图灵奖得主姚期智最新演讲： AI有边界，恰恰是好事

来源：市场资讯

（来源：图灵人工智能）

单击上方“图灵人工智能”，选择“星标”公众号

您想知道的人工智能干货，第一时间送达

转自大数据文摘，仅用于学术分享，如有侵权留言删除

2026年，AI似乎已经无所不能：下围棋、预测蛋白质结构、写代码、做科研，甚至开始“自己做数学”。

但一个更根本的问题，很少有人正面回答：AI的能力，到底有没有理论边界？而在边界之外，AI的“下一层级”又是什么？

2026年7月，在2026世界人工智能大会（WAIC）上，图灵奖得主、中国科学院院士、清华大学交叉信息研究院院长、人工智能学院院长、上海期智研究院院长姚期智，带来了题为《人工智能的威力与局限：从理论计算机科学的视角》的主旨演讲。

他根据理论计算机科学的本源，给出了三个判断：AI的本质是“图灵机+数据”，因此有些问题它注定无法解决；AI的局限不是坏消息，恰恰是AI安全的理论基石；AI的下一层级，不在于“AI for Science”，而在于“Science for AI”，量子AI正在浮现。

以下为姚期智演讲内容，经编辑整理，有删改。

1. AI的本质：机器学习给算法装上了“数据”这件武器

我们先来反思一下AI的本质。AI依赖一个非常强大的工具：机器学习。机器学习这个算法范式存在了很多年，但长期被主流计算机科学界忽视，而它解决问题的质量在不断提升。

基本的机器学习框架是这样的：给定一个任务，再给定一个算法模板，它依赖一个参数θ。也就是说，这是一整类算法，我们事先并不知道该用哪一个。这里有两个核心问题：第一是“表示问题”，在这个模板里，是否确实存在一个好的算法，即是否存在一组参数能完成任务？第二是“学习问题”，如果存在，这组参数能否在合理的时间和空间内，从数据中学出来？

这和图灵当年确立的经典计算机科学范式很不一样。在经典计算机科学里，这两个问题被合二为一，靠研究者的数学分析来解决，不需要借助任何外部数据。而机器学习的“大杀器”，就是把“从数据中学习”加入了算法的武器库。正因如此，我们才能看到今天这些令人震撼的成果：AI能下出冠军水平的围棋，能预测蛋白质折叠，人们对此甚至已经习以为常。

2. AI的边界：有些问题，它注定解决不了

如今很多人担心AI的能力，担心安全、担心失控。那么，AI的威力有没有极限？这个问题不仅有智识上的趣味，更有现实价值：如果我们知道AI的局限在哪里，就可以利用这些局限，去设计更安全的AI系统。

如果你是计算机科学家，你可能立刻能给出答案，甚至给出证明：著名的停机问题，AI依然无法解决。原因很简单，AI说到底是一台图灵机，只是增强了一份数据。即便加上数据，它仍然是一台图灵机，因此停机问题依旧在它的能力之外。

但更有意思的问题是：有哪些实际问题，是AI解决不了的？AI能下围棋、能预测蛋白质结构，这些听起来都像“不可能的任务”，以至于人们会觉得，凡是现实中有需求的事，AI迟早都能做到。事实并非如此，我给大家举两个例子。

3. 两个“攻不破”的堡垒：密码学与量子通信

第一个例子关乎数据安全。我们知道，最新最强的AI模型已经可以被用来发动网络攻击。人们自然会担心：这样的AI是不是能破解一切密码？那将是一场灾难，因为我们的银行账户、个人隐私，都依赖密码系统的保护。

但答案是：存在对所有攻击者都安全的加密方法，无论攻击者用的是经典算法还是AI系统。我们来看一个具体的攻击模型，叫“选择明文攻击”（CPA）。假设我有一个加密盒，朋友用它把明文加密成密文，在公开网络上传输给我，全世界只有我有解密盒能还原内容。现在假设有个坏人拿到了加密盒，他可以任意加密自己挑选的内容，比如“今天天气很好”“我有一只猫”，做上一万次，攒下大量明文与密文的配对。问题是：他有没有可能借此反推出我的解密钥？

这个模型并不抽象，它刻画的正是广泛使用的公钥密码系统：加密钥可以挂在网站上任人取用，解密钥只有持有者掌握。所谓CPA安全，是公钥基础设施的命脉。而像ElGamal这样的密码体制，在一些公认的数学假设下，可以被证明能够抵御选择明文攻击。密码学是理论计算机科学中一个极其深厚、丰富的领域。

理论计算机科学从上世纪60年代白手起家，此后几十年有机生长。这个领域最美妙的地方在于，新想法层出不穷，而且常常来自外部：数学家、生物学家、电子工程师不断把新鲜思想带进来，几乎每十年都有激动人心的深刻理论诞生。它与物理、生物、经济学交叉，不断创造新的交叉学科。

第二个例子，同样关乎安全通信，叫量子密钥分发（QKD）。它能让两个素不相识的人，仅仅通过公开信道对话，最终协商出一个只有两人知道的随机密钥，窃听者即便听完全部对话，也无从得知。这听起来像奇迹，但确实有办法实现，而且这条路超出了计算机科学本身：它借助物理定律来探测窃听。黑客一旦试图测量双方的通信，就会被通信双方察觉，这一段随即被丢弃。正因为如此，秘密通信成为可能。

这个方法由Charles Bennett和Gilles Brassard在1984年提出，距今已40多年。就在今年3月，ACM将2025年图灵奖授予二人，表彰他们奠定了量子信息科学的基础。这是图灵奖历史上首次颁给量子信息研究。

量子密钥分发用到了量子技术，而中国或许是这项技术的领先者：2016年，也就是整整十年前，中国发射了世界首颗量子科学实验卫星“墨子号”，借此实现跨越上千公里的量子密钥分发；中国还建成了覆盖全国、连接海外的远距离量子密钥分发网络，总长超过一万公里，服务于电子政务、跨境金融、电网等领域。

这是AI无能为力的事：任何只使用计算机的手段，都无法攻破它。而且更美妙的是，它最初只是为了防黑客，但因为基于物理定律，原则上宇宙中没有任何力量能够破解它，除非有人推翻量子力学。

4. 最令人兴奋的方向：AI for Science，机器开始“做理论”

那么，未来AI研究最重要的方向是什么？这个问题有很多答法，造出无比聪明的机器人、训练更大的模型，都大有可为。但如果从理论视角看，我认为“AI for Science”是未来三到五年最有趣、也最好的方向。举两个例子。

第一个例子在天文学。几个月前，《科学》（Science）杂志发表了一篇论文，由清华大学自动化系戴琼海院士团队与天文系蔡峥副教授团队合作完成，几位共同第一作者都是很年轻的研究者。天文学界一直想搞清楚从大爆炸至今的宇宙历史：星系如何演化？关键是观测早期宇宙的星系。

它们极其遥远，信号极其微弱，人们耗费巨大心力从望远镜数据中解码、重建早期宇宙。而这个团队设计了一个名为“星衍”（ASTERIS）的AI模型，本质上是一个AI增强的处理器，专门从数据中重建那些暗淡的星系。注意，它不需要采集新数据，只是把韦布望远镜的旧数据分析得比过去所有人做得更好，探测深度提升了1个星等，一口气新发现160多个宇宙大爆炸后2亿至5亿年的早期候选星系，数量是此前国际同类发现总和的三倍。对比一下：哈勃望远镜能看到一些星系，JWST（韦布望远镜）能看到更多，而装上AI探测器的JWST，又识别出了一大批新的星系，图里那些橙色的点，都是新发现的星系。

AI在实验科学中的应用已经很广泛，你可以把蛋白质结构预测也看作“从数据中做实验”。但接下来这件事，是真的让我吃了一惊。我以前从不担心AI取代研究者，我以为它只是个帮我们分析数据、提取信息的工具。但最近，我真的开始担心自己的饭碗了（笑）。当然，担心了一阵之后，我反而感到高兴：AI已经开始做出理论上的突破，这在以前是不可想象的。

第二个例子，宇宙学里的“宇宙弦”问题：有一种理论认为，早期宇宙遗留的弦至今仍在产生引力辐射，而一个悬而未决的问题是测定辐射的功率谱。就在今年3月，谷歌研究院借助Gemini Deep Think，解决了宇宙弦引力辐射功率谱中的关键积分问题，给出了精确的解析公式，一个40年的老问题就此终结。这已经不是“算数学”，而是真正在“做数学”。

还有一个真正的数学问题，单位距离问题：平面上n个点中，距离恰好为1的点对，最多能有多少？ Erdős（埃尔德什）曾猜想，这个数目基本不会超过线性太多。这是一个开放了80年的问题，今年5月被OpenAI的一个推理模型证伪了，而证明用到了非常深刻的代数数论。这是真正的自主性：你把问题交给它，然后坐下来等两天，看机器给出了什么结果。

5. 下一层级：当AI遇见量子

我答应过大家，要谈谈AI的“下一层级”：不是AI现在能做什么，而是在根本意义上，人类知识库里是否存在比现有方法（包括AI）更强大的获取信息、创造知识的途径？为此我们必须谈物理，谈AI与量子的故事。

AI和量子，是当今世界最耀眼的两项技术，几乎每份科技报告都会把它们并列。AI是当下最大的热点，已经成熟到不断展示各种“不可能”；量子科学则起步很早，差不多100年前就有了，但人类直到四五十年前才知道如何驾驭它，此后40年，科学家一直在努力把这些知识用于计算。我想讲讲这两项技术如何相互成就。

先说一个已知的事实：AI可以助推量子计算。1981年，物理学家费曼提出了量子计算机的构想，用量子比特代替经典的0、1比特做运算。这篇文章点燃了物理学界，后来也点燃了计算机科学界：打破图灵机垄断的想法，无论从智识上还是前景上，都让人无法抗拒。

上世纪90年代，计算机科学家彼得·肖尔（Peter Shor）证明：量子计算机能解决一些真正困难的问题。比如大整数分解，数学家一直认为它超出经典计算机的能力，但肖尔证明，只要造出费曼设想的那种量子计算机，就能破解许许多多密码系统。这篇论文极其重要，它真正唤起了科学界和资助机构对量子计算机的热情。

几年后，肖尔做了一件我认为更了不起的事。起初物理学家很悲观：量子比特太脆弱、太容易被干扰，噪声问题似乎无解。肖尔打消了他们的疑虑，他证明，只要能把基本量子逻辑门的错误率压到某个阈值（比如1%）以下，理论上就可以把量子计算机扩展到任意规模，依然可靠。这与当年冯·诺依曼解决“如何用不可靠元件造出可靠经典计算机”的方案，完全平行。这意味着，物理学家在原则上再没有理由反对：量子计算机造得出来，也用得起来。

量子纠错因此成为40年来的核心挑战，直到最近，AI出手相救。一年半前，谷歌在《自然》（Nature）发表论文，介绍了名为Willow的量子芯片：用大约100个量子比特，造出一个理论上可以“永远存活”的稳定比特，把错误率压到了1%的阈值以下。这是历史上第一次，对造量子计算机的科学家来说，是无比振奋的消息。

神经网络在其中扮演了什么角色？核心技术之一，是为量子纠错设计一个解码器。这个解码器无法靠纯粹的思考写出来，但它可以被学出来：用神经网络在大量样本上训练，最终得到这个极其珍贵的解码器。眼下，全球科学家正在这条路上竞速，包括一些中国团队，做得非常靠前。

那么反过来看：量子能不能增强AI？我们的回答是：把机器学习框架里的图灵机换成量子机器，作为学习的基本架构，甚至直接从量子数据中学习，在这个更一般的模型下，有没有可能做到连AI都做不到的事？这个方向人们十年前就开始探索，而最近几年，我们真的看到了曙光。你可以叫它“量子AI”（Quantum AI），它正在浮现。我个人相信，未来五到十年，我们会看到巨大的进展。等AI的新鲜感过去、不再上头版头条的时候，量子AI恰好接棒登场，让科学这场马拉松，继续燃烧下去。

6. 尾声：理解边界，才能谈AI安全

姚期智：最后总结一下。AI已经在无数领域展示了巨大的威力，但AI的算法，始终运行在物理定律和理论数学定律划定的边界之内。这个认识，为一项重要任务提供了基础：让AI系统安全可控。本届WAIC关注的，正是AI的威力与AI的安全。密码技术由科学家精心设计，专门抵御经典计算机的攻击；同样，只要有坚实的数学基础，我们也可以造出能抵御AI攻击的系统。

理解这条边界，对AI安全领域的工作至关重要。而前方还有太多激动人心的探索：AI for Science，比如量子AI；可靠的大型AI系统，这需要“面向AI的数学”（Mathematics for AI）；AI安全；还有“AI for AI”，用AI去改进AI。这一切，将让我们对“智能”的本质，产生更深刻的理解。

（本文根据姚期智在2026世界人工智能大会上的演讲录音整理，未经姚期智先生审阅。本文借助Kimi协助完成。）