9月23日，2026网易未来大会在杭州举行。本届大会以“碳硅相逢，万象启元”为主题，由网易公司主办，杭州市商务局、杭州市经济和信息化局（杭州市数字经济局）、杭州高新技术产业开发区管委会联合指导。五位院士领衔，来自学界、产业界和投资界的嘉宾齐聚一堂，围绕科技前沿、人工智能产业化与未来商业展开交流。
从可控核聚变、AI大模型技术与通信智能，到AI PC、智能体、AI制药与具身智能；从院士专家的前沿判断，到产业先锋、投资人与00后创业者的实践探索，本届大会试图回答一个共同的问题：当碳基文明与硅基智能加速相逢，技术将如何突破边界，又将怎样走进真实世界？
大数据知识工程教育部重点实验室主任、国家重点研发计划专项“大数据知识工程基础理论及其应用研究”首席科学家吴信东在大会上指出，大模型非常好，但还不够好，因此我们需要双向增强。在他看来，大模型距离通用人工智能（AGI）比遥远还遥远。
吴信东表示，大模型走向通用人工智能，要从符号主义、连接主义、人类与环境的交互以及智能体感知等角度，进行感知、决策、执行和反思。他称，大模型有一定的局限性，但若把大模型的幻觉问题全部解决，那它已经不是大模型，而是专用人工智能系统了。
吴信东认为，现在，人工智能要迈向通用人工智能，仍需以行业知识来引导，运用大规模神经网络，结合基于人类反馈的强化学习，并仍然需要专家系统和知识图谱。光用知识图谱增强大模型不行，用大模型替代知识图谱更不行。
他补充道：“我们要走双向路线，制定路线图（Roadmap），利用大模型的优势来克服现有知识图谱的缺点。同时，知识图谱也有优势，可以弥补大模型在幻觉问题、长尾问题上的不足。要针对特定领域解决特定问题，而不是解决所有问题。”（周淼）
以下是网易未来大会上吴信东演讲实录：
非常高兴、非常荣幸接到大会邀请，在这里分享我们团队最近在大模型方面的一些思考与探索。我接着焦（李成）院士谈大模型。
我的主题是：大模型非常好，但是大模型还不够好，所以我们需要双向增强。焦院士和我都是学人工智能的，从本科、研究生阶段就开始做人工智能方面的探索。以前讲人工智能，基本上是专用人工智能：针对某一类比较困难的问题，或者某一个需要人类智能才能解决的问题，编一个计算机程序，把问题的解决做深、做细，做到具备一定的智能。现在讲通用人工智能，也就是AGI，是想做一个像大模型这样的程序，能够解决不同类型的问题，可能是通用的，可能是万能的。这个“万能”到底还有多远？刚才焦院士讲，路程很遥远。我的结论是：比遥远还遥远。后面再讲为什么。
人工智能基本上有三条路线。第一条是符号主义，这是我以前上大学、上研究生，在爱丁堡读人工智能博士时所做的。面对一个问题，比方讲探矿，比方讲医生看病，我们把人类专家的知识通过物理建模进行符号表示，用系统模拟、仿真人类的问题求解路线，用到的是知识图谱、专家系统和符号逻辑。
第二条路线是连接主义。焦院士原来做的神经网络，在全国、全世界都非常有名。它通过神经网络模拟人类的大脑结构，但是人类大脑的结构到底是什么样子，能不能模拟清楚？现在有很多不确定的现象，有模糊的、概率的演算。它通过点与点之间的连接，求解复杂、不确定的问题，这就是神经网络路线。
第三条是刚才焦院士也提到的强化学习。比如设计一台机器、一个机械臂去抓杯子，一开始并不知道要用多大的力、什么样的角度。机器不断尝试，轻了抓不起来，再一用劲，又把杯子捏碎了，肯定有这种trial and error，也就是试错的过程。尝试、失败，再尝试、再失败，最终找出适合这个杯子的系数，把它牢牢抓起来，既不掉下去，也不把杯子捏碎。
这三条是不同的路线。现在人工智能迈向通用人工智能，还是要以行业知识来引导，用到大规模神经网络，结合人类反馈的强化学习，仍然要用到专家系统和知识图谱。这是我们的老本行，也是人工智能的起点，绕不过去。
刚才焦院士专门提到了2017年的那篇文章《Attention Is All You Need》。我觉得这应该是大模型的一篇奠基性文章。做大模型、做神经网络的人，还是应该读读，不要光听别人说。国内今年在Frontiers of Computer Science期刊里有一篇文章，我把其中的图拿过来了。从2017年到2022年，特别是ChatGPT引起广泛关注以后，国内外的公司和高校都在做大模型。各种评价和排名都有，但标准不一样，谁排第一很难说。我们团队用得最多的还是DeepSeek，基本每天都在用。
大模型能走向通用人工智能吗？基本思想还是从符号主义、连接主义，从人类与环境的交互、智能体感知的角度，去做感知、决策、执行和反思。刚才焦院士提到，把行为主义、连接主义、符号主义加在一起，它们各有优势和缺点。我们要做的工作，不再像专用人工智能那样只面向一类事情或者一件事情，现在又做机器翻译，又做认知诊断，基本上把这些揉到一块，从单一模型走向多任务系统。但这个“多任务”还是有界定的。大模型能不能走向通用人工智能，各有各的说法。也有研究者认为，单靠现在的大模型还不足以走向AGI。
大模型有一些局限性。大会邀请我作报告时，希望我讲讲大模型的幻觉问题。大模型有三个与生俱来的问题。第一个是弱推理与认知。整个加起来，大模型还是一种数据：它可以把北京图书馆、上海图书馆、浙江图书馆的信息融到一个大系统里，能简缩的简缩，能做简单推理的也可以做一些猜测，因为它是概率计算。所以弱推理是与生俱来的，幻觉是避免不了的。要把一个大模型的幻觉问题全部解决，那它已经不是大模型，而是一个专用的人工智能系统了。还有长尾知识遗忘，它训练时用到的语料，是以图书馆里现有的东西作为基准的。
比如5秒钟之前发生了什么世界性的变化，大模型不可能知道。如果这些问题都解决了，那它就不是大模型了。
所以，不要想着把这三类问题全部解决，而是针对专门的问题做一些外挂，提供更新的信息，去减少这些问题。不只是你解决不了，全世界都解决不了幻觉问题，这是我的结论，因为大模型本身就是做概率的。比如“北京欢迎”，欢迎谁？我到了北京，如果问“欢迎谁”，欢迎吴信东；你去了，欢迎你；要是开运动会，就欢迎大家。它本身就是不确定的，要求它没有幻觉，是做不到的。这三个特点是与生俱来的。
与生俱来的问题，就不解决了吗？人不能飞，但可以坐飞机飞。人现在上不了好多行星，将来可能逐步上去，要想办法避免这些问题。大语言模型很强大，是现在人工智能的一个代名词。没有大模型，你就不能说现在是在做AI。但是，只有大模型远远不够。
像DeepSeek，什么都能做，我们合肥工大的团队天天都在用。但要是指望它解决所有问题，看病不上医院，只问DeepSeek，你试试。尤其在工业场景里，需要高精度、高密度计算的时候，只问DeepSeek，你试试。它非常强大，大家都得用，但在真实可靠的问题上，要小心。大模型是一种工具，代替不了你，也代替不了我。我们要看到它的双面性。
解决大模型的相关问题，现在主要有两种做法。一种是在训练时，不是把所有通用的东西都往里塞，而是加入面向领域的结构化内容。比如定义椅子、桌子：桌子有桌面，下面得有脚。把这些定义进去，训练过程中就可能涉及很多知识更新，以及模型参数调整的复杂性。
现在用得最多的，包括我们合肥工大团队采用的，是增强，叫RAG，也就是Retrieval-Augmented Generation。可以外挂一些东西，把更新的信息加进去。我们走的是第二条、RAG这条路线，但光有RAG也不够。2024年，我们在TKDE上发表了一篇文章。它应该是数据工程与知识工程领域最好的期刊之一。这篇文章讲大模型与知识图谱要做双向协同：光用知识图谱增强大模型不行，用大模型替代知识图谱更不行。我们要走双向路线，建立一个Roadmap，也就是路线图，利用大模型的优势克服现有知识图谱的缺点。
同时，知识图谱也有优势，可以弥补大模型的一些幻觉问题、长尾问题。要针对特定领域解决特定问题，不是解决所有问题。这篇文章现在关注度比较高，2024年7月发表，刚刚两年，已经被引用2748次。在高校工作的老师应该知道这个数字代表什么。增强不是单向的。一般来说，用大模型解决问题，先要提出问题，比如“我今天头痛”。可能是昨晚熬夜、没睡着，也可能是高血压，或者最近身体有什么状况。把问题问给大模型，它做的是概率演算。
“昨天晚上睡得好不好？最近血压有没有变化？”如果检索“吴信东今天早上有点头痛”，就要查查有没有高血压史、昨晚有没有熬夜，把知识图谱里的相关信息加入问题，附带可推理的信息，再问大模型。它可能回答：你昨晚熬夜了，但你经常熬夜，所以这次的问题可能是血压变化。回答就更有针对性。在回答过程中，再把这些信息加回知识图谱：吴信东以前有没有头痛，现在头痛的频率是多少？把这些事实性信息加进去。下个月再问“吴信东又头疼了”，就可能像医生一样，不再只问昨晚有没有睡好，而是检查是否血压出了问题。幻觉肯定避免不了，但针对某一类问题，比如这个头痛的例子，可以降低、弱化幻觉。知识图谱是显式的：我有没有给张三打电话、哪个时间点、从哪里打到哪里，都可以查，路径给出来就可以解释。但知识图谱也有自己的困难，建设时要做信息抽象、物理建模，会丢掉很多细节，不可能100%精确。这也是它与生俱来的问题。当时认为不重要而丢掉的内容，后来解决问题时发现又有用了，怎么办？就用大模型去广泛搜罗，在语料库里找相关信息，再弥补知识图谱。所以我们做的是双向增强。有些问题用知识图谱更合适，比如工业大模型，要有知识、有机理结构来指导参数调整；有些信息没有，就用大模型去搜、去查。
双向增强有几种途径。我们合肥工大大数据知识工程实验室，还是以探索为主，走了四条不同路线：第一，双向增强；第二，在图谱检索时抓取相关信息，带到问题中，找出有针对性的档案；第三，推理增强，把规则、机理放到模型里；第四，把增强以后的东西再放回知识图谱。第一条路线，我们去年在《计算机学报》上发表了一篇文章。双向增强很多人都在提，但真正做出一个模型、做出结果，并不容易。先讲大家能听懂的，后面再讲工业场景怎么用。
举一个实际的例子。我用ChatGPT问：“吴信东跟郑磊有什么关系？”郑磊是合肥工大上一任校长，最近调到江西省当教育厅厅长。大模型回答得干净彻底：吴信东和郑磊的专业、毕业学校、从事方向都不一样，结论非常明确——两个人没有关联。这是大模型说的。
再用知识图谱去搜，就有一条路径：吴信东是合肥工大的，郑磊也是。系统给用户一个机会，拿这条路径去增强，也就是用合肥工业大学的信息增强两个人的信息。一增强就发现，学校里的老师有吴信东，校长是郑磊；又发现两个人都是安徽人，确实有关联，既是同事，又是同乡。再通过同乡、同事关系增强，还把合肥工业大学管理学院的杨善林院士带进来了，因为他也是学校的老师，也是安徽人。不断增强，信息就不断扩充。扩充到什么时候为止？如果一直增强下去，可能把合肥工大的老师、专业全部带进来，所以到一定时候要停止。这是第一条路线，我们确实做出了结果。
第二条路线不是简单的双向增强，而是在问题提出后，增加与问题相关的信息。比如问“吴信东究竟做了什么”，在图谱里查到他是合肥工大的老师。作为老师，他应该写论文、拿项目、带学生。把论文、项目、学生的信息放到问题中求解，再问大模型：吴信东带了多少学生、写了多少文章、拿了多少科研项目？
这样的问题相对就更有针对性，不必再问吴信东到底是不是医生、是不是律师。广东还有一位粮站店员也叫吴信东，查一下才能有针对性。我们在国际上做大语言模型很好的会议上发表过文章，作了一些探索：基于问题生成特定的图谱模式，把图谱中相关信息抓进来，动态构建证据图，再用证据图检索想要的内容。
第三条路径做得比较具体，不完全依靠大模型。比如我们花了八九年做的华谱通，把你家的家谱、我家的家谱打通。只要数据中能查到，就可以把历史上的人物与李世民关联起来。为什么能关联？可以从祖宗往上追溯，结合年代、空间和相关活动，查找与李世民的关联路径。
华谱讲的是家谱，最重要的是26条规则，比如父亲的父亲叫祖父、儿子的儿子叫孙子。把规则定义好，再让大模型来做。这个结果发表在《软件学报》上。大模型通用的东西要做细，规则也可以佐证结果到底对不对，我们在这方面做了尝试。
再讲反向增强。吴信东和郑磊到底有什么关系？第一遍问，没有关系；第二遍问，有关系；第三遍再问，不光两个人有关系，还把杨院士也拉进来了。关系不断增强，我们就要基于大模型的结果，反向弥补知识图谱中缺失的信息，做知识图谱补全。这是双向的，不是单向的工作。
为了让大家听懂，我讲了华谱系统，也讲了吴信东和郑磊的关系。这几个方面的双向增强，在工业领域很重要。DeepSeek非常火，但设备出了故障，想智能地观察、诊断一下，直接问DeepSeek，它不知道这些细节。所以，这时要构建大规模工业知识图谱。
第二，行业有规则。把规则模型、机理嵌套到RAG中，用知识图谱、小模型的方式，嵌套到大模型的外挂里面。最重要的是建设一些智能体，虽然现在问题很多，但这是大势所趋。
我们做了一个系统，跟合肥科大智能一起做轨道交通，目前已经上线。工业数据比较难搞，不能公开，涉及保密问题。这个系统已经上线使用了。
我的报告就这些，谢谢大家！
热门跟贴