2025-09-10 11:00:47 中华网
2025年，人工智能的发展已进入深水区。当我们习惯于AI在各个领域的出色表现时，一些看似微小却关键的“瑕疵”，成为了衡量其真实智能水平的试金石。其中一个典型案例，便是AI模型在面对一张有六根手指的手掌图片时，普遍会将其识别为“五根手指”。
这个现象暴露了当前AI技术路径中的一个核心议题：AI究竟是如何“理解”世界的?当一个三岁孩童都能完成的简单计数任务，成为模型的认知盲区时，我们不得不深入探究其背后的根本机制。
面对这样的前沿命题，我们常期待能在某个技术峰会，或是顶刊学术论文中找到答案。但对于深耕科研一线的新生代科研人而言，真正能击穿问题本质的洞见，未必只藏在聚光灯下打磨百遍的讲稿里，也可能诞生于科研同行间松弛、真实的深度思想碰撞中。
为了链接高校新生代科研力量与开发者生态，昇腾与CSDN联合策划了国内首档面向TOP高校新生代科研团队系列探访&对话节目——《高校有为》。
节目首期聚焦AI领域的核心议题，以《开源多模态模型的昇腾解法》为主题，由CSDN高级副总裁、奇点智能研究院院长李建忠主持，邀请到北京大学深圳研究生院助理教授，博士生导师，Open-Sora Plan发起人袁粒与华为昇腾计算推理产品高级架构师王建辉，围绕多模态AI的挑战、技术路线的选择、算力成本以及生态构建等议题，展开一场信息量密集的“头脑风暴”。
高校有为采访链接：
https://www.bilibili.com/video/BV1tuadziEqf/?vd_source=8bcc2107bb1d6e7d19f23c41021a68be
01 计算范式之变：从通用CPU到专用NPU的底层逻辑
对话的开端，直指驱动本轮AI浪潮的根本动力——计算范式的变革。
李建忠指出，行业正经历从经典以CPU为中心向以神经网络为中心的计算架构(以GPU/NPU为中心)的转变。
王建辉从硬件架构演进的角度，阐述了这一变革的本质驱动力。他认为，“整个计算范式的变化，是从以前的通用性，到现在核心是把算力的效率提上去。”
他进一步解释了CPU与NPU在设计哲学上的根本差异：
﹒CPU(中央处理器)：设计目标是通用性，擅长标量计算(单个数值的加减乘除)，追求单核高性能。
﹒NPU(神经网络处理器)：设计目标是效率，为深度学习任务而生，核心是处理大规模的矩阵或张量(Tensor)的乘加运算。为了在相同功耗下实现更高的算力效率，这是设计的出发点。
王建辉透露，昇腾从设计之初就瞄准了这一方向，这种设计直接服务于神经网络的核心计算需求。
同时，他也观察到一种“殊途同归”的趋势。NPU在追求极致效率的同时，也在增加向量计算单元以提升灵活性;而GPU(图形处理器)在拥有强大向量计算能力的基础上，也在不断增加专用的张量核心(Tensor Core)。双方都在向一个“既能提供高效运算效率，又能兼顾AI发展灵活性”的平衡点演进。
袁粒则从软件生态的视角补充，这一转变的核心诉求是“从通用到专用，以及到并行计算”。AI技术栈天然是并行的，软件生态需要去适配硬件的并行特性，两者协同发展。此外，他还提出了一个重要趋势：软件生态的构建正从过去的由硬件厂商主导的“中心化”模式，演变为高校、企业、个人开发者共同参与的“去中心化”模式，生态变得更加开放。
02 智能的“偏见”：当语言的霸权，压制了视觉的真相
在多模态AI的世界里，语言和视觉这两个最重要的模态，地位并不平等。语言，这个由人类创造、高度编码、信息密度极高的符号系统，在过去几年大语言模型的狂飙突进中，已经建立起了事实上的“霸权”。而视觉，这个客观存在、充满冗余信息、更接近物理世界本质的模态，反而在AI的认知体系中，沦为了“二等公民”。
AI看到的“六指手”图像，其视觉信息在进入决策中枢前，就被强大的“语言先验”给压制和扭曲了。AI并没有真正“看见”六根手指，它只是“知道”手应该是五根。这场看似微小的认知偏差，背后却是整个AI行业一场旷日持久的“路线之争”——智能的演进，究竟应该以语言为中心，还是以视觉(或更广泛的世界模型)为中心?
从2012年AlexNet在ImageNet大赛上一战成名，开启了计算机视觉的黄金十年，到2020年后ChatGPT横空出世，让语言模型独占鳌头，这场争论的钟摆一直在摇晃。视觉派的代表人物Yann LeCun和李飞飞坚信，缺乏对物理世界的理解，AI永远无法实现真正的通用智能;而语言派则引用维特根斯坦“语言是人类思维的边界”，追溯到艾伦·图灵对人工智能最初的理解，是抽象与逻辑的终极体现。
《高校有为》的这场对话，并没有试图给出一个终极答案，而是呈现了前沿科学家身处这场“范式革命”中的真实思考。袁粒坦言，作为一个“视觉派”，他也不得不承认，语言模型在当下“弯道超车”有其必然性——数据获取成本低、信息密度高、人类已经完成了初步的“编码”。
但更重要的是，他指出了未来的方向：模态平权。真正的多模态原生AI，必须让视觉和语言在模型内部拥有平等的“话语权”，让AI既能理解语言的逻辑，也能尊重视觉的真相。
03 路线之争：统一架构的未来，赌在自回归还是扩散?
如果说“语言与视觉之争”是AI发展的“世界观”问题，那么接下来的讨论，则进入了更硬核的“方法论”层面，这也是本期节目思想碰撞最激烈的部分。
当前，在多模态生成领域，存在着两条截然不同的技术路线：
﹒自回归模型(Autoregressive Models)：以大语言模型为代表，其核心是“Next Token Prediction”(预测下一个词元)。它像一个严谨的逻辑家，通过前文推导后文，一步一步构建出完整的内容。这是一种因果推理(Causal Inference)。
﹒扩散模型(Diffusion Models)：以主流的文生图、文生视频模型为代表，其核心是“Denoising”(去噪)。它像一个印象派画家，从一团随机的噪声开始，逐步去除噪声，最终“浮现”出清晰的图像。这是一种结构推理(Structural Inference)。
在《高校有为》的“茶话会”上，一场关于这两种路线优劣的“辩论”就此上演，充满了节目所追求的“思想对撞”的火花。
袁粒抛出了一个极具前瞻性，甚至有些“反共识”的判断：“尽管我做的视频生成现在主流是扩散模型，但我认为，最终统一多模态的，会是自回归模型。”
他给出了三层逻辑：
其一，继承性与效率：自回归已经基本解决了语言这个最复杂的模态，沿用这条路线去兼容视觉，可以避免重复“造轮子”。
其二，推理的本质：人类的高级智能，核心是因果推理。我们知道火不能摸，是因为我们预知了“摸”这个“因”会导致“烫伤”那个“果”。自回归的“next token prediction”天然契合了这种因果链条。而扩散模型的结构推理，虽然擅长描绘空间关系，但在逻辑链上是缺失的。
其三，强推理的潜力：在需要反思、规划、决策的复杂任务中，自回归模型可以通过强化学习等手段，实现更强的推理能力，而扩散模型的并行生成机制，很难进行有效的逻辑反思。
因此，他大胆预言，未来的多模态架构，将是以自回归模型为“主干网络”(Backbone)，负责因果推理和跨模态融合;而扩散模型则会作为一个“后处理模块”或“补丁”，负责视觉模态的结构补完和连续性细节。
这个观点，几乎是在为整个多模态领域的未来，描绘一张全新的技术蓝图。
然而，王建辉老师从一个截然不同的维度提出了“反驳”——算力利用率(Compute Utilization Efficiency)。
他认为，抛开算法的优美，最终决定技术路线胜负的，可能是一个更朴素的工程问题：哪种架构能把硬件的每一分性能都压榨到极致?
他分析道，自回归模型对内存带宽要求极高，但算力利用率相对不足;而扩散模型恰恰相反，它极度消耗算力，但对带宽要求没那么苛刻。这两种架构都存在“偏科”的问题。
因此，他提出了一个更具“融合”色彩的猜想：未来的胜利者，可能不是两者中的任何一个，而是一种全新的、能够将硬件的算力、内存、通信三大资源同时“吃满”的均衡架构。
这场“辩论”没有输赢，却诠释了《高校有为》从“单调对话”到“电影级叙事”的亮点：对话的张力，正来自于产、学两界顶级大脑，从各自最擅长的领域出发，对同一个未知山峰，给出了不同的攀登路径。袁粒代表了算法与理论的“顶层设计”，追求模型的优雅与认知上的合理性;王建辉老师则代表了工程与实践的“底层逻辑”，强调物理定律和资源效率的硬约束。
这正是创新的真实面貌——它不是一条笔直的康庄大道，而是在无数次这样的思想对撞、路线摇摆、和基于第一性原理的反复诘问中，螺旋式上升的。
04 成本的“鸿沟”：从200元到2分钱，AI视频的普惠之路
再精妙的理论，再宏大的架构，最终都要面临现实世界的检验。对于AIGC而言，最现实的检验标准，就是成本。
本期《高校有为》的第三个高潮，是将话题从云端的理论，拉回了地面上最残酷的商业现实。王建辉老师透露了一个惊人的数字：“在Sora刚发布时，我们内部评估，生成一段高质量的AI视频，成本至少是200元人民币。”
200元，这个数字如同一盆冷水，浇灭了许多人对AI视频“即刻普及”的幻想。这意味着，它只是少数人能负担得起的“奢侈品”，距离成为像抖音、B站一样的全民创作工具，还有一道巨大的成本鸿沟。
王建辉的目标是：“未来有没有可能，把成本降到2块钱，甚至2分钱?”
从200元到2分钱，是一万倍的成本压缩，这可能吗?
袁粒表示，将当前AI视频生成的技术瓶颈，总结为四个方面：可靠性不足(不符合物理规律)、可控性不足(无法精确控制生成内容)、一致性不足(人物或物体在视频中会变化)、时长不足(普遍在10秒以内)。
问题的根源，一方面是前面提到的扩散模型“理解能力”不足，另一方面，则是其二次方增长的计算开销。当视频时长增加，计算成本会呈爆炸式增长。
要跨越这道鸿沟，单靠算法优化或硬件升级的“单打独斗”已经不够，必须依靠软硬协同的深度联合创新。这或许也是《高校有为》想要呈现的真实图景。
·在软件层面，袁粒团队在昇腾算力的支持下，不断进行算法迭代。例如，为了解决视频序列过长导致的“内存溢出”(Out of Memory)问题，他们联合昇腾团队，在张量并行(TP)的基础上，进一步开发了序列并行(SP)，实现了“TP+SP”的高效训练模式。再比如，为了解决模型训练后期收敛困难的“震荡”现象，他们采用了昇腾亲和的EMA(Exponential Moving Average)优化策略，才最终让模型平稳收敛。
·在硬件层面，昇腾则不仅仅是提供算力，更是在与袁粒团队这样的顶级科研项目的合作中，反向优化自己的硬件架构和软件栈。王建辉提到，他们会分析像长视频生成这类任务的性能瓶颈(比如Flash Attention可能占到90%的耗时)，然后针对性地进行极致的性能优化。
这种“你中有我，我中有你”的深度耦合，才是实现万倍成本压缩的关键。算法的创新，为硬件指明了优化的方向;而硬件的极限性能，又为算法的实现提供了可能。
如今，合作的成果已经落地。袁粒在对话中，分享了一个与华为合作的陕西文旅项目案例：游客在游览大唐不夜城时，可以化身为《长安十二时辰》里的某个角色，AI会根据游客的游览路线，实时生成一段“个人专属”的剧本杀视频。
从实验室里的代码，到游客手机里的精彩短片，这条路径的打通，预示着AI视频的“2分钱时代”，或许真的离我们不远了。
05 生态的“远征”：开源的火种，与AI人才的“实验田”
如果说技术创新是“点”的突破，那么生态建设就是“面”的展开。《高校有为》的视野并未局限于一次具体的项目合作，而是探讨了更宏大的命题：我们该如何构建一个属于自己的、繁荣的AI生态?
开源，是这场对话中反复出现的核心关键词。
袁粒在谈到为什么发起Open-Sora Plan时，表达了一个坚定的信念：AI的快速发展，核心就在于开源。他甚至认为，正是开源的力量，在“倒逼”那些选择闭源的巨头，不得不加快开放的步伐，从而促进了整个行业的繁荣。
但当GPU受限，我们如何突围?答案是，建立一个强大的、开放的、让所有人都能参与共建的“世界第二选择”生态。
华为的战略选择与此不谋而合。王建辉明确表示，华为坚持“硬件开放、软件开源、使能伙伴、发展人才”，将CANN(异构计算架构)、Mind系列使能套件及工具链等核心软件栈全面开源，甚至会将openPangu在昇腾上完整的训练、推理过程和经验全部开放给社区。
这是一种格局，更是一种智慧。硬件是躯干，而生态是血脉。只有当成千上万的开发者、高校、企业，都愿意基于这个平台进行创造和试错，这个平台才能在无数次的“过程创新”中，变得真正强大和富有韧性。
生态建设的另一个核心，是AI人才。
我们正处在一个AI人才井喷的时代，DeepSeek等顶尖模型团队中，涌现出大量来自中国高校的青年才俊。这背后，是中国扎实的数理基础教育，更是产学研深度融合的人才培养模式。
袁粒强调，大模型训练，本质上是一门“实验科学”。学生如果只停留在课本理论，没有亲手接触和调试过大规模集群，没有在海量的算力消耗中积累“know-how”(实践诀窍)，就无法成长为真正的顶尖人才。
这也是华为与北大、清华等16所顶尖高校共建“鲲鹏昇腾科教创新卓越中心/孵化中心”的价值所在——正构建产学研协同新范式。卓越中心和孵化中心通过与高校的紧密合作，为多个跨学科研究提供强有力的技术支撑，将产业界最真实的难题、最前沿的工具、最宝贵的实践经验，带入课堂和实验室，为AI人才的成长，提供了一片最肥沃的“实验田”。
从开源的火种，到人才的沃土，一场围绕国产AI生态的“远征”，已经启航。
06 智能的温度——为什么AI写不出《三体》?
在长达两小时，信息量爆炸的“茶话会”临近结束时，对话的走向，却从硬核的技术，转向了一个柔软的哲学问题：AI会取代人类的创造力吗?
袁粒的回答，为这场“思想风暴”画上了一个充满人文关怀的句号。
他说：“AI，本质上仍是一个工具。人类的真正价值，在于体验。”
他举了刘慈欣创作《三体》的例子。刘慈欣之所以能写出那样宏大而深刻的作品，不仅仅因为他的知识储备，更因为他曾作为一个工程师，在水电站工作了几十年，亲身经历过那个特殊的年代。作品中蕴含的，是他作为“碳基生物”，用肉体感受过的痛苦、快乐、希望与绝望。
而AI，作为“硅基生命”，它可以学习人类所有的知识，拥有海量的“经验”，但它没有“体验”。它无法理解一个物理的身体在真实世界中的交互，无法感受时间的流逝和生命的脆弱。
“它没有亲身的经历，这种肉体上的体验，是碳基生物独有的。”
技术的发展永无止境，但我们不应忘记，驱动这一切的，始终是人类对世界的好奇、对美的追求、以及对生命本身的深刻体验。这或许是智能时代，值得我们记录和传递的“温度”，是我们面对AI浪潮时，最应该坚守的“锚点”。
本期《高校有为》的思辨之旅暂告一段落，但关于AI未来的探索永不止步。如果屏幕前的你对这场对话意犹未尽，渴望见证更多像Open-Sora Plan与昇腾结合这样的前沿成果落地，那么，我们有一个新的约定。
9月20日，华为全联接大会开发者日将汇聚更多高校科研与开发者生态实践。届时，我们再一同深入探讨，见证实干的力量。感谢大家对《高校有为》的关注，我们下期再见!
