近日，中国科学院计算技术研究所副所长、北京开源芯片研究院首席科学家包云岗，在上海举行的2026未来科学创想季跨界对话上发表主旨演讲，围绕AI能力边界这一议题展开探讨。其间，他提出了一个凝练的判断：“AI能力的深度取决于使用者知识深度，可验证性决定AI适用边界”。这一表述同时触及AI的使用效果与适用范围两个层面，为观察AI在专业领域的落地提供了参照。
知识深度决定AI能力的深度包云岗指出，AI能力的深度取决于使用者的知识深度。按照这一逻辑，AI并非“输入问题、自动产出正确答案”的黑箱：使用者的领域知识越扎实，越能准确界定问题、设计有效的交互路径，并识别输出结果中的偏差与局限；反之，缺乏相应知识储备的使用者，即便面对同一工具，也难以触及其能力上限。
对通信、集成电路等技术密集型行业而言，这一判断意味着AI工具的效能与使用者的专业功底深度耦合。在引入AI工具的同时持续投入人才培养，是释放工具价值的配套条件。
随机性：以严格流程约束保障可靠性演讲中，包云岗谈到AI随机性的两面性：随机性可以带来多样性探索，但需要通过严格流程加以约束，以保障可靠性。这一观察切中大模型应用的普遍经验，概率性生成在方案探索、思路启发阶段是一种资源，而在可靠性要求较高的工程环节，未经筛选的输出则会构成风险。将AI嵌入研发与生产流程，需要测试、评审、复现等机制与之配套。
可验证性划定适用边界“可验证性”是这次演讲的另一个关键概念。包云岗以数学证明为例说明：在这类场景中，AI生成证明的效率表现突出，但验证其正确性仍是关键瓶颈。换言之，生成能力的提升不等于结果可以直接采信，能否对结果进行独立、严格的检验，才是判断AI能否进入某一场景的核心尺度。
这一视角提示，评价AI能力不能只看生成速度与规模，还要考察结果的可检验性。在集成电路设计等长期依赖形式化验证保障正确性的领域，AI生成的代码、方案或证明，最终仍需纳入成熟的验证体系，方能承担实际职责。
延伸研讨：双向促进与协同进化除主旨演讲外，与会专家还就AI与数学双向促进、人与AI协同进化等议题展开研讨。前者关注数学为AI提供理论与方法工具、AI反哺数学研究的互动关系；后者指向人机协作模式下能力结构的长期演进。
对正处于智能化转型中的通信与信息产业来说，包云岗提出的这组判断给出了一个务实的落脚点：与其笼统追问AI“能做什么”，不如逐项界定它在哪些环节可被验证、由谁验证、以何种流程验证，这是AI从能力演示走向规模化工程应用绕不开的一步。
双悦网提示：文章来自网络，不代表本站观点。
