姚期智最新演講： AI有邊界，恰恰是好事。

大數據文摘出品

2026年，AI似乎已經無所不能：下圍棋、預測蛋白質結構、寫代碼、做科研，甚至開始“自己做數學”。

但一個更根本的問題，很少有人正面回答：AI的能力，到底有沒有理論邊界？而在邊界之外，AI的“下一層級”又是什么？

2026年7月，在2026世界人工智能大會（WAIC）上，圖靈獎得主、中國科學院院士、清華大學交叉信息研究院院長、人工智能學院院長、上海期智研究院院長姚期智，帶來了題為《人工智能的威力與局限：從理論計算機科學的視角》的主旨演講。

他根據理論計算機科學的本源，給出了三個判斷：AI的本質是“圖靈機+數據”，因此有些問題它注定無法解決；AI的局限不是壞消息，恰恰是AI安全的理論基石；AI的下一層級，不在于“AI for Science”，而在于“Science for AI”，量子AI正在浮現。

以下為姚期智演講內容，經編輯整理，有刪改。

1. AI的本質：機器學習給算法裝上了“數據”這件武器

我們先來反思一下AI的本質。AI依賴一個非常強大的工具：機器學習。機器學習這個算法范式存在了很多年，但長期被主流計算機科學界忽視，而它解決問題的質量在不斷提升。

基本的機器學習框架是這樣的：給定一個任務，再給定一個算法模板，它依賴一個參數θ。也就是說，這是一整類算法，我們事先并不知道該用哪一個。這里有兩個核心問題：第一是“表示問題”，在這個模板里，是否確實存在一個好的算法，即是否存在一組參數能完成任務？第二是“學習問題”，如果存在，這組參數能否在合理的時間和空間內，從數據中學出來？

這和圖靈當年確立的經典計算機科學范式很不一樣。在經典計算機科學里，這兩個問題被合二為一，靠研究者的數學分析來解決，不需要借助任何外部數據。而機器學習的“大殺器”，就是把“從數據中學習”加入了算法的武器庫。正因如此，我們才能看到今天這些令人震撼的成果：AI能下出冠軍水平的圍棋，能預測蛋白質折疊，人們對此甚至已經習以為常。

2. AI的邊界：有些問題，它注定解決不了

如今很多人擔心AI的能力，擔心安全、擔心失控。那么，AI的威力有沒有極限？這個問題不僅有智識上的趣味，更有現實價值：如果我們知道AI的局限在哪里，就可以利用這些局限，去設計更安全的AI系統。

如果你是計算機科學家，你可能立刻能給出答案，甚至給出證明：著名的停機問題，AI依然無法解決。原因很簡單，AI說到底是一臺圖靈機，只是增強了一份數據。即便加上數據，它仍然是一臺圖靈機，因此停機問題依舊在它的能力之外。

但更有意思的問題是：有哪些實際問題，是AI解決不了的？AI能下圍棋、能預測蛋白質結構，這些聽起來都像“不可能的任務”，以至于人們會覺得，凡是現實中有需求的事，AI遲早都能做到。事實并非如此，我給大家舉兩個例子。

3. 兩個“攻不破”的堡壘：密碼學與量子通信

第一個例子關乎數據安全。我們知道，最新最強的AI模型已經可以被用來發動網絡攻擊。人們自然會擔心：這樣的AI是不是能破解一切密碼？那將是一場災難，因為我們的銀行賬戶、個人隱私，都依賴密碼系統的保護。

但答案是：存在對所有攻擊者都安全的加密方法，無論攻擊者用的是經典算法還是AI系統。我們來看一個具體的攻擊模型，叫“選擇明文攻擊”（CPA）。假設我有一個加密盒，朋友用它把明文加密成密文，在公開網絡上傳輸給我，全世界只有我有解密盒能還原內容?，F在假設有個壞人拿到了加密盒，他可以任意加密自己挑選的內容，比如“今天天氣很好”“我有一只貓”，做上一萬次，攢下大量明文與密文的配對。問題是：他有沒有可能借此反推出我的解密鑰？

這個模型并不抽象，它刻畫的正是廣泛使用的公鑰密碼系統：加密鑰可以掛在網站上任人取用，解密鑰只有持有者掌握。所謂CPA安全，是公鑰基礎設施的命脈。而像ElGamal這樣的密碼體制，在一些公認的數學假設下，可以被證明能夠抵御選擇明文攻擊。密碼學是理論計算機科學中一個極其深厚、豐富的領域。

理論計算機科學從上世紀60年代白手起家，此后幾十年有機生長。這個領域最美妙的地方在于，新想法層出不窮，而且常常來自外部：數學家、生物學家、電子工程師不斷把新鮮思想帶進來，幾乎每十年都有激動人心的深刻理論誕生。它與物理、生物、經濟學交叉，不斷創造新的交叉學科。

第二個例子，同樣關乎安全通信，叫量子密鑰分發（QKD）。它能讓兩個素不相識的人，僅僅通過公開信道對話，最終協商出一個只有兩人知道的隨機密鑰，竊聽者即便聽完全部對話，也無從得知。這聽起來像奇跡，但確實有辦法實現，而且這條路超出了計算機科學本身：它借助物理定律來探測竊聽。黑客一旦試圖測量雙方的通信，就會被通信雙方察覺，這一段隨即被丟棄。正因為如此，秘密通信成為可能。

這個方法由Charles Bennett和Gilles Brassard在1984年提出，距今已40多年。就在今年3月，ACM將2025年圖靈獎授予二人，表彰他們奠定了量子信息科學的基礎。這是圖靈獎歷史上首次頒給量子信息研究。

量子密鑰分發用到了量子技術，而中國或許是這項技術的領先者：2016年，也就是整整十年前，中國發射了世界首顆量子科學實驗衛星“墨子號”，借此實現跨越上千公里的量子密鑰分發；中國還建成了覆蓋全國、連接海外的遠距離量子密鑰分發網絡，總長超過一萬公里，服務于電子政務、跨境金融、電網等領域。

這是AI無能為力的事：任何只使用計算機的手段，都無法攻破它。而且更美妙的是，它最初只是為了防黑客，但因為基于物理定律，原則上宇宙中沒有任何力量能夠破解它，除非有人推翻量子力學。

4. 最令人興奮的方向：AI for Science，機器開始“做理論”

那么，未來AI研究最重要的方向是什么？這個問題有很多答法，造出無比聰明的機器人、訓練更大的模型，都大有可為。但如果從理論視角看，我認為“AI for Science”是未來三到五年最有趣、也最好的方向。舉兩個例子。

第一個例子在天文學。幾個月前，《科學》（Science）雜志發表了一篇論文，由清華大學自動化系戴瓊海院士團隊與天文系蔡崢副教授團隊合作完成，幾位共同第一作者都是很年輕的研究者。天文學界一直想搞清楚從大爆炸至今的宇宙歷史：星系如何演化？關鍵是觀測早期宇宙的星系。

它們極其遙遠，信號極其微弱，人們耗費巨大心力從望遠鏡數據中解碼、重建早期宇宙。而這個團隊設計了一個名為“星衍”（ASTERIS）的AI模型，本質上是一個AI增強的處理器，專門從數據中重建那些暗淡的星系。注意，它不需要采集新數據，只是把韋布望遠鏡的舊數據分析得比過去所有人做得更好，探測深度提升了1個星等，一口氣新發現160多個宇宙大爆炸后2億至5億年的早期候選星系，數量是此前國際同類發現總和的三倍。對比一下：哈勃望遠鏡能看到一些星系，JWST（韋布望遠鏡）能看到更多，而裝上AI探測器的JWST，又識別出了一大批新的星系，圖里那些橙色的點，都是新發現的星系。

AI在實驗科學中的應用已經很廣泛，你可以把蛋白質結構預測也看作“從數據中做實驗”。但接下來這件事，是真的讓我吃了一驚。我以前從不擔心AI取代研究者，我以為它只是個幫我們分析數據、提取信息的工具。但最近，我真的開始擔心自己的飯碗了（笑）。當然，擔心了一陣之后，我反而感到高興：AI已經開始做出理論上的突破，這在以前是不可想象的。

第二個例子，宇宙學里的“宇宙弦”問題：有一種理論認為，早期宇宙遺留的弦至今仍在產生引力輻射，而一個懸而未決的問題是測定輻射的功率譜。就在今年3月，谷歌研究院借助Gemini Deep Think，解決了宇宙弦引力輻射功率譜中的關鍵積分問題，給出了精確的解析公式，一個40年的老問題就此終結。這已經不是“算數學”，而是真正在“做數學”。

還有一個真正的數學問題，單位距離問題：平面上n個點中，距離恰好為1的點對，最多能有多少？ Erd?s（埃爾德什）曾猜想，這個數目基本不會超過線性太多。這是一個開放了80年的問題，今年5月被OpenAI的一個推理模型證偽了，而證明用到了非常深刻的代數數論。這是真正的自主性：你把問題交給它，然后坐下來等兩天，看機器給出了什么結果。

5. 下一層級：當AI遇見量子

我答應過大家，要談談AI的“下一層級”：不是AI現在能做什么，而是在根本意義上，人類知識庫里是否存在比現有方法（包括AI）更強大的獲取信息、創造知識的途徑？為此我們必須談物理，談AI與量子的故事。

AI和量子，是當今世界最耀眼的兩項技術，幾乎每份科技報告都會把它們并列。AI是當下最大的熱點，已經成熟到不斷展示各種“不可能”；量子科學則起步很早，差不多100年前就有了，但人類直到四五十年前才知道如何駕馭它，此后40年，科學家一直在努力把這些知識用于計算。我想講講這兩項技術如何相互成就。

先說一個已知的事實：AI可以助推量子計算。1981年，物理學家費曼提出了量子計算機的構想，用量子比特代替經典的0、1比特做運算。這篇文章點燃了物理學界，后來也點燃了計算機科學界：打破圖靈機壟斷的想法，無論從智識上還是前景上，都讓人無法抗拒。

上世紀90年代，計算機科學家彼得·肖爾（Peter Shor）證明：量子計算機能解決一些真正困難的問題。比如大整數分解，數學家一直認為它超出經典計算機的能力，但肖爾證明，只要造出費曼設想的那種量子計算機，就能破解許許多多密碼系統。這篇論文極其重要，它真正喚起了科學界和資助機構對量子計算機的熱情。

幾年后，肖爾做了一件我認為更了不起的事。起初物理學家很悲觀：量子比特太脆弱、太容易被干擾，噪聲問題似乎無解。肖爾打消了他們的疑慮，他證明，只要能把基本量子邏輯門的錯誤率壓到某個閾值（比如1%）以下，理論上就可以把量子計算機擴展到任意規模，依然可靠。這與當年馮·諾依曼解決“如何用不可靠元件造出可靠經典計算機”的方案，完全平行。這意味著，物理學家在原則上再沒有理由反對：量子計算機造得出來，也用得起來。

量子糾錯因此成為40年來的核心挑戰，直到最近，AI出手相救。一年半前，谷歌在《自然》（Nature）發表論文，介紹了名為Willow的量子芯片：用大約100個量子比特，造出一個理論上可以“永遠存活”的穩定比特，把錯誤率壓到了1%的閾值以下。這是歷史上第一次，對造量子計算機的科學家來說，是無比振奮的消息。

神經網絡在其中扮演了什么角色？核心技術之一，是為量子糾錯設計一個解碼器。這個解碼器無法靠純粹的思考寫出來，但它可以被學出來：用神經網絡在大量樣本上訓練，最終得到這個極其珍貴的解碼器。眼下，全球科學家正在這條路上競速，包括一些中國團隊，做得非?？壳啊?/p>

那么反過來看：量子能不能增強AI？我們的回答是：把機器學習框架里的圖靈機換成量子機器，作為學習的基本架構，甚至直接從量子數據中學習，在這個更一般的模型下，有沒有可能做到連AI都做不到的事？這個方向人們十年前就開始探索，而最近幾年，我們真的看到了曙光。你可以叫它“量子AI”（Quantum AI），它正在浮現。我個人相信，未來五到十年，我們會看到巨大的進展。等AI的新鮮感過去、不再上頭版頭條的時候，量子AI恰好接棒登場，讓科學這場馬拉松，繼續燃燒下去。

6. 尾聲：理解邊界，才能談AI安全

姚期智：最后總結一下。AI已經在無數領域展示了巨大的威力，但AI的算法，始終運行在物理定律和理論數學定律劃定的邊界之內。這個認識，為一項重要任務提供了基礎：讓AI系統安全可控。本屆WAIC關注的，正是AI的威力與AI的安全。密碼技術由科學家精心設計，專門抵御經典計算機的攻擊；同樣，只要有堅實的數學基礎，我們也可以造出能抵御AI攻擊的系統。

理解這條邊界，對AI安全領域的工作至關重要。而前方還有太多激動人心的探索：AI for Science，比如量子AI；可靠的大型AI系統，這需要“面向AI的數學”（Mathematics for AI）；AI安全；還有“AI for AI”，用AI去改進AI。這一切，將讓我們對“智能”的本質，產生更深刻的理解。

（本文根據姚期智在2026世界人工智能大會上的演講錄音整理，未經姚期智先生審閱。本文借助Kimi協助完成。）

點「贊」的人都變好看了哦！