（图源：科大讯飞）

蓝鲸新闻 10 月 23 日讯（记者 卢思叶）在 10 月 22 日的科大讯飞一年一度的开发节现场，科大讯飞董事长刘庆峰进行了约两个小时的演讲，密集发布了大模型、技术架构、人机交互和智能硬件等领域的一系列新产品与新进展，国产算力、自主可控、安全与落地是贯穿演讲中的高频词。

作为讯飞核心布局的技术方向，全国产算力训练的大模型的进展一直受到关注，这次大会上，讯飞发布了端云一体讯飞星火 X2.6。刘庆峰认为，这是一个兼顾 AI 安全性与性价比的技术路线，未来约 60% 的应用场景可以在端侧完成，30% 通过端云协同处理，其余 10% 交给云端大模型。

" 讯飞星火 X2.6 也是首次在国产算力上完成超长上下文代码与智能体任务的训练，训练效率提升约 4 倍，模型水平对标业界主流。" 会后的采访中，刘庆峰向蓝鲸科技在内的媒体进一步解读了发布的内容。

刘庆峰谈到，国产算力与全球顶尖水平仍有约两代差距，但只有在国产算力上训练出自己的模型，才能自主可控。不过，国产算力生态仍处于发展早期，主力玩家还太少，" 我们并不希望讯飞是唯一在国产算力上做训练的，希望有更多人进来 "。

他判断，随着国产算力快速进步，未来两年与国际先进水平的差距有望拉平。刘庆峰将讯飞当前的核心工作归纳为三个方向：在保障安全的前提下推动大模型全面应用并降低 Token 成本，让人工智能从数字世界走向物理世界，以及将 AI 带来的效率提升从个人延伸至组织。

对于行业热议的 AI 发展预警，刘庆峰提出，如何为被替代的劳动者提供保障、重新定义工作的社会价值并创造新的工作类型，比模型失控更为迫切。" 我估计最多 5 到 10 年，社会所需的生产和生活质量，可能只需要 10% 到 20% 的人来干就够了。"

以下为部分采访实录，经编辑整理：

国产算力突围与端云协同方向

提问：讯飞新一代的主力通用大模型目标是站稳国内第一梯队，您觉得依托国产算力实现源头技术领先，挑战和优势在哪里？

刘庆峰：挑战当然挺大的，最大的挑战是国产算力的单卡算力、显存带宽与国外主流芯片仍有差距；二是国产大模型训练生态不完善，大家基本只在上面做推理，训练侧的算子库、方法沉淀等可共享资源很少。我们的信心还是来自要 " 顶天立地 "：拿着自主可控的算力，基于算法创新，瞄准真实刚需场景做通、做到领先。

战略定位有三条：第一，在全栈自主可控的平台上对标全球顶尖模型，紧密跟进；第二，在教育、医疗、能源、安全等行业做到全球领先；第三，多语言大模型代表中国，给全球重要民生和重大战略领域第二种选择，这不是一个可以随便用的开源模型，而是事关国家未来战略影响力的领域。我觉得在这个工作中我们还是做的不错的。

提问：如何定义 " 全栈自主可控 " 对国产 AI 的价值？

刘庆峰：第一，算力要用国产的，不仅用国产算力做推理，更要用它做训练。第二，算法要全部自己掌握，并具备持续创新能力。第三，数据要能自主获取、自主清洗，甚至把数据当作科学能力，而不是简单蒸馏。第四，要有针对场景的软硬一体化创新能力。

也就是说，从底层硬件到模型算法、数据、场景再到落地，要具备全栈能力，这才是真正的自主可控。尤其是在国产算力上做训练，如果大家都不在国产算力上做，这一步永远跨不出去，也才能真正向全球输出。

提问：越来越多国内厂商开始使用国产算力，这种趋势一定势在必行，之后面临的行业竞争中讯飞的先发优势还稳固吗？另外因为模型的技术迭代一直非常激烈，您怎么看持续的资本开支和财务风险？

刘庆峰：首先我想说一下，我们并不希望讯飞是唯一在国产算力上做训练的，我们呼吁有更多厂商加入。国产算力上因为架构和体系都有差距，我们都得自己干，如果生态里有很多家一起做，就可以分享了。所以我们是希望越来越多的国内大模型厂商在国产算力上一起做生态。

另一方面，我们也不怕竞争，大家都在同台竞技，科技创新恰恰需要这种竞争精神和好胜心，同时国产算力在进步，我觉得未来两年差距会拉平，拉平以后生态会起来。就像我讲的这是一场凝心聚力的长跑，我们有这个人工智能使命，而不是仅仅要个名称。

另外未来云端结合的方式等很多创新方法，大模型或者人工智能的创新还远没有结束。现在我们还在布局量子计算与 AI 预训练的结合，算力可能是上万倍的提升，从根本上解决算力和能源约束。

至于投入，现在对于模型的摸高还是需要有人去做的，在这个过程中我们还是要发挥举国体制优势，避免没必要的重复投入，避免动辄几十亿、上百亿的无效沉没成本。讯飞的策略是云端结合，云端模型不做太大，同时把端侧模型做透，来解决模型既安全又节省 token 成本的落地问题，这是我们的战略定位。

模型突破与规模化落地进展

提问：您会怎么总结现在讯飞的大模型处在什么阶段？能不能说业务结构调整已经到位？

刘庆峰：我觉得分方向看，总体上还在快速探索，快要走完从 0 到 1，但在教育场景已经差不多走到 1 到 10 的过程。总体来说，底座模型的综合突破还在探索中，但很多行业落地已经走过 0 到 1，开始规模化。

业务调整的大方向基本到位，但市场在变、模型在变，业务节奏会动态调整，策略还是 " 优选 G 端 "，付费能力不确定、交付成本高的场景先往后放；" 做深 B 端 "，用 WinWork 数字员工把大模型真正融入企业流程，从个人提效做到组织提效；" 做强 C 端 "，比如推出小圆盘等新设备，学习机、办公本持续做强。

提问：怎么把之前的标杆案例变成可规模化复制的价值？

刘庆峰：这个问题比较大，但我可以说一下，今天大会主论坛上我重点回应了三个问题：如何在解决安全的前提下推广大模型全面应用、还能节约 token 成本；第二是如何让人工智能从数字世界走进物理世界；第三是如何从单点的个人提效变成组织级提效。

这三件事就是我们当下工作的核心。先说底座全站自主可控，我们的定义是必须在中国国产算力上训练出来，如果都是用 N 卡训练、只在国产芯片上推理，意义完全不同——训练的难度大很多，一旦断供就没法推进。作为人工智能国家队之一吧，我们还是坚定要在全国产算力上训练大模型。

这确实面临很大挑战和压力，就是国产算力和国际顶尖水平的差距将近两代，我们还在快速追赶，显存带宽差距尤其大，超长上下文的代码和智能体任务过去 " 装不下、训不动、效率低 "。今天我们很重要的突破，就是首次在国产算力上让超长上下文的代码和智能体任务能够被训练出来，效率大幅提升 4 倍，水平与业界主流模型几乎相当。

我想这是第一个，把单点案例变成全面价值必须有超前、真正达到业界一流或者对标一流的底座模型，我们现在在国产算力上做这些工作，而现在刚刚训了两个月，明年一季度还会有新的进展。就是踏踏实实的每一个算法创新、每一个软硬件的适配、每个算法都是我们自己干的，我们有办法一步一步给它往前提。

第二件事情我觉得特别重要的是，也是现在全球最大的焦虑，比如 Agent 在邮件系统中自动看邮件，不光读邮件还有很多附件里面的各种商业机密、科研的独特数据和记忆，怎么放心送到后台模型？大家都担心各种隐私和安全问题，所以我们今天特别提出来要用端侧模型，在一台本地的电脑、本地手机上解决掉 60% 的工作。

这事很难，为什么？因为端侧模型现在要解决的问题很多都是复杂智能体的长期任务，好处就是可以不用担心任何数据隐私问题，同时不花一分钱 token 成本，我觉得这是真正的符合中国用户现状，将来可能在全球实现突破的模型。

这里面有最重要的两个关键点，一个是我们在端侧模型的训练上有很多创新，国产算力在训练端侧模型时是够的，这是我们把算力限制抵消后，能跟别人同台竞技来干的事情。另外一个没有云端模型的能力，训不好端侧模型要联合统一训练，这也是我们第一次让云和端联合统一训练。

提问：您觉得国产 AI 底座在海外的吸引力到底来自哪里？

刘庆峰：客观说，从算力基础和模型摸高能力上，海外还是更领先，那为什么海外还有那么多的开发者用我们的平台，还有那么多的国家优先选我们作为大模型合作伙伴？

第一是因为我们今天的大模型应用在中国是真落地了，不是简单的一个模型，无论是闭源还是开源，比如讯飞模型和教育的落地很深入，70% 的全国智慧教育示范区是我们做的；比如人工智能赋能医疗在基层，800 个县区已经用了人工智能帮助基层提升能力、减少错诊、漏诊、错误用药。国外合作伙伴到现场一看，就会被这些看得见摸得着的场景吸引，所以我想更多的是，我们回归价值创造的根本。

另外一个呢，大模型越来越依赖语音能力，现在说的 " 对话式开发 "，人机交互的入口在机器人、智能家居这些场景里，我们能通过软硬一体化能力能搞定。语音 + 语言大模型的组合起来，也是我们的综合优势。

AI 信任与治理的破题

提问：大模型的能力边界一直在拓展，但一直存在信任等方面瓶颈，您认为，比如智慧座舱、AI 眼镜、软硬一体的人机交互等，要真正走进普通人的生活，需要率先跨越怎样的信任门槛？

刘庆峰：这里面是两件事，比如医疗和教育等，信任门槛就是国家级的标准测试认证，模型能不能通过。第二是用技术手段解决数据安全的顾虑，比如我们的语音识别和模型处理都在往端侧走，数据不出端，就不用担心声音送到后台。

像机器人和汽车进入家庭，除了后台模型解决刚需，更重要的是它和人的交互，比如距离和噪声不断变化，机器人怎么听清指令、理解多人意图、协调语音与动作，这背后是时空分离、说话人识别和语义理解。也就是说要把人机交互从语音交互到多模态交互，再到多模具身交互，这是关键。

今天机器人的语义理解和沟通能力已经没问题，比如去超市售卖东西完全没问题，但表情不生动、动作不自然，现在行业机器人都是这样的，原因是缺乏多模人机交互。我们今天把具身多模交互和机器人超脑平台开放给机器人厂商，本体的运动灵活性、多维度的肢体动作、面部微表情会进一步跟上，这是整个产业协同推进的过程。

提问：最近从科学家到一线研究员都在密集发出 AI 治理预警，您怎么看技术革新带来的风险治理问题，怎么在 AI 转型中最大化收益、最小化风险？

刘庆峰：AI 治理是持续研究的课题，因为现在确实变快太快，本质上过去一年模型训练方法并没有大的突破，但规模变大、高质量数据越来越多，某种程度上是 " 大力出奇迹 "。这决定了它一定是颠覆性的技术和产业革命，社会治理必须同步跟上。

一类风险是单一模型失控，一个超强的模型如果没有应用场景约束，在攻破各种各样的系统中的能力是超强的，这方面我觉得要有一些社会治理必须跟上，防止出现重大的社会体系管理和运行中出现的一些风险。另一类是长期隐患，所谓硅基生命的自我意识，目前来看还不具备技术支撑，但是也不好说将来会不会出现，模型的天花板还有不确定性。

我觉得现在反而最要关注的社会治理，是 AI 在快速的多岗位快速提效之后的保障体系，很多岗位被替代，年轻人更难找工作，多年积累的高端岗位也在被替代。第一要有社会兜底保障，这是我今年两会的一号建议；第二要重新定义社会管理逻辑，比如缩短工作时长，让大家都有工作，有成就感来源；第三要快速定义工作的社会价值和新的工作类型。

我估计最多 5 到 10 年，社会所需的生产和生活质量，可能只需要 10% 到 20% 的人来干就够了，这就会面临劳动力分流和新价值创造的重塑，这件事情比模型失控更迫切。

所以我演讲中提到，一定是基于人工智能建设美好世界，比如 AI 教育绝不只是帮你刷高分，而是提高兴趣、综合素养和幸福能力，伦理和人文的牵引非常关键。面对未来 5 到 10 年，整个社会在这场工业革命中的重塑 , 是现在最需要关注的问题。