张亚勤：信息智能五年到顶，人形机器人还要十年
他把 AGI 拆成信息、物理、生物三层：信息智能五年内达到人类水平，但那是大脑的智商；读万卷书仍不会游泳，物理智能才刚开场。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
一流研究院没法量化考核
张亚勤回忆微软中国研究院定目标时，顾问、诺奖得主 Rodger Ely 给了一个反直觉的答案：怎么衡量我们是不是一流？「当你们在不为这个问题的时候，不讲这个问题的时候，你变一流了。」他后来在 ChatGPT 上又碰到同一句话——图灵测试什么时候算通过？「当你通过的时候你就知道了。」他由此推出研究院的三个目标：招到一流人才、定长远方向、培养一流科研人才，而前两三年 80% 的时间都在找人。
— 张亚勤今天做研究院，难的不是招人而是选题
张亚勤说，和 98 年相比，现在做 AIR 反而「比较容易」——中国已有世界级的科研成果和人才，在清华的环境里招好老师好学生不是问题。真正的难点换了位置：过去微软研究院是找到什么样的人就做什么事，「他们爱干嘛干嘛」，没有领域人物就做不起来；现在哪个方向都能找到人，所以必须自己选方向。AIR 因此选了三个垂直方向：智能交通、IoT、AI 加生命科学，用今天的语言就是机器人、具身智能、生物智能、边缘智能和智能体。
— 张亚勤基础大模型是公司的事，不是学校的事
为什么 AIR 不做基层通用大模型？张亚勤的理由是资源结构：基础大模型需要大量算力、数据、场景，要砸钱，还要具体场景，学校很难做。他把它比作生态的操作系统，横向铺开。更关键的是创新性质——他认为基础大模型的创新「不是零到一的创新，更多的是一到一百，甚至一百到 N 的创新」，里面有算法创新，但很多是工程创新，这是公司该做的事，美国也是公司做的。AIR 的做法是和企业合作，用企业的资源去做。
— 张亚勤信息智能是智商，读再多书也不会游泳
张亚勤用一个人打比方：信息智能就是一个人脑袋特别聪明，读万卷书，什么都懂，能解题、能发明公式、能写文章、能画画，在每个领域都比一般人懂——这是大脑的智商，他判断五年之内就能达到。但「你读再多书，怎么游泳你还是不会游」，你还要再游泳，这就是物理智能。他进一步说，爱喝酒的人怎么看书怎么聪明，不喝还是不行，物理世界的东西必须和那个世界交互。物理智能里第一个落地的是自动驾驶，因为它是 close problem，人形机器人是 open problem，还需要十年。
— 张亚勤机器人分三类，家庭机器人最难
张亚勤自己把机器人分成三种场景：家庭机器人、工业机器人、社会机器人。家庭最容易理解——照顾老人、做家务，但任务太复杂且碎片，还牵扯人的安全和家里的习惯，他认为这是最难的一类。社会机器人是警察、保安、送外卖、开车，在街上跑、和大家有很多交互。工业机器人最好定义，因为目标确定、场景固定。他希望三类机器人后台的技术是通用的，70% 到 80% 的后台一样，上面接不同的前端，后台就是一个巨大的多模态大模型。
— 张亚勤人形是为了能用人类的基础设施
为什么家庭机器人最好是人形？张亚勤给了两个理由。一是交互：人形机器人外形做得像人，你可能看都看不出来，沟通方式不一样，可以跟他谈心，他变成伴侣、管家，也可以帮你照顾老人。二是基础设施：我们现在的社会、楼梯、按钮，全都是给人做的，人形机器人可以直接利用现有基础设施，爬楼梯、按按钮。他补充说这更多是一种选择，社会机器人也一样——警察太小或太大你看了都不舒服，人形可以避免恐怖谷效应。他还说十年之内机器人可能比人都多，每个人有一个自己的 copy、一个分身。
— 张亚勤大模型一次性缓解了自动驾驶的三个老问题
张亚勤把自动驾驶十几年的困难归成三条：测试数据量不够；corner case 太多，安全场景碰不到；技术碎片化——地图一个模型、视觉一个模型、激光雷达一个模型，感知、融合、规划、决策一块块拼，还混着规则和神经网络算法。大模型出来之后三条同时被缓解：生成式可以造数据，仿真速度变快；大模型自带常识，没碰到的场景也能解决；端到端把所有模型装进一个箱子，一个输入一个输出，顶多用规则兜底。他说马斯克的端到端模型是让大家看到曙光的重要产品。
— 张亚勤过去换场景就换算法，现在都是 Transformer
张亚勤指出这一代和上一代深度学习的根本区别：过去一会儿用 Convolution 的 Cover，一会儿用 RNN，不同输入用不同算法，输出再去融合；现在不管是什么，都是同样的 Transformer，tokenized、token based。这个统一性让机器人的问题也变了性质。机器人过去用强化学习，一个环境一个智能体学策略，用到实体上经常不 work，real to sim 不 work。他们自己做的方法叫 RS2，把真实世界和物理世界连在一块，先在数字空间学，再补回真实世界，解决数据不足。更关键的是大模型给了机器人一个脑子——过去机器人听得懂字但不懂后面什么意思，没有常识、没有理解力、不会推理，现在可以指挥它把「把脏衣服送到干洗店」这种任务分解成动作。
— 张亚勤生物智能二十年，但意识不会从硅里长出来
张亚勤认为生物智能需要更长时间，二十年之内可以实现。路径上他更看好非植入式的传感器和脑机接口，先用于治病——盲人刺激 neuron、听不见的刺激 hearing 的 neuron、残疾人修复中枢神经，以及阿尔茨海默、多动症、自闭症，之后才拓展正常人的智能。但他明确划了一条线：他不认为人工智能目前可以产生意识，也不相信会有一个新的自我意识、新的灵魂。理由是「我们人怎么产生意识我们都不知道」，而且「我们没有办法去创造我们不懂的东西」。他引用 Richard Feynman 的说法支撑这一点。
— 张亚勤未来是新物种，但控制权还在人手里
张亚勤的物种观：未来就是一个新的物种，只是这个物种变得十分智能、能力很大，但它还是人类的延伸，被人类所控制。他拿三万年前的山顶洞人做参照——那时人类已经有工具、有火，但工具很 primitive；再过一百年看今天的手机、互联网、PC，就像我们今天看三万年前的石器。他特别强调进化速度的变化：人类从狩猎到农业社会两三千年没什么变化，真正的大变化是工业革命之后的三百年，蒸汽机出来之后人类进化就不再是达尔文式的自然进化，而是非线性、指数性的进化。所以他讲一百年，也许三十年，看今天的人类就会觉得很简单。
— 张亚勤三十年后开车像今天在纽约坐马车
张亚勤对十年后的具体想象：很多车是无人驾驶的，很多机器人进入家庭，像今天的冰箱、电视一样，你不在家时它帮你看窗户关没关、有没有人闯入。开车的人会变得很少，很多人选择不开车，买车的钱可能花在买机器人上。三十年后，看到人开车就像今天在纽约看到马车一样新奇，人开车可能需要特殊批准、拿特殊牌照。他举电梯做类比：三十年前电梯里还坐着人帮你按楼层，现在几乎没有了，但英国某些地方还保留人工电梯，反而变成一种高端服务。
— 张亚勤寿命拉长会先改变工作周，再改变人口结构
张亚勤判断三十年后人的寿命会大幅度增加，可能不会永生，但一百岁成为常态，有些人到一百五十岁。他推演的社会后果是：工作时间越来越少——工业革命后一周工作七天，后来六天，他出国时还是六天，回来是五天，现在欧洲一些地方已经四天，以后人可能一周工作一天，别的时间做自己喜欢的事。他强调这不是失业叙事，而是社会生产力大幅度提高、社会结构变化：人类寿命变长，自然出生率降低，新出生的人数变少，发达国家的入口已经在变少。他还说以后八十岁的人可能还是青年、壮年。
— 张亚勤原话 · 已逐字校验
他说当你们在不为这个问题的时候，不讲这个问题的时候，你变一流了
他说，当你们不再为这个问题纠结、不再谈论这个问题的时候，你们就成一流的了。
张亚勤4:04
你读再多书，怎么游泳，你还是不会游，你还要再游泳
你读再多书，也还是不会游泳，你还是得下水去游。
张亚勤13:08
机器人，他是个open problem，自动驾驶，他是个close problem
机器人是一个开放问题，自动驾驶是一个封闭问题。
张亚勤14:08
他听得懂你那字，他不知道后面什么意思，没有这个常识，没有理解力
他听得懂你说的字，但不知道背后的意思，没有常识，没有理解力。
张亚勤31:16
三十年之后可能，你看到有人开车，就像现在以后，开马车一样，变成新型的东西了
三十年后你看到有人开车，就像现在看到有人赶马车一样，变成一种新奇的东西。
张亚勤46:22
数字与实体
| 信息智能达到人类水平的时间判断 | 五年之内 | 11:08 |
| 人形机器人（物理智能高等级）所需时间 | 十年 | 14:08 |
| 生物智能实现时间 | 二十年之内 | 39:17 |
| 三类机器人后台通用比例 | 70% 到 80% | 17:14 |
| 微软研究院早期找人占用的时间比例 | 80% | 5:04 |
| 三十年后常态寿命预期 | 100 岁，有些人到 150 岁 | 48:22 |
| 未来每周工作时间推演 | 一周工作一天 | 48:22 |
术语
- RS2真实到仿真再回到真实
- 张亚勤团队的方法，把真实场景转成数字世界训练，再回到真实世界落地。
- corner case极端场景
- 自动驾驶测试中难以碰到、却决定安全性的罕见场景。
- end-to-end端到端
- 把感知、规划等模块合成一个模型，一个输入直接出一个输出。
- world model世界模型
- 在数字空间里构建并模拟物理世界的模型，用于训练具身智能。
收听指南
关注 AGI 路线图、自动驾驶与具身智能落地节奏的创业者和投资人，想听一位院士给出时间表和分类框架的人。
51:27 之后荐书部分可跳过，与主线判断无关。