摘要：身为三院院士，张亚勤凭借其深厚的科研和丰富的企业实践经验，全面解读了人工智能技术的演变趋势，探讨了人工智能与生命科学、自动驾驶等领域结合的落地路线图，分析了技术发展背后的风险及应对措施。同时，对行业未来技术走向、创新路径，以及产学研各界在第四次工业革命中的角色
——AI时代的思考与探索》。
身为三院院士，张亚勤凭借其深厚的科研和丰富的企业实践经验，全面解读了人工智能技术的演变趋势，探讨了人工智能与生命科学、自动驾驶等领域结合的落地路线图，分析了技术发展背后的风险及应对措施。同时，对行业未来技术走向、创新路径，以及产学研各界在第四次工业革命中的角色等内容进行了探讨，为读者呈现了AI时代的全景画卷。
科学智能的新机遇
科学意味着系统性地构建与组织知识，且将之运用于理解我们所处的宇宙；而“新科学”之“新”，关键在于模型。
各个科学领域的知识体系即将被刷新，原有的体系内将会涌现出AI模型这一崭新的知识形式。与人类科研工作者相比，AI尤为擅长理解高维度的数据，即具有大量特征或变量的数据集，能够轻松地从海量数据中探寻出结构、规律、模式、关系。那些对人类而言极为艰巨、即便耗时良久也未必能找到答案的任务（例如，从大量蛋白质序列与结构的数据中提炼出氨基酸序列折叠的内在法则，进而精确预测出蛋白质结构），对AI而言却没有那么难。有鉴于此，在新的科学智能时代，科学知识或许会由人类能理解的知识及AI模型两部分共同构成。
AI对科学研究的作用很可能会出现从工具到基石的改变。以往在科研过程中，AI通常被用于高性能计算或是数据分析；但随着AI的进化迭代，其在科学领域的地位必然会逐级提升，例如基于AI独特的存在形式来探索科学问题，甚至借助其特有的能力来发现前辈科学家从未涉足的“无人区”。
众多AI技术正在科学领域大展拳脚，如生成式AI、超大模型、多模态预训练（Multimodal Pre-trained）、干湿闭环（Dry-lab and Wet-lab Loop）、自主学习（Autonomous AI），等等，这些技术在加速科学发现方面发挥着关键作用，同时也在潜移默化地改变着科学研究的方式与进程。
更具体地说，科学智能的新机遇涵盖了多层次、多方面。例如，在技术层面，大语言模型与生成式AI可轻松处理自然语言并挖掘、整合知识，基础模型能融合多模型结构，实现多智能体协作并发挥预训练优势；在实验协同层面，湿实验室与干实验室结合，可优化实验设计并实时反馈调整；在人机交互层面，人与AI 的互动可为科学家提供辅助决策和知识共享学习；在实验手段层面，实验室自动化与机器人技术可提升实验效率及精度；在探索发现层面，自主AI可用于探索未知前沿、用于发现新规律；在教育研究产业层面，大学教育与研究新时代的开启，有助于新型人才的培养、新兴产业的萌生。
生成式AI的用途绝不止于内容创作领域。的确，它可以生成文案、图片、视频，甚至是广告和短剧，可以为创作者提供更便捷的创意变现途径。但现今，越来越多的科学家开始探索如何将生成式AI及其背后的GPT大模型应用于分子生成，以催生出新型药物。也就是说，AI不仅具备颠覆互联网内容生产模式及相关生产力的潜力，还有可能在生物医药及其他科学领域发动一场改天换地般的变革。
纵观GPT在科学领域的发展态势，目前主要有两种模型，一是通过自然语言训练的领域内模型，二是通过生物数据训练的科学模型。我的判断是，未来，这两种模型将深度融合，形成更强大的生成式模型。
插件技术和工具极大地提高了GPT在实际应用中的能力。一些研究人员已在尝试将化学领域的工具设备作为插件引入GPT，使该模型能够综合调用搜索引擎、代码执行、文献检索、自动化实验等工具，以更好地完成科研任务。AI自主学习已成现实，再往前进一步，或许便是AI的自主研究。
当研究者将自动化实验室和AI模型相结合，就能够实现干湿闭环。首先，由“干实验室”发起一个实验请求，再交由模型处理。随后，模型将处理结果反馈给自动化实验室，以执行相应的“湿实验”。在实验过程中，自动化实验室会持续将实验数据反馈给AI模型，以助力模型进行优化和迭代。通过这种干湿闭环的方式，AI模型将可以更高效地开展科学研究，也能更精确地预测和改进实验结果。
AI模型还可以与药学家进行交互式药物生成。在新模式下，药学家可以根据自身专业知识对AI模型的生成效果进行评判，并适时提供相关指导与建议。这种基于药学家专业知识的AI模型生成方式称为“专家参与的循环”（Expert in the Loop）。通过这种方式，药学家的专业知识得以和AI模型的超强学习能力深度融合，进而实现高效能、低费用的药物研发与生成。
在干湿闭环和专家可控药物生成之间，还需要一个药物基础大模型来持续积累数据和知识。这个大模型基于现有数据集、知识库进行训练和优化，能实现更准确、更快捷的药物生成和研究。可以预见，当干湿闭环、专家可控药物生成、药物基础大模型三者被结合运用，AI在医学科学方面的能力将得到空前的强化，而这又会反过来为药物研发创造更多的机遇与可能性。
生物医药领域以往通过湿实验已积累大量极具价值的知识和数据，其中很多都可以被合规获取并使用，如蛋白质序列目前拥有超过22亿条数据，可购买的具备成药性的小分子则约有2.3亿。这些海量、公开的分子序列数据完全可以利用大模型来学习其语义表征，我们再将之用于药物研发任务。此外，我们还有过去数百年来无数生物学家积累的海量文献和知识图谱数据，它们都能够单独训练出一个庞大的知识表征模型，而且这些不同模态的数据里的分子信息又都相互关联，如果能将所有的信息统一压缩在一个大模型里，就能惠及未来所有的生物医药下游任务。正如ChatGPT是处理人类自然语言的大模型，我们也可以构建原子级分子语言、蛋白质语言基础模型，帮助研究者更好地理解物质与生命的底层逻辑。
生物、化学、材料等领域，AI创新进行时
蛋白质工程与抗体设计：在早期对自然语言处理课题的推究过程中，语言学家先是设计了诸多规则来建模语言，随后又引入了统计学的方法来优化软件，直至当下的生成式AI出现，才终于在自然语言处理方面达到了人类的能力层级。有趣的是，如果我们将蛋白质序列视作一种语言，就可以把蛋白质工程和自然语言处理进行比对。也就是说，以往很多基于规则的蛋白质理解或抗体设计方法都存在被AI模型增强甚至取代的可能性（见图3.1）。
小分子药物与酶设计：小分子药物种类繁多，传统的高通量虚拟筛选通常成本昂贵且耗时耗力。例如，要进行百亿规模的虚拟筛选，或许需要耗费3 000年的时间和逾80万美元的成本。然而，运用AI模型便极有希望大幅加速虚拟筛选的进程，所消耗的时间可能从年缩短至秒，这样的应用前景不能不让人振奋。
药物设计与酶设计是两个重大的课题。前者是给定蛋白质，寻找能够作用于其上的小分子；后者则是给定小分子，寻找能够催化其反应的蛋白质。将这两个课题结合起来思考就能获得很多启示。当然，AI设计小分子也面临不小的挑战，举例来说，生成的分子不能与靶点之外的蛋白质相互作用，否则会导致包括副作用在内的不良影响。而且，由AI设计的小分子往往难以合成，因为这些分子的结构复杂多样，需要经过很多的步骤才能成功合成，但这些问题既是启用AI前便可预料到的，又是肯定会被逐步优化与解决的。
新材料设计：随着柔性显示等技术的不断发展，有机半导体材料得到了越来越多的关注。其良好的成膜性质及可借助溶液加工等特点使器件的制备相较于传统的无机材料更简便，成本也更低廉，在柔性显示、传感器和可穿戴设备等多个领域具有相当广阔的应用前景。
有机发光分子的空间结构庞大，其设计往往需要综合多种因素加以考量。传统的设计方法大多依赖科研人员的经验和知识，因而很难覆盖整个设计空间。因此，利用AI进行有机发光分子的设计具有极为庞大的潜力。
今后，生物学、化学、材料科学、环境、农业等众多领域，都将实现由AI驱动的科学发现和技术创新。也就是说，科学智能势必会对亿万人的生活质量产生重大影响，还会深刻影响科学的未来。要想推进这一进程，首先需要政企学各界协力打造新的生态系统，而在这一过程中，五大支柱的构建至关重要。第一，开发和部署科学智能的开放平台与基础设施；第二，开展有关科学与AI深度融合的研究；第三，助力建设、完善全球学术网络和社区；第四，塑造世界领先的产业合作伙伴生态体系；第五，促进有利于产业发展与经济增长的孵化器及风险投资网络的快速成形。
总的来说，“AI +新科学”是一个新颖且前沿的领域。人工智能与物质奥秘的对撞为全世界的科研工作者揭示出闪现于前方的无数曼妙可能。随着我们在这一领域跋涉渐深，我们对自然世界的理解也会更透彻、更深刻。借助AI的技术手段，科研人员能够处理规模更庞大、结构更复杂的数据，探索过去未能分辨的现象和规律，进而推动新的科学发现。
人工智能+生命科学的机遇与挑战
作为科学智能的子集之一，人工智能+生命科学的探索开展较早、应用较深，经历了系统性的发展与实践，因此有必要专门辟出一节来介绍这一新领域的发展状况和未来机遇。
基因测序、高通量生物实验、传感器……相关技术的发展在生命科学与生物医药领域掀起了一场变革风暴，加速了这一领域的数字化、自动化进程。健康计算（Health Computing）作为一种新型智能科学计算模式，是以AI和数据驱动为核心的第四研究范式。它将极大地助力人类对生命与健康问题的探究。
第2章粗略地介绍过深度学习算法的演变情况，大体上，算法革新令AI的能力突飞猛进，但在AI能力倍速进化的同时，也须确保技术可控。特别是当我们寄望于将AI变成助力生命科学与生物医药产业腾飞的翅膀时，我们就更要以如履薄冰的心态来对待每一项创新，毕竟，无论是患者的隐私保护，还是新药品、新医疗器械的安全性，都需要以严肃、审慎的态度来直面。
在可信AI计算方面，近年来也有了不小的进展。以联邦学习（Federated Learning）为例，联邦学习主要有三种模式：一是横向联邦学习（Horizontal Federated Learning），面向具备相同特征空间但样本不同的场景，能够保证相同模态不同源头的数据之间的隐私性；二是纵向联邦学习（Vertical Federated Learning），面向样本相同但特征不同的场景，能够保证多模态数据间的隐私性；三是联邦迁移学习（Federated Transfer Learning），面向样本和特征都有部分重合的场景，结合了差分隐私和同态加密，能够保证在跨领域数据共享与模型训练过程中的隐私性。
在确保安全可控的前提下，AI正在推动生命科学与生物医药领域的连锁创新持续加速。眼下，AI在蛋白质结构预测、CRISPR 基因编辑技术、抗体/TCR/个性化的疫苗研发、精准医疗、AI辅助药物设计等多方面的研究业已成为国际前沿战略级研究热点。
正是基于这样的学科发展趋势和产业背景，当下业内普遍聚焦的研究方向包括：AI增强个人健康管理与公共卫生、AI +医疗与生命科学、AI辅助药物研发、AI +基因分析与编辑，等等。
想要更好地利用AI的能力、发现生命的奥秘，就需要构建出专注于生命科学课题的AI基础设施、数据平台与核心算法引擎，用以支撑生命科学前沿的研究任务。同时，也可通过打造旗舰级公开数据集、组织算法挑战竞赛、搭建智能+生命科学的众智平台等方式，加速培养跨界人才，壮大产业生态。
AlphaFold2是智能+生命科学的一个典型成功案例。过去这些年，科学家主要依靠冷冻电镜和高精度X射线来解析蛋白质结构，但自从AlphaFold2问世后，这一过程实现了指数级的加速，彻底改变了从氨基酸序列到三维结构再到功能的研究方式。
大体上，AlphaFold2的成功要素包括两个方面。一是任务的特殊性。蛋白质结构预测可以被看作从序列到三维结构的一一映射问题，因此它是所谓的“Well-defined”（清晰无歧义）的AI问题。AlphaFold2的任务选择对后继研究者的启示在于，要找到生命科学中意义重大但又能抽象为适合AI的研究任务。二是模型的优越性。在漫长周期内，一代代学者对生命科学的钻研积累了大规模的蛋白质结构数据；而AlphaFold2的模型架构充分利用了数据驱动的端到端深度学习模型。大数据与深度模型的结合恰恰是第四研究范式的突出特点。因此，另一个启示是，在尝试进行智能+生命科学的研究时，要注重跨界破壁与第四研究范式的重要性。
显然，AlphaFold2是一个好的开端，它的成功打开了一个新的模式。蛋白质结构的精准预测为生命科学的研究者提供了高效的计算工具，也为基于AI的重大新发现创造出可能。未来，抗体、抗原的表位预测和肿瘤的精准疗法以及TCR/个性化疫苗的设计与优化都将成为重要的研究热点，并将在AI驱动的新计算模式的作用下取得一系列突破，智能+生命科学的黄金时代已近在眼前。
可以预见的是，在探索未知的过程中，还将面对许多不期而遇的科学挑战，但这也意味着，研究者有机会发现或创造出更多新的计算范式，比如本章提到的干湿融合的闭环式计算框架。一方面，AI模型将通过高通量、多轮湿实验的闭环验证和数据填充变得更加智能；另一方面，通过主动学习和强化学习等方式，AI 能够主动规划湿实验的自动化执行，从而形成干湿闭环验证、迭代加速生命科学发现与产业落地应用。
如今在智能+生命科学领域，我和同伴们初步确立了以大模型为底座、干湿闭环、知识+数据双驱动的智能新药研发范式，实现了智能新药研发大模型基础平台、核心技术与产业应用的落地突破。以下是AIR几个较为典型的例子。
• 团队研发的全球首个可商用多模态生物医药百亿参数大模型BioMedGPT-10B于2023年开源。同时，团队还联合开源了全球首个免费可商用、生物医药专用的Llama 2大语言模型BioMedGPT-LM-7B。
• 在虚拟药物筛选方面，团队发现了一种应用于高通量小分子虚拟筛选的靶点对工具——DrugCLIP，首次实现了单机每日筛选百万亿小分子的成就，筛选结果在多类靶点上通过了生物学实验验证。不仅如此，团队还将蛋白质结构预测的虚拟数据应用于DrugCLIP，结果显示，此举同样能获得较大的性能提升。
• AI抗体设计可以显著加速并优化抗体药物研发过程，提高设计精准度，降低研发成本。此前，团队利用自主研发的智能抗体设计平台HelixonDesign，对现有COVID-19（2019新型冠状病毒）抗体展开了系统设计和优化。全新设计的抗体达到或超过了已上市的广谱中和抗体抗病毒效果。相关研究为智能抗体设计和新一代抗体药物研发提供了新的思路和范式，奠定了AI抗体设计的坚实理论和实践基础。另外，新抗体还是全球范围内首个由AI算法设计出的具有临床价值的广谱新冠中和抗体。
• 智能体医院（Agent Hospital）。2024年5月，智慧医疗团队完成的论文《智能体医院：具有可进化医疗智能体的模拟医院》（Agent Hospital:A Simulacrum of Hospital with Evolvable Medical Agents）在国内外医学AI领域得到了广泛关注和讨论。就像是美剧《西部世界》中的场景，2024年11月，世界第一个智能体医院上线，首批来自21个科室的42位AI医生正式亮相，定向邀请专业人士访问医院，对AI医生的疾病诊断能力进行内部测试。智能体医院在模拟现实医院设施与流程的基础上，建立了拟人度高、分布广、类型多样的AI患者，AI医生由此能够在虚拟的医院中，通过大量高频次诊疗实践，实现超常规的成长，最终达到甚至超过人类医师的医疗能力。
近年来，AI相关技术的进展和突破可以说是接踵而至，令人目不暇接。就像火种点燃导火索一样，比某一技术的单纯进步更加重要的是，牵动其他领域协同进步、次第爆发。生命科学正是被AI深刻影响的领域之一。
以新药研发为例，以前，研发一款新药的平均周期通常为10 ~ 15年，将一种药物推向市场的成本则高达25亿美元，简而言之，周期漫长，成本高企；而AI技术的引入，能够显著加速新药研发的某些阶段。根据波士顿咨询集团（BCG）的研究，AI可以将药物发现和前期临床阶段的时间缩短25% ~ 50%，成效惊人，而且这还只是开始。
如今，不但物理世界在数字化，整个生物世界也在数字化。细胞、蛋白质乃至基因都可以用数字的方式来表达，数字化的优势之一是积累大量真实、准确的数据，由此，研究者可以用数字格式表达以往只能用模拟和实验等方法研究的细胞、蛋白质、基因，进而依托算法、算力，逐步“计算”出生命的奥秘。在这个过程中，AI能够更好地助力数据处理和分析、模拟和预测、个性化医疗、自动化实验等工作。再具体看新药研发，从靶点发现到药物筛选再到临床试验设计，都是AI的强项所在。
事实上，基因科学与信息科学存在着某种堪称“玄妙”的关联。首先，两者都涉及复杂信息的存储、传递、处理与解码。与计算机采用0和1二进制系统来编码信息相似，DNA使用A（腺嘌呤）、T（胸腺嘧啶）、C（胞嘧啶）、G（鸟嘌呤）四种碱基来编码与传递生物信息。其次，基因表达的规则与自然语言也具有一些相似性，例如，基因表达的过程也存在着“句法结构”，特定DNA序列的功能取决于它在序列中的位置和上下文，基因表达中的一些“冗余”就类似于语言中的同义词和句法冗余，基因表达的调控方式就好比自然语言中的语气或句法结构变化等。最后，正如计算机是现实工作、生活、人际关系的数字副本与处理系统，基因可以说是生命科学的密码系统，而AI可以通过多种方式辅助人类破解密码，包括基因组分析、基因功能预测、生物系统建模、个性化医疗、基因编辑与合成生物学等等。
基于这样的认知，我们开展了GeneBERT项目。“Gene”即基因；“BERT”（Bidirectional Encoder Representations from Transformers）即基于双向Transformer的编码表示，专为理解自然语言的上下文信息而设计，是许多大语言模型构建的基础。项目名称直观地展示了团队创新的出发点——将基因与大模型两大交叉学科相结合，展开新的研究。
GeneBERT团队开发了泛化性能优秀且可迁移的多模态深度预训练模型，将建模范围扩大至基因序列的功能性非编码区，在学术层面提供了分析非编码区基因突变的新范式，有助于新药开发与基础医学相关的病理研究，为基因测序机构、医药企业和医院带来了新算法、新靶点和优化的治疗方案。以这项工作为基础的论文后来被《自然》正刊采用。
就像GeneBERT案例所展现的，从事计算机科学特别是AI相关研究的人与从事生物学、生命科学研究的人处于完全不同的专业领域。在相当长的一段时间里，这些领域的研究者都很难找到共同语言，再具体到专业知识、学术体系、研究方式，就更可以说是差异巨大。但随着AI技术的发展，我们已然打通了这些原本泾渭分明的专业领域。
我称这种打通与相融为“破壁计划”。
今后，“破壁计划”很可能会延展到更多的专业领域。就像盾构机在隧道掘进过程中破除厚壁，AI技术正在打通与其他专业领域之间的壁垒，通过结合与赋能，为其他产业带来巨变。
毫不夸张地说，生物世界正处于数字化、自动化和智能科学计算的新变革浪潮中。用计算的方法，即AI和数据驱动的第四研究范式来辅助人们探索并解决生命健康问题已成为一个重要的研究方向。今后，需要学术界和产业界共同推动生命科学、生物医药、基因工程、个人健康等各领域由孤立、开环向协同、闭环发展，如此方能实现更快速、更精准、更安全、更经济、更普惠的生命科学与生物医药创新，而这也意味着在下一个十年甚至更久的周期里，我们将面对无穷无尽的科学发展与产业创新机遇。
作者：张亚勤 著
出版品牌：中信出版
页数：326
装帧：16开，平装
定价：79
阅读最新前沿科技趋势报告，请访问欧米伽研究所的“未来知识库”
未来知识库是“欧米伽未来研究所”建立的在线知识库平台，收藏的资料范围包括人工智能、脑科学、互联网、超级智能，数智大脑、能源、军事、经济、人类风险等等领域的前沿进展与未来趋势。目前拥有超过8000篇重要资料。每周更新不少于100篇世界范围最新研究资料。欢迎扫描二维码或访问进入。
截止到2月28日 ”未来知识库”精选的100部前沿科技趋势报告
《核聚变，确保 21 世纪美国的主导地位的关键技术》
《世界知识产权组织：2025WIPO 技术趋势报告：交通运输的未来（145 页）》
《世界知识产权组织（WIPO）：2024 年世界知识产权指标报告（194 页）》
《联合国环境规划署：2024 年保护地球报告（81 页）》
《联合国工发组织：2024 清洁技术创新能力建设框架研究报告（51 页）》
《凯捷：Applying TechnoVision 2025：未来科技趋势及应用愿景（17 页）》
《谷歌：2025 年 AI Agent 白皮书：AI 智能体时代来临（42 页）》
《富而德律师事务所：2024 年国际仲裁趋势年度回顾报告（41 页）》
《邓白氏：2024 年全球企业破产报告（27 页）》
《LLM 时代小模型的应用潜力与挑战 》（50 页）
《斯坦福 2025 斯坦福新兴技术评论十项关键技术及其政策影响分析报告》（英文版 191 页）
《英伟达：2025NVIDIA 自动驾驶安全报告（26 页）》
《微软 MICROSOFT (MSFT) 2024 年影响力摘要报告（23 页）》
《高德地图：2024 年中国主要城市交通分析报告（29 页）》
《德勤 & CAS：2025 锂离子电池回收行业报告 - 面向绿色未来的市场及创新趋势（36 页）》
《ABI Research：2025 生成式人工智能在语义和实时通信中的应用研究报告（20 页）》
《2025 年 3D 打印技术发展趋势、产业链及相关标的分析报告（45 页）》
《生成式基础模型的可信度 —— 指南、评估与展望》（231 页）
《量子信息科学与技术对国家安全的影响》（118 页）
《中国科学技术信息研究所：2024 科技期刊世界影响力指数（WJCI）报告（68 页）》
《思略特（Strategy&）：2025 汽车行业的人工智能（AI）机遇研究报告（12 页）》
《赛默飞：2024 年中国生物科技行业调研报告：资本寒冬中生物科技企业的生产之道（18 页）》
《清华大学：2025 年 DeepSeek 与 AI 幻觉报告（38 页）》
《美国企业研究所（AEI）：2025 创新未来电力系统研究报告：从愿景迈向行动（71 页）》
《超材料的智能设计研究进展》
《Ember：2030 年全球可再生能源装机容量目标研究报告（29 页）》
《量子信息科学与技术对国家安全的影响》
《英国人工智能安全研究所：2025 年国际人工智能安全报告 - 执行摘要（22 页）》
《世界海事大学：2024 海事数字化与脱碳研究报告：可持续未来（250 页）》
《艾睿铂（AlixPartners）：2024 回溯过往锚定未来：大型科技公司如何推进人工智能愿景研究报告（18 页）》
《Wavestone ：2025 数据与 AI 雷达：掌握数据与人工智能转型的 10 大挑战研究报告（30 页）》
《CSIS：2024 中美学术的再联结研究报告：在激烈竞争的时代增进相互理解（120 页）》
《MSC：2025 全球国防创新就绪度差距系列报告：突破制约国防创新的六大隐性障碍（第四版）（32 页）》
《2025 年 AI 编程发展前景及国内外 AI 编程应用发展现状分析报告（22 页）》
《中国核电 - 公司深度报告：世界核电看中国 - 250218（22 页）》
《医药生物行业：医疗器械行业全景图发展趋势及投资机会展望 - 250216（28 页）》
《皮尤研究中心：2024 美国社交媒体使用情况研究报告（英文版）（30 页）》
《科睿唯安：2025 基因编辑领域的领先创新者洞察报告 - 改变药物发现和开发范式的八大创新者（47 页）》
《经合组织（OECD）：2025 年全球脆弱性报告（218 页）》
《计算机行业年度策略：AI 应用元年看好 Agent、豆包链及推理算力三大主线 - 250218（38 页）》
《国金证券研究所：从理想走向现实，全球人型机器人研究报告》
《深度解读 DeepSeek 原理与效应（附 PPT 下载）》
《兰德公司（RAND）：2025 借鉴危机经验构建城市水安全韧性研究报告：五城案例分析（62 页）》
《凯捷（Capgemini）：2025 行业创新洞察：电气化飞机推进系统研究报告（27 页）》
《国际能源署（IEA）：2025 全球电力市场报告：至 2027 年的分析与预测（200 页）》
《Zenith：2025 年国际消费电子展（CES）趋势报告：AI 对消费科技、消费行为及传媒营销的变革性影响（17 页）》
《RBC 财富管理：全球透视 2025 年展望报告（33 页）》
《美国国防部和国家安全领域的十大新兴技术》（96 页）
《代理型人工智能全面指南》（45 页 ppt）
《麦肯锡 2025 人类工作中的超级代理。赋能人类解锁 AI 的全部潜力》（英文版 47 页）
《仲量联行（JLL）：2025 美国制造业的复兴全面分析报告：未来制造业增长及工业需求前瞻（26 页）》
《未来的太空领域：影响美国战略优势的领域》
《Luminate：2024 年年终美国影视行业报告：数据及趋势洞察（40 页）》
《Anthropic：2025 年 AI 经济影响报告：AI 如何融入现代经济的各类实际任务（38 页）》
【ICLR2025】《LLMS 能否识别您的偏好？评估 LLMS 中的个性化偏好遵循能力》
《改进单智能体和多智能体深度强化学习方法》（219 页）
《美国安全与新兴技术中心：2025 中国学界对大语言模型的批判性思考通用人工智能 AGI 的多元路径探索研究报告》（英文版 29 页）
《世界经济论坛 & 麦肯锡：2025 以人才为核心：制造业持续变革的当务之急研究报告（40 页）》
《超越 ChatGPT 的 AI 智能体》（82 页 ppt）
《Harris Poll：2024 年汽车技术预测报告：消费者对先进汽车技术与功能的洞察（14 页）》
【新书】《人工智能智能体的应用》（527 页）
《哥伦比亚大学：超越 Chatgpt 的 AI agent 综述》
《欧盟标准组织 - 体验式网络智能（ENI）- 基于人工智能代理的下一代网络切片研究》
《中国科学院：2024 开放地球引擎（OGE）研究进展与应用报告（55 页）》
《中国工程院：2024 农业机器人现状与展望报告（70 页）》
《美国安全与新兴技术中心：2025 中国学界对大语言模型的批判性思考：通用人工智能 (AGI) 的多元路径探索研究报告（29 页）》
《罗兰贝格：2050 年全球趋势纲要报告之趋势五：技术与创新（2025 年版）（72 页）》
《理特咨询（ADL）：2025 解锁聚变能源：驾驭聚变能商业化的机遇与挑战研究报告（20 页）》
《埃森哲：技术展望 2025—AI 自主宣言：可能无限信任惟先 - 摘要（12 页）》
《怡安（AON）：2025 年气候和自然灾难洞察报告（109 页）》
《美国安全与新兴技术中心：2025 AI 翻车事故（AI incident）：强制性报告制度的关键要素研究报告（32 页）》
《牛津经济研究院 2025 确保英国充分释放量子计算的经济潜力研究报告 》（英文版 64 页）
《欧洲创新委员会（EIC）：2024 年科技报告（65 页）》
《大模型基础 完整版》
《国际人工智能安全报告》（300 页）
《怡安（AON）：2025 年全球医疗趋势报告（19 页）》
《前瞻：2025 年脑机接口产业蓝皮书 —— 未来将至打造人机交互新范式（57 页）》
《联合国（United Nations）：2024 技术与统计报告：从业者投资法指南（67 页）》
《经济学人智库（EIU）：2025 全球展望报告：特朗普再次当选美国总统的全球影响（16 页）》
《大规模视觉 - 语言模型的基准、评估、应用与挑战》
《大规模安全：大模型安全的全面综述》
《Emplifi：2024 年 Q4 全球电商行业基准报告 - 社交媒体趋势洞察（37 页）》
《DeepMind：2025 生成式魂灵：预测人工智能来世的益处和风险研究报告（23 页）》
【AI4Science】《利用大型语言模型变革科学：关于人工智能辅助科学发现、实验、内容生成与评估的调研》
《世界银行：2025 极端天气高昂代价：气候变化背景下的马拉维金融韧性构建研究报告（76 页）》
《北京理工大学：2025 年中国能源经济指数研究及展望报告》
《Space Capital：2024 年第四季度太空投资报告（22 页）》
《NetDocuments：2025 年法律科技趋势报告（32 页）》
《CB Insights：2024 年度全球企业风险投资（CVC）状况报告：私募市场交易、投融资数据及分析（130 页）》
《Artlist：2025 年全球内容与创意趋势报告（59 页）》
《IBM 商业价值研究院：2024 投资人工智能伦理和治理必要性研究报告：AI 伦理前线五位高管的真实故事（24 页）》
《世界基准联盟（WBA）：2025 塑造未来：对可持续发展目标（SDGs）影响最大的 2000 家公司研究报告（46 页）》
《清华大学：2025 年 DeepSeek 从入门到精通（104 页）》
《麦肯锡：2025 工作场所中的超级代理 (Superagency)：赋能人类解锁人工智能的全部潜力（47 页）》
《凯捷（Capgemini）：科技愿景 2025：关键新兴科技趋势探索（54 页）》
《硅谷银行（SVB）：2025 年上半年全球创新经济展望报告（39 页）》
《BCG：2025 工业运营前沿技术：AI 智能体 (AI Agents) 的崛起白皮书（26 页）》
《DrakeStar：2024 年全球游戏与电竞行业报告（26 页）》
《理特咨询（ADL）：2025 人工智能驱动的研究、开发与创新突破的新时代研究报告（80 页）》
《互联网安全中心（CIS）：2024 年网络安全冬季报告：回顾与展望（30 页）》
《方舟投资（ARK Invest）：Big Ideas 2025 - 年度投研报告（148 页）》
《DeepSeek：2024 年 DeepSeek-V2 模型技术报告：经济、高效的混合专家语言模型（52 页）》
《CB Insights：2024 年度全球风险投资状况回顾报告：私募市场交易、投融资和退出数据及分析（273 页）》
《全国智标委：2025 城市生命线数字化标准体系研究报告（105 页）》
《经合组织（OECD）：2024 年全球政府创新趋势报告：促进以人为本的公共服务（46 页）》
《DeepSeek_R1 技术报告》
《摩根斯坦利报告 —DeepSeek 对于科技和更广义经济的含义是什么？》
《李飞飞最新 S1 模型的论文：s1 Simple test-time scaling》
《世界经济论坛 -《全球经济未来：2030 年的生产力》报告》
《2035 年技术融合估计：量子互联网、人机接口、机器学习系统、隐形机器人、增材制造》
《百页大语言模型新书》（209 页 pdf）
《量子技术和网络安全：技术、治理和政策挑战》（107 页）
《大语言模型中的对齐伪造》（137 页）
《2035 年技术融合估计：量子互联网、人机接口、机器学习系统、隐形机器人、增材制造》（美陆军 232 页）
《美国防部 CDAO：人工智能模型的测试与评估》（66 页 slides）
《自动驾驶的世界模型综述》
《Questel2024 深度学习领域专利全景报告》（英文版 34 页）
《深度解析 Palantir》（20250122_204934.pdf）
上下滑动查看更多
来源：人工智能学家