智能科学时代技术预见的新模式与新方法——以通用人工智能基础研究领域为例
全球技术地图
2026年11月15日 08:21
北京
去阅读
以下文章来源于科技中国
,作者薛雅 王雪莹
科技中国
.
致力于打造国家高端智库高水平“策论型”研究宣传平台。
人工智能是新一轮科技革命和产业变革的核心驱动力量,通用人工智能(AGI)作为人工智能发展的长期目标与前沿制高点,已成为全球科技竞争的核心赛道。2017年国务院印发《新一代人工智能发展规划》,将人工智能上升为国家战略,明确提出布局前沿基础理论研究,抢占人工智能发展的技术制高点。随着国家“十五五”规划纲要将AGI正式纳入国家发展蓝图,探索多路径并行的AGI技术路线成为我国科技战略的重要内容,AGI基础研究的方向凝练、资源布局与战略决策,迫切需要科学的技术预见方法提供支撑。美国《科学:新的黄金时代》(Science: A New Golden Age)报告指出,人工智能不仅是加快既有科研方法的工具,更将从根本上重构科学发现的全流程,具体从文献消化、假设生成、实验设计到数据分析均可由人机协同完成,闭环自主实验室可将发现周期缩短数个数量级。
这种科研范式的底层变革,使得传统基于线性发展假设的技术预见体系出现系统性适配偏差。技术预见作为科技战略制定与科研管理的核心工具,通过对科学、技术、经济和社会的长期发展进行系统探索,识别具有战略意义的新兴技术与研究方向,为科技决策提供前瞻指引。自20世纪中期以来,以德尔菲法、技术路线图、知识图谱为代表的经典技术预见方法,在成熟技术领域与工程化研发场景中得到广泛应用,形成了较为完善的方法体系。然而,AGI领域发展并非线性的技术迭代,而是“人类智慧与AI共同进化”的创生过程,核心突破往往源于原理重构与跨域融合,具有极强的不确定性、涌现性与动态性,对传统技术预见范式提出了根本性挑战。
一、AGI领域的技术预见研究现状与范式特征
针对AGI领域的技术预见与趋势研判,现有研究主要集中在专家预测与情景分析层面。美国兰德公司研究显示,现有专家调查、计算模型、情景分析等多种AGI预见方法普遍存在对非连续突破捕捉不足、对跨域融合关联识别滞后的局限。DeepMind等机构的研究聚焦AGI向超级人工智能(ASI)演进的路径分析,通过识别技术瓶颈与关键节点勾勒发展脉络,但尚未形成系统化的技术预见方法体系。国内相关研究多集中在AGI技术路线的定性探讨,针对科学学层面的方法创新研究相对匮乏。总体而言,现有技术预见方法体系成熟于常规科技范式,面对AGI等颠覆性前沿领域存在本质性的适配缺口;AGI领域的趋势研究多聚焦技术本身,缺乏从科学学与技术预见方法论层面的系统性创新。本文正是针对这一研究空白,以AGI基础研究为典型场景,探索智能科学时代技术预见的理论创新、工具重构与流程再造。
AGI作为智能科学的前沿领域,突破了“猜想—验证”“目标—实现”的传统科学模式,呈现出“创生—进化”的全新范式,具有三大本质特征。
一是智能涌现的不确定性。AGI的能力提升并非线性的技术叠加,而是存在显著的涌现效应——当模型规模、数据量与算力达到临界阈值后,系统会突然产生推理、规划、工具使用等原本不具备的复杂能力。这种非连续的能力跃迁使得技术发展轨迹难以通过线性外推进行预测,核心突破往往源于原理层面的重构而非细节优化。同时,AGI系统的内部运行机制存在“黑箱”特性,人类对智能本质的认知仍处于探索阶段,进一步放大了预见的不确定性。
二是跨域融合的复杂性。AGI的发展高度依赖多学科的交叉融合,其核心问题不仅涉及计算机科学,还深度关联认知科学、神经科学、数学、语言学、哲学乃至社会科学。例如世界模型的构建需要结合认知心理学的表征理论与物理学的因果规律,智能体的安全对齐需要融合伦理学、社会学与博弈论的研究成果。这种跨域特性使得AGI的重大突破往往出现在学科交叉的“盲区”,单一学科视角的技术预见极易遗漏关键方向。同时,AGI与量子计算、生命科学等领域的跨界融合,还会不断催生全新的研究方向与应用场景,进一步拓展领域边界与复杂度。
三是人机协同进化的动态性。AGI研究是“人类智慧与人工智能共同进化”的特殊过程:研究者提出理论架构与训练方法,推动AI能力提升;而能力不断增强的AI系统又反过来辅助研究者开展科学发现、理论验证与架构优化,甚至提出新的研究问题。这种双向迭代的进化模式使得AGI的核心问题处于动态演变之中,旧的问题随着技术突破被解决,新的问题随着能力边界拓展不断涌现,静态的预见结论很快会失去时效性,要求技术预见具备持续迭代的敏捷能力。
二、传统技术预见范式与智能科学领域的适配困境
面对AGI领域的全新范式特征,传统技术预见方法的内在局限被充分放大,形成系统性的适配困境。
(一)前沿扫描难以捕捉非连续突破与隐性关联
传统前沿技术扫描依赖文献、专利等显性数据,通过关键词共现、引文分析等方式追踪技术演化轨迹,适用于技术路径连续、演进规律清晰的领域。但AGI的核心突破往往是原理层面的范式跃迁,在早期缺乏足够的显性文献支撑,且常隐藏于跨学科的边缘地带,难以通过单一领域的文献计量被识别。例如神经-符号融合系统的核心思想横跨认知科学与计算机科学,传统基于单一学科的技术扫描方法难以提炼其核心价值,容易造成关键问题的遗漏。同时,跨域融合的隐性关联无法通过关键词匹配被有效捕捉,导致技术预见对交叉创新方向的感知严重滞后。
(二)德尔菲调查共识导向扼杀颠覆性创新
传统德尔菲调查以“形成共识”为核心目标,通过多轮反馈推动专家意见收敛,其前提是领域存在相对统一的认知框架与判断标准。但AGI的核心命题(如通用智能的本质、世界模型的实现路径、强AI的风险边界)已超出当前人类的认知边界,国际顶尖学者之间存在根本性分歧,在可预见的时间内都无法形成共识。若强行以共识为目标收敛观点,只会淘汰具有颠覆性的非主流判断,扼杀AGI领域最需要的突破性思考。此外,专家对AGI长期演化的预判能力存在天然局限,基于共识的结论可能因保守而误导战略决策。
(三)技术路线图静态刚性束缚动态迭代
传统技术路线图基于“目标确定、路径可规划”的假设,通过线性阶段划分锁定研发路径,强调对预设目标的严格执行与偏差管控。但AGI的发展具有极强的路径跳跃性与技术涌现性,新的技术突破随时可能重构整个领域的发展逻辑,预设的技术路径往往在短期内就会失效。刚性的路线图规划不仅无法指引方向,反而会束缚研究者的探索空间,阻碍对新兴机遇的快速响应。同时,AGI研究是典型的探索性创新,不存在明确的“终极目标”,也就无法通过倒推方式制定线性的实现路径。
传统技术预见方法的核心症结,在于其底层逻辑是“知识中心”或“目标中心”——要么围绕已有知识体系做延伸,要么围绕预设目标做规划,本质是面向“确定性”的管理工具。而AGI领域的核心驱动力是“问题”,重大创新始于对核心科学问题的探索,技术突破源于对问题瓶颈的攻克,方向演进随问题的动态演变而调整。传统方法缺乏对“问题”的系统性关注,无法主动挖掘问题关联、预判问题演化、评估问题价值,也就难以支撑前沿领域的方向凝练与战略决策。这一底层范式的错配,是传统技术预见在AGI领域失效的根本原因。
三、AGI问题体系的三圈层结构
针对传统方法的范式缺陷,智能科学时代的技术预见必须实现底层逻辑从“知识/目标中心”转向“问题中心”,以问题为核心锚点构建全新的理论框架与方法体系。AGI领域的问题体系并非零散的集合,而是具有清晰的层级结构与动态关联。基于AGI研究的内在逻辑,可构建“内核—中核—外核”的三层问题圈层结构,系统刻画AGI问题体系的构成与演化规律(见图1)。
(一)内核层:基础原理问题
内核层是AGI问题体系的核心,由决定领域本质与走向的“第一性问题”构成,聚焦智能的底层原理与核心架构,包括智能本质的界定、通用能力的实现机制、世界模型的构建原理、学习范式的革新、架构范式的突破等。内核问题是 AGI研究的根本牵引,其突破将带来整个领域的范式跃迁,具有基础性、根本性与高风险性特征。例如“通用智能是否必须基于世界模型”“智能涌现的数学机制是什么”等问题,都属于内核层的核心命题。
(二)中核层:跨域融合问题
中核层是内核原理向各领域拓展的中间层,由AGI与其他学科交叉融合产生的“赋能型问题”构成,聚焦AGI+X的交叉创新方向。典型的中核问题包括AGI与认知科学的融合(如类脑认知架构、常识表征机制)、AGI与量子计算的融合(如量子增强因果推理)、AGI与生命科学的融合(如蛋白质结构预测、生物系统模拟)、AGI与数学的融合(如自动定理证明)等。中核问题是拓展AGI能力边界、开辟全新研究领域的核心载体,其突破既依赖内核原理的支撑,又反过来推动内核认知的深化。
(三)外核层:应用生态问题
外核层是AGI与社会交互的界面层,由技术应用与社会生态层面的“约束型问题”构成,聚焦AGI的社会价值、安全边界与治理规则。外核问题既包括技术应用层面的具身智能、脑机接口、人机协作等方向,也包括安全伦理层面的价值对齐、安全控制、风险防控,还包括社会治理层面的规则制定、伦理规范、产业生态等。外核问题定义了AGI发展的社会边界与价值导向,其需求会反向牵引内核与中核的研究方向,例如安全可控的社会需求会倒逼价值对齐技术的研发,进而推动内核层学习范式的调整。
(四)圈层的动态互动机理
三个圈层并非静态割裂,而是相互渗透、动态迭代的有机整体。内核层的原理突破是整个体系的根本动力,推动中核层跨域融合的深度与广度拓展,进而带动外核层应用场景的丰富与社会影响的扩大;反过来,外核层的社会需求、应用反馈与治理要求,会通过中核层的技术转化,反向传导至内核层,倒逼基础理论的调整与优化。例如AGI共情能力的应用需求(外核),推动了情感计算与多模态交互的跨域研究(中核),进而促使研究者重新思考智能的定义与表征机制(内核)。这种双向动态的迭代关系,是AGI问题体系持续演化的核心机制。
四、智能科学技术预见的核心工具
理论范式的转向需要通过具体的工具落地。针对传统三大技术预见工具的局限,可通过范式升级构建三大新型工具——问题图谱、斯芬克斯追究机制与机遇探测器,形成适配智能科学范式的技术预见工具体系。
(一)问题图谱:问题导向的战略决策导航
问题图谱是对传统知识图谱的范式升级,将核心从“知识节点”转向“问题节点”,构建以问题为核心的动态网络,实现从“梳理已知知识”到“导航未知问题”的转变,是AGI科学决策中发现、把握和凝练关键研究方向的核心支撑工具。
传统知识图谱以“知识点—静态关联”为核心,服务于知识的结构化存储与复用,是典型的“知识回溯型”工具。而问题图谱跳出知识静态关联的局限,建立以问题为核心的动态多维关联体系:以AGI三层核心问题为核心节点,延伸拆解为子问题、衍生问题等多层级节点;通过因果、递进、跨域、争议四种链路构建问题网络;嵌入三级价值评估体系,指导未知领域的研究方向凝练。二者在内容元素、关联逻辑、核心目标、价值导向、更新机制与适配场景上均存在本质差异。
问题图谱作为决策导航工具,具备四大核心功能。一是挖掘关键枢纽问题。通过关联链路分析识别处于重大分支节点或交叉关联枢纽位置的关键问题,挖掘隐性战略问题集群,启发重大创新方向。二是预判前沿问题演化。基于因果关联、递进关联与跨域关联推演问题发展脉络,预判前沿趋势。三是启发战略研究方向。通过公开发布问题图谱引导研究人员围绕关键问题提出研究方向,结合技术模拟推演与AI辅助生成战略研究方向候选清单。四是支撑科研管理决策。支持“从方向到问题”的逆向追溯,通过问题价值的动态量化评测辅助管理人员判断项目价值优先级变化,实现敏捷高效的科研管理。
(二)斯芬克斯追究:“发散—收敛”的创新调研机制
参考德尔菲法命名来源,我们提出“斯芬克斯追究”,是对传统德尔菲调查的范式升级,突破了“共识导向”的局限,以问题为核心构建“发散—收敛”两轮闭环调研机制,旨在挖掘隐性创新点、整合跨域突破、形成具有牵引性的科研方向,而非追求专家观点一致。
斯芬克斯追究以AGI三层核心问题为起点,第一轮通过无边界发散提问打破认知局限,全面覆盖问题背后的技术缺口、学科关联与争议焦点;第二轮通过靶向收敛提问聚焦核心矛盾,提炼兼具创新性、可行性与牵引性的创新关键点,形成“问题池—发散解构—收敛聚焦—创新清单”的闭环,实现“从问题到突破点”的精准转化。与传统德尔菲调查相比,斯芬克斯追究具有本质性差异化优势:在目标上,不以形成共识为目的,而以挖掘创新关键点为核心,主动包容争议与非主流观点;在提问逻辑上,不从“判断”出发,而从“问题”出发,先发散解构边界,后收敛聚焦突破;在观点反馈上,不以消除分歧为目标,而以凸显分歧为手段,从分歧中挖掘创新机遇;在输出结果上,不追求一致性结论,而输出创新性关键点清单,明确区分共识性方向与非共识颠覆性方向。
斯芬克斯追究输出的创新关键点清单具有多方面应用价值。一是直接支撑科研任务布局。专家共识度较高的高优先级创新点作为战略性重大研究任务论证凝练的重要依据,调研过程中表现突出的专家可作为科研团队、专家顾问组的遴选参考。二是为问题图谱提供数据支撑。清单中提出的具体技术问题按分级分类标准纳入问题池,结合AI辅助的关键词提取与跨域关联分析,提升问题图谱构建的效率与准确性。三是为战略研究提供依据。调研过程中形成的专家意见可为AGI战略规划编制、创新趋势前瞻提供重要参考。
(三)机遇探测器:动态敏捷的前沿机遇捕捉方法
机遇探测器是对传统技术路线图的范式升级,放弃“目标前置—路径锁定”的静态思维,构建“问题牵引—信号捕捉—迭代聚焦”的动态闭环,实现从“规划已知路径”到“探测未知机遇”的转变,是适配AGI技术涌现性的敏捷决策工具。
机遇探测器的核心锚点是斯芬克斯追究输出的创新关键点清单与动态更新的问题基础库,而非预设的技术目标。其核心逻辑是:以AGI三层核心问题为探测边界,持续捕捉技术突破、跨域关联、需求演进三类关键信号,通过“信号筛选—机遇初判”“机遇验证—方向聚焦”两级迭代,将隐性的前沿机遇转化为明确的关键研究方向。与传统技术路线图相比,机遇探测器实现了三重范式转变:从“确定未来—规划路径”转向“感知变化—捕捉机遇”,从“线性静态”转向“迭代动态”,从“单一技术维度”转向“问题-技术-需求”多维度协同。
机遇探测器的输出成果可与其他工具及科研管理流程深度联动。一是支撑问题图谱更新。每季度根据机遇扫描报告中的新增机遇点,向问题图谱补充新涌现的问题节点,调整关联链路与价值权重。二是联动斯芬克斯追究机制。发现的潜在机遇点可纳入下一轮调研的问卷设计,同时通过专家调研对潜在机遇点进行评估验证。三是支撑科研任务敏捷布局。关键性创新机遇可支撑科研管理者快速启动前期研究,采用公开招标、定向择优等方式快速组织攻关。四是发现潜力人才团队。在探测前沿机遇的同时识别相关方向的优秀科研人员与团队,纳入人才引进与合作视野。
五、智能科学技术预见的全流程实施体系
三大核心工具并非孤立存在,而是需要嵌入完整的科研管理流程,形成“问题提出—筛选发布—研究响应—决策完善—闭环迭代”的全流程技术预见体系,实现从核心问题到高质量科研项目的精准转化。
(一)战略性核心问题提出
这一阶段的核心任务是广泛汇聚多元来源的问题,形成初步的问题清单。构建多渠道的问题采集体系:一是基础来源,吸纳国际AI领军学者提出的核心命题,把握全球前沿核心脉络;二是补充来源,通过跨学科专家研讨会挖掘交叉领域问题,通过社会需求调研捕捉应用端问题;三是动态补充来源,通过人机协同的信号筛选工具,从最新研究成果、行业实践中持续提取隐性新问题。由项目管理者联合科学学专家,按照问题圈层理论对收集的问题进行分类梳理,依据“真问题”标准初步甄别,剔除歧义性强、无法验证的非真问题,形成结构化的初步问题清单。
(二)问题筛选与公开发布
这一阶段通过三级筛选机制识别高价值问题,并以分层分类的方式面向社会发布。第一轮为跨域专家评估。组织由AGI学者、科学家、行业代表、社会研究者组成的跨域专家委员会,应用价值动态评估模型对初步问题清单开展“好问题-重要问题”维度的评估。第二轮为一线研究者反馈。收集一线科研人员对问题表述、价值评估的意见,优化问题的清晰度与研究针对性。第三轮为战略综合判断。由战略科学家、资深科研管理者、战略投资人组成战略委员会,从国家战略、产业潜力、风险防控等综合维度判断问题的价值潜力,最终确定发布的问题清单。
根据问题的圈层属性与价值特征采用差异化发布形式:核心层问题(内核+高价值高风险中核问题)以“重大科学问题”形式发布,鼓励颠覆性、探索性研究;融合层问题(中核+外核关键问题)以“重点研究方向”形式发布,明确跨学科融合导向;生态层问题(面向社会应用+潜在新问题)以“开放性挑战”形式发布,鼓励企业参与课题设计,不设严格研究边界。
(三)研究响应与设想评估
这一阶段接收研究者的研究设想并开展多维度评估。研究者围绕发布的问题提交标准化的简要研究设想,核心内容包括问题理解、研究目标、技术路径、预期成果、价值潜力、可能风险,突出对核心问题的深度理解、方案创新性、技术可行性与安全伦理的考量。项目经理围绕研究设想与原始问题的契合度、研究方案的创新性、可行性与价值潜力等维度开展综合评估。对于具有较高不确定性的非共识性项目,可征询战略委员会成员意见,避免因常规评审标准淘汰高风险高价值的探索性项目。
(四)协同优化与动态立项
这一阶段通过深度沟通推动优质研究设想落地立项。采用两种方式推动研究方案完善:一是一对一沟通,项目管理者与研究者就研究设想的创新性、可行性、风险控制进行深入交流,结合迭代验证方法论调整研究路径与预期目标;二是跨领域研讨,针对AGI+X的跨学科问题,组织相关领域专家与研究者开展专题研讨,完善技术路线与协同方案。
建立差异化的评审与立项体系,围绕“问题契合度、理论创新性、技术可行性、风险可控性、社会价值”五大维度,建立量化与质性结合的评审指标体系。针对不同层级问题设置差异化评审侧重:核心层问题侧重理论突破与颠覆性,融合层问题侧重跨域融合与应用潜力,生态层问题侧重功能实现与社会价值。特别设立非共识独立赛道,对高风险高价值的探索性研究给予专门支持。立项模式采用动态化机制:核心层与融合层项目采取“择优立项+滚动支持”模式,根据中期进展及时调整资源投入;生态层项目采取“联合资助+价值导向”模式,鼓励快速试错、灵活调整。
(五)过程跟踪与闭环迭代
这一阶段的核心是建立动态跟踪与迭代机制,实现技术预见体系的持续进化。项目管理者定期收集研究进展,重点跟踪核心问题的突破情况、研究路径的调整、新出现的科学问题,建立“问题—研究—进展”的动态关联图谱,将发现的新问题、新线索及时反馈至问题池与机遇探测器。每年组织一次全流程复盘,结合研究进展、技术突破、社会需求变化更新核心问题清单:淘汰已解决或被竞争路径替代的问题,新增技术演进催生的衍生问题,调整问题的价值等级与发布层级。同时对三大工具的运行效果进行评估优化,形成 “问题提出—研究—反馈—更新”的长期闭环,推动整个技术预见体系与AGI领域发展同频进化。
六、实践启示与未来展望
本文构建的技术预见新范式,不仅适用于AGI领域,也为各类颠覆性前沿科技领域的技术预见与科技治理提供了重要启示。
第一,为颠覆性技术领域的技术预见提供了范式参考。当前量子科技、合成生物、可控核聚变等前沿领域普遍具有不确定性高、跨域融合强、路径模糊的特征,传统技术预见方法同样面临适配性困境。“问题导向、敏捷迭代、包容非共识”的新范式,可迁移应用于这些领域,提升技术预见对颠覆性创新的支撑能力。
第二,支撑科技管理从“规划式”向“敏捷式”转型。传统科技管理以中长期规划为核心,强调路径的稳定性与执行的刚性;而前沿科技的发展要求管理模式向敏捷响应、动态调整转型。基于问题的动态预见体系,能够为科技管理提供持续的方向指引与决策依据,实现科研布局的动态优化与资源的敏捷配置。
第三,为平衡创新突破与风险治理提供了方法支撑。前沿科技的发展往往伴随巨大的不确定性与潜在风险,传统的“先发展后治理”模式难以适应。问题导向的预见体系将安全价值、社会价值纳入问题评估标准,在外核层系统纳入治理与伦理问题,实现创新发展与风险治理的同步谋划、协同推进。
本研究构建的技术预见体系仍处于理论框架阶段,在实践落地与量化方法层面仍有拓展空间。未来可从三个方向深化研究:一是开展实证应用研究,在具体AGI科研项目中试点应用该方法体系,通过实践反馈持续优化工具与流程;二是完善量化评估方法,进一步细化问题价值评估的指标体系与算法模型,提升价值判断的客观性与精准度;三是拓展方法的适用边界,探索将该范式迁移应用于量子科技、合成生物等其他前沿领域,形成通用的颠覆性技术预见方法论。随着智能科学的持续演进,人机协同的深度融合、大模型对预见过程的深度赋能,将进一步提升前沿技术预见的敏捷性与准确性,为我国把握科技革命机遇、实现高水平科技自立自强提供更有力的方法支撑。
版权声明
本站仅做备份收录,仅供研究与教学参考之用。
读者将信息用于其他用途的,全部法律及连带责任由读者自行承担,本站不承担任何责任。








评论