国内环境中，“李逵打不过李鬼”的现象仍然存在。建议从行业与政策层面，对具有突破性能力的全自研产品，加大在政策扶持与宣传推广方面的支持力度，重点培育具有国际影响力的自主可控标杆产品，使原创系统能够得到正回馈。唯有坚持原创驱动，构建真正自主可控的核心内核体系，基础软件才能具备长期竞争力。
第二，转变“重硬轻软”的惯性认知，在关键场景系统性加大对基础软件的投入。
如果我国能够培育出一家体量接近 Microsoft 的基础软件企业，其对 GDP 增长、服务业升级与软件出口的拉动效应将是结构性的。当前，国产基础软件在技术层面已实现突破，但仍需进入更多关键业务场景反复锤炼，才能真正赋能行业。
第三，完善金融支持与市场机制，破解基础软件商业化的“长周期困境”。
基础软件研发投入大、周期长、见效慢，亟需“长期有耐心”的资本支持。非常感谢深圳市政府和龙华区过去六年的持续投入，使我们能够专注于打造可 1:1 平替国外领先系统的产品。但未来发展必须走向市场化，这对金融支持模式与市场规范提出了更高要求。
第四，建议将基础软件明确纳入国家战略性新兴产业重点支持目录。
在国际竞争加剧的背景下，基础软件是我国少数具备实现跨越式发展的关键领域之一。若缺乏国家层面的系统性支持，其战略价值难以充分释放。
回到人工智能主题。国际上，Oracle、OpenAI 等企业已围绕 AI 场景系统性布局新一代数据库与数据基础设施。深算院自 2022 年起也已提前布局，并提出具有国际领先性的理论框架，取得了阶段性进展。然而，要实现该领域从技术跟跑到并跑乃至领跑的转变，仍需在国家层面加强顶层设计与系统支持。在后续研发过程中仍面临非常大的资金压力，必须在“抢占市场”与“持续科研”之间作出艰难权衡。
基于此，我个人有三点建议：
一是抢占前沿赛道，推动基础软件与人工智能的深度融合。算力基础设施不仅包括以芯片为代表的硬件算力，更涵盖数据库系统等基础软件构成的软件生态与系统平台，这是构建完整、高效、自主可控人工智能体系的国际共识；
二是加快战略布局，尽快启动面向 AI 的国家级数据库专项支持。国外巨头已先行布局，若我们继续观望，将进一步拉大差距；
三是加强底层理论攻关，构筑未来十年的战略科技储备。创新不能只停留在应用层，真正的引领必须来自基础理论突破。而基础研究周期长、风险高，亟需国家基金持续支持。
我衷心希望，我们能够从“追赶”走向“平替”，最终实现“超越”和“引领”，在全球基础软件与人工智能领域真正走在前列。
最后，想与大家分享深圳计算科学研究院的 LOGO：VENI · VIDI · VICI。
这句话源自恺撒大帝向罗马元老院递交的三字报捷书，梁启超先生将其译为：“我来、我见、我征服。” 我也真诚地希望，有一天，在科技与创新这条道路上，我们能够同样理直气壮、自信笃定地说出这句话：
我来，我见，我征服。
谢谢大家！
