清华孙茂松：对工业界而言，大厂可以Scaling，其他玩家重在垂直应用 | MEET2026

编辑部 整理自 MEET2026
量子位 | 公众号 QbitAI

涌现是AI领域的「境界」，自Scaling Law带来能力飞跃后，模型厂商陷入无止境的竞争。清华大学孙茂松教授在MEET2026智能未来大会上指出，大模型的魅力在于非线性变化与不确定性，一旦性能涌现，将远超想象。

然而，Scaling的边际成本越来越高，若最终证明是条死胡同，投入可能打水漂。对此，孙茂松建议企业「致广大而尽精微」：少数实力雄厚的大厂可继续追随国际前沿探索Scaling极限；但绝大多数AI公司应聚焦垂直领域，深耕具体应用场景。

核心观点包括：
1. 模型规模和数据增大可能带来能力涌现，预计未来几年机器将攻克人类最难考试。
2. 大模型与具身智能的核心挑战是理顺「言、知、行」关系，实现「知行合一」。
3. Scaling Laws的前景不确定，需少量顶级团队探索其极限，同时关注新涌现现象打破饱和的可能性。
4. 人形机器人短期内难以胜任复杂任务，但特定场景的AI应用落地完全可行且值得大力推动。

过去八年，AI从预训练模型到大模型突飞猛进，涌现出解决复杂任务的能力。语言模型已接近通过图灵测试，但在现实世界中，仅靠「言」不足以支撑「行」。控制论之父维纳曾提出，机器需感知世界并不断调整学习才能形成真正智能。如今，这一理论正逐步成为可能。

然而，AI发展依赖昂贵的Scaling投入，华尔街对此直冒冷汗。OpenAI计划到2033年将计算能力提升125倍至250GW，投资或达10万亿美元。如此高昂的成本让跟随者面临巨大风险。此外，Next Token Prediction策略虽适用于文本生成，但在图像、视频及具身智能领域效果有限。未来五年内，人形机器人难以完成开放环境中的复杂任务。

孙茂松总结道，国内应采取「致广大而尽精微」的发展路径：少数大厂可尝试追赶国际前沿，但绝大多数企业应专注垂直领域应用。中国丰富的应用场景、扎实的工业基础以及人才优势，为「尽精微」提供了广阔空间。先做好垂直领域，再回过头探索「致广大」，是一条务实之路。

以上内容整理自孙茂松在MEET2026大会上的演讲。