《科创板日报》10月14日讯（记者 王楚凡） “AI能力的深度取决于使用者知识深度，可验证性决定AI适用边界。”中国科学院计算技术研究所副所长、研究员，北京开源芯片研究院首席科学家包云岗在近期于上海举办的2026未来科学·创想季数学与计算机科学×数字未来跨界对话上表示，设计难验证易的领域是AI更擅长的领域，挖掘和创造设计空间大、验证成本低的任务，是未来可努力的方向。
当前，随着智能体规模化运行推高算力需求，AI基础设施正从规模扩张转向系统效率竞争。据IDC与浪潮信息联合发布的《2026年中国人工智能计算力发展评估报告》预计，2026年中国智能算力规模将达2576.5EFLOPS，同比增长87.9%。算力消耗重心正从训练转向推理，端侧智能与云边端协同成为产业新焦点。
AI能力边界再定义：从算力芯片到端侧智能的产业突围
中国科学院计算技术研究所副所长、北京开源芯片研究院首席科学家包云岗认为，AI能力的深度取决于使用者知识深度，可验证性则决定AI的适用边界。设计难度低、验证成本低的场景，是AI更易发挥价值的领域。
他以两个产业实践印证这一判断：在“一生一芯”项目中，输入45万字专业讲义后，AI可完成64位RISC-V处理器设计，但AI的能力上限本质依托于人类积累的知识体系；香山开源项目中的验证智能体“UC Agent”，可在5000行以内模块实现自动化验证，效率较人工显著提升，目前已在国内近10家芯片企业落地，其核心是通过严格流程约束大模型随机性，实现“对流程负责，而非对结果负责”。
歌尔股份董事、首席技术官刘耀诚表示，AI变革正从基础设施层迈向应用与端侧智能。受时延、隐私、个性化及成本约束，仅靠云端架构无法承载全部AI任务，端侧智能成为必然方向，将推动交互模式从“人找服务”转向“服务找人”，催生新的智能终端产品与产业链机会。
算力芯片层面，九万里未来科技创始人陈鹏认为，算力芯片研发没有捷径，不能追求单点性能最优，需兼顾性能竞争力、软件应用性、可制造性、数据使用效率、功耗及迁移成本，打造综合竞争力。针对具身智能芯片，他表示当前核心瓶颈不在芯片本身，而在于产业整体发展阶段，目前具身产业在资源投入、算法迭代和场景探索上均有进展，但距离真实场景的量产突破仍有距离，需做好产业预期管理。
RISC-V开放架构被视为构建自主计算生态的战略机遇。进迭时空创始人兼总裁孙彦邦认为，传统芯片产业的生态主导权掌握在海外厂商手中，RISC-V作为开源标准，为国内产业构建自主芯片生态提供了路径。
投资视角下，上海未来产业基金投资部董事总经理李然表示，算力芯片投资并非在技术先进性与出货能力之间二选一，而要匹配企业发展阶段：早期项目更看重颠覆性技术创新，成长期企业则需兼顾出货能力与下一代技术储备。对于具身智能赛道，市场关注点正从硬件本体、灵巧手等逐步转向大脑、模型与算力芯片，依托通用硬件实现跨本体、跨场景泛化的项目更具长期投资价值。
AI for Science进阶：从工具应用到人与AI协同进化
北京大学北京国际数学研究中心博雅特聘教授董彬介绍，北大团队已搭建形式化检索引擎、自然语言数学搜索引擎等底层基础设施，开发出自动推理智能体及多智能体协作系统，实现多项前沿科研突破：智能体可自主证明并证否安德森猜想，5小时内推翻两个前沿数学猜想；两周内以较低成本完成庞加莱猜想的大规模形式化工作，生成约300万行代码。团队同时发布涵盖近3000个公开数学问题的数据集，供行业测试与研究使用。
董彬认为，AI正在改变数学研究模式，将科研人员从繁重的证明工作中解放出来。数学家的核心能力可分为知识、推理和提出猜想三个维度，目前AI在知识储备上已可对标人类，推理能力仍有提升空间，但提出有价值的科学问题仍是人类的核心优势。
深势科技创始人兼首席科学家张林峰表示，AI for Science正从单点技术突破，走向科研全链路、平台化的基础设施建设。团队构建“四梁N柱”架构，整合文献专利、异构算力、自主实验室等资源，依托AI智能体形成可验证的反馈闭环，加速科学价值释放。
张林峰判断，未来五年继数学领域之后，AI有望在理论科学、计算科学到实验科学领域逐步实现突破，核心在于构建科学形式化工具、大知识模型及智能体原生科研生态，推动出题、解题与验证的规模化落地。
上海未来启点社区魏凡杰则从产业生态角度表示，AI for Science已成为科学原始创新的主战场。“AI的发展仍需要数据、验证等生态助力，把科学问题转化为AI可处理、可验证的任务。
