邱锡鹏教授做客上科大，共探情境智能前沿突破

5月6日，“上科大AI创新计划 涌现/对话”系列讲座特邀复旦大学特聘教授、上海创智学院院长助理、CAAI Fellow邱锡鹏教授，带来题为“情境智能：迈向下一代强交互大模型”的深度报告。本次活动由AI协同创新推进办公室、科技发展处、信息科学与技术学院、CEISD等单位联合主办。

邱锡鹏在报告中系统阐述了情境智能（Contextual Intelligence）的理论框架与技术路径。他指出，大模型的发展正进入新的阶段，“上下文扩展”（Context Scaling）应被视作继模型参数扩展（Pre-train Scaling）和推理过程扩展（Test-time Scaling）之后的第三个核心AI发展维度。

邱锡鹏表示，“Context”在此不应被简单译为“上下文”，而应理解为“情境”——一种复杂、多维、动态的环境信息集合。为统一描述现代人工智能的核心目标，他提出了分析框架 p(θ|d,c)，即在给定情境 c 下，模型预测决策 d 的概率，其中 θ 代表模型参数。该框架表明，模型规模 θ、决策链长度 d 与情境丰富度 c 三者之间并非简单的替代关系，而是正交互补、协同增强。邱锡鹏指出，当前大模型的瓶颈并非模型能力不足，而是有效信息未能高效传递至模型。过长的上下文可能带来“上下文腐化”，而将图像、语音等转化为文本时又会产生“表达损失”，并由此提出构建“上下文基础设施” 的五大核心流程。

在围炉座谈环节，邱锡鹏与上海科技大学信息学院副院长屠可伟、副教授赵登吉展开讨论。邱锡鹏回顾了自然语言处理从任务驱动到预训练统一的范式迁移历程，指出ChatGPT的突破并非偶然，而是长期在预训练、指令对齐、RLHF等方向积累的结果，强调“scale”不仅是模型参数的扩大，更是数据、推理与上下文维度的协同演进。屠可伟和赵登吉表示，语言是人类抽象后的符号系统，而图像、语音等原始模态缺乏语义抽象层，导致多模态建模面临“对齐难”“表达损失大”的根本挑战。世界模型的构建需跨越从像素到语义的鸿沟，不能仅依赖端到端训练，而应探索更高阶的抽象表示机制。

三位教授共同探讨了AI未来可能主导自身迭代的前景，认为其能力提升将依赖于“脚手架系统”与交互学习，而非单纯增大参数。人类的角色应从“开发者”转向“价值设定者”，通过设定模糊但有益的目标、保留评价权，引导AI向对人类有益的方向演进，避免失控风险。

 活动现场，上科大副校长兼副教务长虞晶怡为邱锡鹏颁发“上海科技大学涌现/对话系列活动主讲人证书”，感谢其为师生带来的前沿分享。

在提问环节中，现场师生围绕情境智能落地中的核心挑战、如何构建有效的上下文管理系统、解决AI科研中的记忆与创新瓶颈等方面，踊跃提问，交流氛围热烈高涨。

报告以深刻的学术洞察，系统展现了情境智能与上下文扩展的发展方向，引发了师生对于人工智能本质与未来形态的深层思考。AI创新计划涌现/对话系列活动为学校科技创新创业、学术交流生态注入了新活力。未来将持续邀请更多学术精英、产业专家、创业先锋走进校园，助力学生成长成才。