00后和院士同台产学研趟出新路，大模型下一战要拼全模态和真对齐
上周，中国中文信息学会做了一件很有意思的事——把学界教授、企业负责人和投资人请到了同一个会场，联手联想控股、中科院软件研究所等单位，成立了产学研创新生态工作委员会。说白了，就是在产学研这条老路上，想趟出一条新道来。
建立协同前创新，而不是成果后转化
联想控股CEO于浩出任工委会首任主任。他在会上讲了一个很关键的观点：过去产学研走的典型路径是“成果后转化”——科研机构闷头做出成果，再满世界找市场。现在这个路径已经走不通了。必须转向“协同前创新”，让产业端从研发阶段就参与进来，资金同步跟上，形成闭环。
这个思路其实不难理解。以前是论文出来了再想怎么卖，现在是企业带着实际问题进实验室，团队边研发边验证市场价值。效率自然不一样。
百度CTO王海峰：大模型从多模态拼接走向原生全模态
王海峰是国家卓越工程师、百度首席技术官，也是中国中文信息学会副理事长。他在演讲中把人工智能的下一个关键方向锁定在“原生全模态”上。
先看看现有多模态路线的问题。一种是系统层级的级联：语音对话系统里，ASR把语音转成文字，LLM做推理，TTS再把文字合成语音。另一种是模型内部的架构拼接，通过跨模态对齐模块连接视觉和语言模型。这两种方式的毛病在于——信息容易损耗，表示空间不统一，跨模态对齐困难重重。
所谓原生全模态，就是让文本、音频、图片、视频这些输入输出，都进入一个统一的模型框架，而不是让多个模块在外面接力。在文心大模型5.0的设计中，多模态输入被序列化为统一的离散Token，映射到共享表示空间，然后在自回归Transformer主干上以“下一Token预测”这样的统一目标进行建模。
具体的技术细节同样有意思。弹性预训练（Once-For-All）可以一次训练多种规格的子模型，适应不同的算力、延迟和成本约束。超稀疏MoE和动态路由则试图在“容量”和“效率”之间找平衡——专家激活率低于3%。在语音上，文心用多层Codec Token完成理解和生成；在视觉上，把图片当作单帧视频，将图片与视频统一为视觉Token序列。
在后训练和工程平台侧，也有几个亮点：训练推理一致的强化学习后训练保障了稀疏MoE的稳定收敛；多教师在线策略蒸馏降低了不同能力之间的相互干扰；FlashMask则针对复杂掩码的高效注意力计算，缓解长上下文和多模态异构输入带来的算力压力。在底层适配上，飞桨深度学习框架已覆盖超过60个系列芯片，主流国产人工智能芯片都在里面。
王海峰把竞争格局总结得很清楚：大模型竞争不只是单点模型参数或者榜单名次，而是统一建模、工程平台、多硬件适配和应用落地的组合能力。他呼吁产学研共同凝练真问题，建立更有耐心、有容错空间的创新环境。
微软研究员刘树杰：多模态不是把模态加进来，而是把表示对齐
刘树杰是微软亚洲研究院首席研究员，长期研究自然语言处理、语音处理和机器学习。他的不少成果已经用到Microsoft Translator、Skype Translator、微软语音服务等产品里了。
他以VALL-E为例，展示了一条把语音当作语言模型的路径。传统文本到语音（TTS）任务，可以改写为在离散神经音频编解码Token上的条件语言建模。一旦语音变成Token序列，就能借大语言模型的训练思路，实现零样本个性化TTS、语音编辑和更富表现力的语音生成。后来的VALL-E X进一步做到了跨语言零样本TTS，VALL-E 2又把零样本TTS效果推到了更接近人类水平。
刘树杰对多模态大模型的判断值得一说：纯文本模型的输入干净、符号化，推理能力和稳定性更强；多模态信号则更含噪、更非符号化，还带有长程时序结构。多模态大模型推理和鲁棒性不够好，根本原因往往不是模态不够多，而是表示不匹配、噪声信号太多——模型的建模能力被消耗在处理噪声上，而不是用在推理上。
在他看来，关键不是把音频、图片、视频等模态直接“加进来”，而是真正解决表示与对齐问题。语音介于文本和视觉之间，既是语言也是信号，可以成为连接文本大模型和更复杂多模态任务的桥。在视频方向，ARLON这样的思路提供了一个方向：把连续视频信号压成离散视觉Token，用自回归模型提供粗粒度语义和时序引导，再用DiT细化出高质量画面。
落到产学研上，刘树杰认为，应该集中攻坚大模型的核心问题——表示、对齐、评估与推理，而不是停留在跟随和调参。同时要和产品团队、产业界保持足够紧密的合作，让研究问题来自真实场景，也让成果更快回到产品和业务中。
研产融合共同答题，把科研团队和产业需求接到一起
于浩的观点很明确：产业端不能等技术成熟后再找应用场景，科研端也不能只等论文和项目结题后再寻找市场。产业和科研不是一方出题、一方作答，而是双方联合出题，依靠研产融合共同解题。
那工委会具体要做什么？于浩给了一个纵横两条线的框架。纵向是打通科研端、产业端和投资端。横向是在学会内部打通各个专委会。中文信息学会下设机器翻译、信息检索、语音处理等多个专业委员会，但于浩认为，AI技术快速迭代的环境下，按传统技术方向划分的组织形式已经不够灵活，工委会要做资源的横向连接。
落地层面，工委会计划搭建三个平台。
第一个是评测平台，把过去学术导向的评测改为“产业出题”模式，引入企业真实需求来设计评测任务。第二个是信息枢纽平台，改变过去老师和企业的点对点零散对接，做成系统化的生态网络。第三个是背书平台，借助学会作为国家一级学会的公信力，降低产学研合作中的信任和沟通成本。
围绕这三个平台，工委会公布了未来18个月的工作计划，主要是四件事：技术前瞻——产业界、投资界和科技界一起去探索、预测前沿技术的节点；项目孵化——完成标杆项目的孵化落地，希望把智谱模式复制出去，不是单点而是多面；专业评测——把企业真实问题转化为评测任务，驱动技术团队解决实际问题；人才发现——从评测和企业互访中挖掘优秀的青年技术人才。
圆桌激辩产学研合作模式：最怕院士创业，绝大多数教授只能当首席科学家
随后的圆桌环节，来自产业、高校、资本和创业一线的嘉宾探讨了两个核心问题：产学研的合作模式发生了什么变化？科学家创业该怎么定位？
拓尔思董事长、中国中文信息学会监事施水才认为，过去产学研转化是线性的——从实验室到公司，再到资本和市场，但现在这条路径已经太慢。新的变化有几个特征：硬科技创业地位更高，科学家需要更深度参与，技术迭代进入“生死时速”，企业必须做到行业头部，同时更需要资本和政府基金护航。他提醒，现在不少高校教授都有产业化想法，但创业不能“既要又要”，团队也不能只有一类人——科学家、工程化、商业化、财务和管理角色都要互补。
00后陈天润提供了一个反直觉的观察。他是在读博士，创办了做世界模型的魔芯科技。他的切身体会是：在大模型和世界模型这些前沿方向，一两个关键研究者的想法就可能改变项目走向，这些人未必是导师，很多时候可能是在读博士或刚毕业的年轻人。当然，年轻团队也需要高校、产业和资本资源的支撑，才能把研究想法变成更有行业影响力的产品。
哈尔滨工业大学教授、中国中文信息学会常务理事赵铁军对此深表认同。他说，创新的主要力量确实来自在读学生，他们思维活跃。AI技术迭代很快，很多创新力量来自在读学生和年轻研究者，高校老师需要把心态放得更开，和年轻人形成更自然的协作关系。
北京前沿国际人工智能研究院理事长、英诺科创基金合伙人王晟从投资人角度给出了一个判断：“VC投的不是科学家，是有科技基因的企业家。”他把高校创业者分成三类：商业和学术都顶尖的极少数人可以做CEO；只有学术能力的占绝大多数，必须找商业搭档；介于两者之间的可以多承担管理职责，但仍需互补。核心原则是“责、权、利对等”。
联想控股副总裁纪朝峰则直接坦言“最怕院士创业”——院士在学术圈习惯了权威地位，办企业容易出现管理盲区，“谁敢提管理意见？”他强调，投资和孵化不能只在给钱之后补救，而要在投资前就判断团队能力、组织机制和关键人的性格边界。
圆桌最后的共识很朴素：人无完人。科学家创业最重要的不是补齐所有短板，而是找到互补的搭档，把责权利理清楚。
