清华大学计算机科学与技术系长聘教授、
面壁智能联合创始人、首席科学家 刘知远
出品｜搜狐科技
作者｜郑松毅
10月21日至24日，2026年中国计算机大会（CNCC2026）在成都举办。
如今绝大多数AI服务高度依赖云侧，但随着应用场景拓展，这套模式在一些现实需求下也面临挑战。
网络条件不佳时，AI难以提供持续稳定服务，无法满足自动驾驶、机器人等场景需要的毫秒级响应；手机相册、语音对话等大量隐私数据要向外传输，存在泄漏风险；同时，海量云侧调用也带来较高的算力成本。
在此背景下，端侧AI则被视作重要破局方向，可与云侧形成互补，更好覆盖不同场景需求。
大会期间，针对端侧AI、行业数据瓶颈等大众关切话题，清华大学计算机科学与技术系长聘教授，面壁智能联合创始人、首席科学家刘知远，与搜狐科技等媒体展开深度对话。
刘知远曾参与我国首个超大规模智能模型“悟道”大模型的研发，是国内最早进入预训练模型研究领域的研究者之一。
在他看来，“在这一轮以人工智能为驱动的科技革命发展过程中，全球范围也就只有中国和美国站在最前沿。从这个角度讲，中国没有别的可效仿对象，必须具备更强的科技创新能力，才能把握住这次科技革命的浪潮和机遇。”
以下为对话精编：
媒体：行业普遍认为端侧模型就是 "小一号的云侧模型"，这个看法正确么？
刘知远：这是个误解，端侧和云侧事实上是两条不同技术路线。
过去80年，计算机从巨型中央主机，逐步分化成云计算算力中心，以及手机、PC、汽车这类终端，通用人工智能时代也会复刻这条路。
我们不能把所有智能都交给云侧，无人驾驶、机器人交互需要秒级甚至更快的反馈，大量隐私诉求也决定很多计算必须在本地完成。
媒体：有说法称高质量训练数据快被耗尽，这是AI发展真实困境吗？怎么解？
刘知远：大模型本质是数据驱动，近几年数学、编程能力的飞跃确实是依赖高质量数据。
但在过去的这几年的时间，尤其是2024年到2025年，全球数学、编程的高质量数据都已经被用的差不多了。
那这个时候怎么办呢？数据固然重要，但是机器学习的效率也体现出重要性。
当前大规模强化学习的技术，让模型具备了一定的自我探索的能力。它可以通过自我探索，产生此前训练数据中还没有过的新数据，然后再交给这个模型去进行学习，也就是业内所说的RSI，正是数据瓶颈的破局解法。
媒体：不少人担心AI产生自我意识后会不会彻底失控，您怎么看待这种焦虑？
刘知远：短期不必过度焦虑，当前AI还主要运行在数字世界，没有深度介入物理世界。
真正务实要解决的是现实风险：端云协同就是基础逻辑，敏感原始数据尽量留在端侧，如果所有私密信息都要外传，安全就很难保障。
安全问题伴随AI发展而生，AI迭代的同时安全技术也会同步建设，整体我还是保持乐观。
媒体：您之前在大模型领域提出过“密度法则”，如今延伸到具身智能，到底解决什么核心问题？
刘知远：密度法则和规模法则相伴相生，规模法则是通用智能的底层属性。
单靠规模法则有个现实困境：算力越来越贵，智能只被少数机构掌握，就无法完成普惠式技术革命。密度法则是追求更高效率的规模法则：用更少参数、更少计算量实现同等智能。
类比摩尔定律，早期超级计算机只有少数机构用得起，后来演化出 PC、手机，算力才普及。密度法则就是通用AI走向普惠的前提。
目前具身大脑发展很快，但整体还在验证通用性阶段，通用性跑通之后，下一个要攻克的就是效率问题。
媒体：通用AI现在进展到什么阶段？挑战和机遇是什么？
刘知远：通用AI可拆成三大板块：感知、思考、行动。
中间模块“思考"也就是大模型语言推理，过去八年已取得长足进步，技术路线相对成熟。
在“感知”部分，我们团队去年底提出全双工流式框架，目标是让AI能像人一样做到边看、边听、边说、同步反馈，这也是业内目前集中突破的方向。
过去大模型大多是单工——听的时候不能说，这和人类交互习惯完全不同。想象家庭机器人，下达指令后就听不到人说话，体验会很糟糕。
而成熟度最低的是 "行动" 板块，也就是具身智能，连规模法则都还没真正建立。
媒体：您说过 “中国应向外卷，而不只是做第二个OpenAI”，这句话的深层含义是什么？中国该做什么样的公司？
刘知远：全球范围内，真正具备站在最前沿推动AI技术创新的能力的，目前只有中国和美国。
从这个角度讲，中国没有别的可效仿对象，必须具备更强的科技创新能力，才能把握住这次科技革命的浪潮和机遇。
2000年互联网时期，我们更多是"Copy to China"式的模仿。到移动互联网时代，能基于已有技术做商业模式创新，长出了美团、字节、淘宝这样的公司。
这次AI时代，恰恰到了需要我们通过技术创新实现更高水平发展模式的时候。所以不该去复制一个OpenAI，而应 “向外卷”，凭自己的长板走出一条新路。
运营编辑 | 曹倩 审核｜孟莎莎
热门跟贴