☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
2026年，AI仿佛已突破所有藩篱：对弈围棋、解析蛋白质构型、编写程序、推动科研进展，甚至开始尝试“自主开展数学研究”。
然而一个更本质的疑问，却鲜有人直面回应：AI的能力，是否存在不可逾越的理论天花板？而一旦触及这个边界，人类智能探索的“下一阶段”又将通向何方？
2026年7月，在2026世界人工智能大会（WAIC）现场，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、清华大学人工智能学院院长、上海期智研究院院长姚期智，发表了题为《人工智能的威力与局限：从理论计算机科学的视角》的主旨报告。
他立足理论计算机科学的根基，提出三项核心观点：AI的本质是“图灵机+数据”，因此天然存在其无法攻克的问题域；AI的局限性并非缺陷，反而是构建可信AI系统的理论支点；AI的跃迁方向，并非止步于“AI赋能科学”，而应转向“以科学反哺AI”——量子AI正悄然浮现。
以下内容根据姚期智院士演讲实录整理编辑，部分内容有所删减与凝练。
1. AI的本质：机器学习为算法注入“数据”这一新变量
我们不妨回溯AI的底层逻辑。当前AI的强大，根植于一项关键范式——机器学习。该范式早已存在多年，却长期被主流计算机科学界边缘化；而其解决问题的能力，却在持续进化。
典型的机器学习框架如下：给定一项任务，再提供一个参数化算法模板，其中参数记为θ。这意味着我们面对的是一族算法，而非唯一解法。由此引出两个根本性问题：其一是“表示能力问题”——该模板中是否确实存在一组参数，足以胜任该任务？其二是“可学习性问题”——若存在这样的参数组合，能否在有限时间与空间资源内，仅凭数据将其高效习得？
这与图灵所奠定的经典计算范式截然不同。在传统理论中，这两个问题被统一归于人类理性推演：靠数学证明完成构造与验证，无需任何外部数据参与。而机器学习的革命性突破，正在于将“从经验中归纳”正式纳入算法设计的核心环节。正因如此，我们才得以见证今日震撼世界的成果：AI不仅能在围棋中击败顶尖人类选手，还能精准预测蛋白质三维结构，甚至让公众对此类成就习以为常。
2. AI的边界：某些问题，注定在其能力疆域之外
当下，关于AI能力膨胀的忧虑不绝于耳——安全风险、失控可能、伦理挑战……那么，AI的能力建构是否存在内在极限？这一问题不仅具有深刻的学术价值，更关乎现实工程：唯有清晰认知AI的“不可为”，才能据此构筑真正稳健、可控的系统防线。
如果你熟悉计算理论，答案几乎呼之欲出，且具备严格证明：著名的停机问题，AI依然束手无策。原因极为朴素——AI本质上仍是一台图灵机，只不过额外配备了海量数据作为输入。即便引入数据，它仍未脱离图灵机范畴，因此经典不可判定问题依然坚不可摧。
但更具现实意义的问题在于：有哪些真实世界中的具体任务，是AI永远无法解决的？当AI可以下棋、预测蛋白折叠时，人们容易产生一种错觉：只要人类有需求，AI终将实现。事实远非如此。我在此列举两个典型例证。
3. 两座“不可攻陷”的堡垒：密码学与量子通信
第一道防线，守护数字世界的数据命脉。
如今最前沿的AI模型已被用于发起高级网络攻击。随之而来的是普遍担忧：如此强大的AI，是否终将瓦解一切加密体系？倘若成真，银行账户、个人身份、政务系统都将暴露于危险之中。
但答案是否定的：存在一类加密机制，其安全性对所有攻击者——无论使用经典算法还是AI系统——均绝对成立。我们以“选择明文攻击”（CPA）为例说明。设想你拥有一个加密黑盒，朋友用它将明文加密为密文并通过公开信道发送给你；只有你掌握对应的解密黑盒。此时若一名攻击者窃取了加密黑盒，便可任意输入自己选定的明文（如“会议时间已确认”“我的生日是1990年”），反复执行上万次，积累大量明密文对。问题来了：他能否借此逆向推导出你的私钥？
这一模型绝非纸上谈兵，它正是现代公钥密码体系的真实写照：公钥可自由发布，私钥则严格保密。CPA安全性，构成了全球公钥基础设施（PKI）的基石。像ElGamal这类密码体制，在若干公认的数学假设前提下，已被严格证明可抵御此类攻击。密码学，正是理论计算机科学中积淀最深厚、成果最丰硕的分支之一。
理论计算机科学自上世纪60年代起步，历经数十年有机演进。其魅力在于思想源泉的多元性——数学家、生物学家、电子工程师不断为其注入全新视角，几乎每十年便催生一次深刻理论突破。它与物理学、生物学、经济学深度交融，持续孵化出新兴交叉学科。
第二道防线，依托物理法则构建通信免疫屏障：量子密钥分发（QKD）。
它允许两个素昧平生的通信方，仅通过完全公开的信道交换信息，最终生成一段仅双方知晓的随机密钥；即便窃听者全程监听全部对话，也无法获知该密钥。这看似违背直觉，却确有实现路径——其根基不在算法，而在量子力学基本原理：任何窃听行为本身就会扰动量子态，从而被通信双方即时察觉并舍弃该段密钥。
该方案由Charles Bennett与Gilles Brassard于1984年提出，至今已逾四十年。就在今年3月，ACM将2025年度图灵奖授予二人，以表彰其开创性地奠定了量子信息科学的理论基础。这也是图灵奖历史上首次颁予量子信息领域研究者。
QKD依赖量子技术，而中国在此赛道处于全球领先地位：2016年，即十年前，我国成功发射世界首颗量子科学实验卫星“墨子号”，首次实现跨越千公里级的星地量子密钥分发；此后建成覆盖全国、延伸海外的广域量子保密通信网络，总里程超一万公里，已在电子政务、跨境金融、智能电网等关键领域投入实际应用。
这是纯粹依靠计算手段永远无法破解的领域。更令人振奋的是，它的安全性并非源于当前算力不足，而是根植于自然界的基本规律——除非有人彻底颠覆量子力学，否则宇宙中没有任何力量能够突破它。
用于在用户想通过浏览器自动化与 Google Gemini 或 ChatGPT 交互时。触发短语包括“ask Gemini”“ask ChatGPT”“ask GPT”“让...”。
4. 最富张力的方向：AI for Science，机器正迈向“理论创造”
那么，未来AI研究最具潜力的突破口在哪里？答案多种多样：打造更拟人的机器人、训练参数规模更大的模型……但从理论高度审视，“AI for Science”无疑是未来三至五年最具吸引力、也最富价值的方向。这里有两个鲜活案例。
首个案例来自天文学前沿。
数月前，《科学》（Science）期刊刊发一篇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联合完成的研究。几位共同第一作者均为青年学者。天文学界长期致力于描绘宇宙演化图谱：从大爆炸至今，星系如何形成与成长？关键在于观测早期宇宙的微弱信号。
这些星系距离极远、亮度极低，科学家耗费巨大精力从望远镜原始数据中提取、重建其图像。该团队开发了一款名为“星衍”（ASTERIS）的AI模型，本质上是一个专为天文数据重构优化的AI处理器。值得注意的是，它并未采集新观测数据，而是将詹姆斯·韦布太空望远镜（JWST）已有存档数据挖掘到了前所未有的深度——探测灵敏度提升整整1个星等，一次性发现160余个诞生于宇宙大爆炸后2亿至5亿年的早期候选星系，数量达此前国际同类发现总和的三倍。横向对比可见：哈勃望远镜可观测部分早期星系，JWST大幅拓展了视野，而搭载AI增强模块的JWST，则进一步揭开了更遥远、更暗淡的宇宙面纱。图中那些橙色光点，正是此次新识别出的星系。
AI在实验科学中的应用已相当成熟，蛋白质结构预测亦可视作“数据驱动的虚拟实验”。但接下来发生的事，真正令我感到震动。过去我从未担忧AI会取代科研工作者，只视其为高效的数据分析师与信息提取器。然而近期，我第一次认真思考起自己的职业前景（笑）。短暂焦虑之后，我转而欣喜：AI已开始实现理论层面的原创突破，这在过去难以想象。
第二个案例聚焦宇宙学中的“宇宙弦”难题：
有理论预言，早期宇宙遗留下的拓扑缺陷——宇宙弦——至今仍在辐射引力波，而其功率谱的具体形式仍是未解之谜。今年3月，谷歌研究院借助Gemini Deep Think模型，成功攻克该功率谱计算中的核心积分难题，给出了精确的解析表达式，终结了一个悬置40年的理论瓶颈。这已超越“数值计算”，进入了真正的“数学建构”范畴。
还有一个纯数学经典难题：“单位距离问题”——平面上任意分布n个点，其间恰好相距为1的点对最多有多少？著名数学家Erdős曾猜想该上限大致呈线性增长。这一开放80年的难题，于今年5月被OpenAI研发的推理模型成功证伪，其证明过程融合了高深的代数数论工具。这才是真正的自主性体现：你只需提出问题，静待两天，机器便会交出一份严谨、深刻、人类此前未曾构想过的解答。
5. 下一层级：当AI与量子相遇
我曾承诺，要探讨AI的“下一层级”：它不单指AI当下能做什么，更关乎人类知识版图中，是否存在比现有方法（包括AI）更本质、更强大的信息获取与知识创生路径？为此，我们必须引入物理学，讲述AI与量子的交汇故事。
AI与量子，堪称当今科技舞台最耀眼的双子星，几乎所有权威科技趋势报告都将二者并列。AI已是席卷全球的热潮，不断刷新“不可能”的定义；量子科学虽起步早（约百年前即有雏形），但人类直到四五十年前才真正掌握其操控能力，随后四十年间，科学家孜孜以求将其转化为实用计算工具。我想阐述的，正是这两股力量如何彼此激发、相互成就。
先看一个已被证实的事实：AI正在加速量子计算的落地进程。1981年，物理学家费曼首次提出量子计算机构想——以量子比特替代经典比特进行运算。这篇论文点燃了物理学界，继而也激发了计算机科学界的热情：打破图灵机范式垄断的愿景，无论在智力挑战性还是应用前景上，都极具感召力。
上世纪90年代，计算机科学家彼得·肖尔（Peter Shor）给出关键证明：量子计算机可高效解决某些经典计算机无法企及的难题。例如大整数质因数分解，数学界长期认定其超出经典计算能力，但肖尔证明，只要建成费曼构想的量子计算机，便足以威胁当前广泛应用的公钥密码体系。该论文影响深远，直接唤起了全球科学界与资助机构对量子计算的空前关注。
几年后，肖尔完成了一项我认为更具里程碑意义的工作。彼时物理学家普遍悲观：量子比特极其脆弱，极易受环境噪声干扰，纠错似乎遥不可及。肖尔则从根本上消除了这种疑虑——他证明，只要将基础量子逻辑门的错误率控制在某一阈值（例如1%）以内，理论上即可通过容错编码，将量子计算机扩展至任意规模并保持稳定运行。这一思路，与冯·诺依曼当年解决“如何用不可靠元件构建可靠经典计算机”的方案高度一致。这意味着，物理学家在原则上再无理由拒绝：量子计算机不仅可造，而且可用。
于是，量子纠错成为过去四十年的核心攻坚方向。而就在最近，AI挺身而出。一年半前，谷歌在《自然》（Nature）发表论文，介绍其名为Willow的量子芯片：利用约100个物理量子比特，成功构造出一个理论上可“无限维持”的逻辑量子比特，将错误率压至1%阈值之下。这是人类历史上首次实现，对全球量子计算研究者而言，无疑是振奋人心的重大突破。
神经网络在此扮演了何种角色？关键技术之一，便是为量子纠错设计高性能解码器。该解码器无法仅靠人工推导完成，却可通过数据驱动方式习得：利用神经网络在海量模拟纠错样本上训练，最终获得这一极其珍贵的解码能力。目前，全球多个顶尖团队正全力竞速，其中不乏中国研究力量，且进展位居前列。
反过来问：量子能否反向赋能AI？我们的回答是肯定的。若将机器学习框架中的经典图灵机替换为量子计算模型，作为学习的基本载体，甚至直接从量子态数据中学习——在这一更普适的理论框架下，是否可能实现连当前AI都无法完成的任务？该方向十年前便已启动探索，而近一两年，我们终于看到了切实的曙光。你可以称其为“量子AI”（Quantum AI），它正在破土而出。我个人坚信，未来五到十年，我们将迎来爆发式进展。当AI的狂热渐趋理性、不再占据头条之时，量子AI恰将接力登场，让这场科学长跑继续熊熊燃烧。
6. 尾声：唯有明晰边界，方能筑牢AI安全之基
姚期智：最后作一简要总结。AI已在众多领域展现出惊人威力，但其所有算法，始终运行于物理定律与数学理论所划定的刚性边界之内。这一根本认知，为构建安全、可控AI系统提供了坚实理论支撑。本届WAIC聚焦的核心命题，正是AI的“强大能力”与“安全保障”之间的辩证统一。密码技术由科学家精心设计，旨在抵御经典计算攻击；同理，只要建立在坚实的数学基础之上，我们完全有能力设计出可抵御AI攻击的安全机制。
深刻理解这条能力边界，对AI安全领域的所有实践工作都至关重要。而前方尚有无数激动人心的探索等待开启：AI for Science，例如量子AI；高可靠性大规模AI系统，亟需发展“面向AI的数学”（Mathematics for AI）；AI安全本身；以及“AI for AI”——用AI优化AI。这一切，终将引领我们对“智能”这一概念，抵达前所未有的认知深度。
（本文依据姚期智院士在2026世界人工智能大会演讲录音整理，未经本人审阅。整理过程中借助Kimi辅助完成。）
本文源自微信公众号“大数据文摘”，作者：文摘菌，经36氪授权发布。
