ARTICLE · 1202707
戴琼海院士:AI的下一道门槛,是世界还没有被看见
单击上方“图灵人工智能”，选择“星标”公众号
您想知道的人工智能干货，第一时间送达
一位从工业控制走向计算成像、脑科学和光计算的研究者，究竟为人工智能提出了什么不同的问题？
今天谈人工智能，人们习惯先问三个问题：模型有多大，数据有多少，算力有多强。戴琼海院士的研究提醒我们，在这三个问题之前，还有一个容易被跳过的问题：我们让机器学习的那个世界，究竟有没有被充分、可靠地观察到？
这不是一个修辞问题。假设一群神经元的活动正在多个脑区同时发生，但显微镜一次只能清楚地看到其中一小块；假设免疫细胞在器官内部连续迁移，但拍摄它们的光照会先把细胞损伤；假设AI模型在海量图片中识别得越来越准，但那些图片从未记录过决定因果关系的时间、深度和相互作用。此时，给模型增加参数，可能是在更高效地处理一个从源头上就不完整的世界。
戴琼海院士并不因此反对大模型或数据驱动。他在公开演讲中明确承认人工智能对科研范式的改变。真正值得研究的是，他把争论往前推了一步：数据不只是被收集的材料，数据的产生方式本身可以被设计；计算不只是处理观测结果，还可以参与定义“怎样观测”。这是理解其学术轨迹、技术选择和产业影响的一把钥匙。当然，这把钥匙不能打开所有门。做出更好的显微镜，不等于已经理解了大脑；让光在芯片里参与运算，也不等于造出了通用人工智能。恰恰要守住这些边界，才能看清戴琼海院士在全球AI思想谱系里的真实位置。
一、他的学脉，不是一条从导师到弟子的直线
戴琼海院士1964年生于上海，1987年本科毕业于陕西师范大学，1994年和1996年分别在东北大学取得硕士、博士学位，1999年起在清华大学自动化系工作，2017年当选中国工程院院士。中国工程院对他的专业定位是“自动控制学专家”，研究领域包括智能科学与技术、成像与脑认知。这个定位很重要：他进入AI问题的最初入口，不是语言，不是互联网搜索，而是系统怎样感知、估计和作用于真实过程。
东北大学流程工业综合自动化实验室的公开资料将他列为“93级博士研究生”。其早期论文又显示，他与柴天佑院士等人共同研究动态神经网络、鲁棒自适应控制和未知非线性系统。论文作者简介记载，当时戴琼海院士的研究领域包括神经网络、非线性系统与自适应控制。由此可以可靠地说，他受过东北大学流程工业自动化学脉的训练，并与柴天佑院士有共同研究；
这段经历的思想意义，不是要把他后来的每一项研究都说成工业控制的“必然结果”。那会把真正的转向抹平。它提供的是一种问题感：现实系统并不把内部状态完整交给我们；观测有噪声，模型有误差，控制需要在不确定条件下保持稳健。如果把控制问题写成一条链，便是“真实状态—有限测量—模型估计—行动反馈”。多年后，戴琼海院士进入成像领域，最敏感的仍是链条中“有限测量”这个位置。这是本文对其学术连续性的解释，不是他本人对学脉作出的原话式总结。
他在2018年讲述过实验室自身的迁移：从流媒体到立体视频，再到计算摄像，之后转向脑科学与人工智能。流媒体时代解决的是图像如何传输和重建；立体视频时代，问题变成机器如何表示空间；计算摄像时代，问题进一步变成：能否改变相机的采集方式，让通常拍不到的信息进入数据；进入脑科学以后，这个问题又变得更苛刻——能否在不破坏活体的前提下，长时间看到器官尺度上的细胞互动。每一次转向都不是换一个热门题目，而是在前一代工具碰到物理或信息边界时，重新划定“采集”与“计算”的分工。
如果一定要为其学脉画一张图，我认为它有三层：控制论的系统与反馈意识，计算视觉的表示与重建方法，生命科学对可观测性的严格要求。近年的光电计算，又把计算从软件算法推进到材料、器件和物理传播过程。几条路径交汇于一个问题：面对复杂的真实世界，智能系统究竟该怎样获得信息、保存信息并用有限能量处理信息？
二、第一项基本假设：看不见的机制，不能靠堆数据直接补出来
我们习惯把“数据不足”理解为样本量太少。但戴琼海院士面对的许多研究场景，问题并非样本少，而是观测装置没有记录到正确的变量。
神经科学是最直观的例子。要研究一个神经元如何活动，显微镜可以拍得很细；要看整个脑区乃至多个脑区的活动，视场必须变大，细节又会丢失。类似地，普通摄像头可以看见街口的车流，却未必能同时看清远处每个人的手势。把若干低质量画面交给再强的模型，也不等于取得了缺失的时空细节。
因此，戴琼海院士持续投入“介观”问题。介观不是“中等大小”这么简单，而是连接两种研究尺度：微观研究单个细胞或细胞内部，宏观研究器官整体；介观试图看到大量细胞怎样在一个完整组织中相互作用。微观细节和全局互动必须同时存在，问题才可能成立。传统显微成像的视场、分辨率、速度、照明强度、体积深度往往互相牵制；拍得更细可能看得更窄，拍得更快可能需要更多光，而光会损伤活细胞。
这里有一个比“AI需要更多数据”更精确的判断：AI需要足以区分竞争性解释的数据。如果两种关于脑区协同的理论，在你能拍到的一小片组织上都给出同样结果，那么重复拍摄一万遍，也未必能分辨它们。只有当仪器跨到它们预测不同的尺度，数据才真正增加了知识。这是从戴琼海院士研究路线中抽出的认识论含义，而不是他对所有AI任务提出的统一公式。
这个假设的边界同样清楚。语言、代码、数学题等领域可以在既有符号世界里持续积累高质量反馈，不一定需要先造一台新相机。即使在生物学中，仪器看见了某个相关变化，也不自动证明它就是因果机制。可观测性是理解的条件之一，不是理解本身。
三、第二项基本假设：图像不是世界本身，而是一个测量系统的产物
传统相机给我们的，是已经形成的一张二维图。它很方便，但光从物体出发，到穿过镜头、受到遮挡、发生散射、落上感光器件，中间大量信息被压缩或混合了。若只把最后这张图当“原始事实”，便容易忘记：图片还包含镜头、照明、曝光和传感器的选择。
戴琼海院士2024年谈到“元成像”时，用过一个极有启发性的表达：不只记录最终图像，而是尽可能记录成像过程。其团队提出以“光元”为基本单位，保留更丰富的光线信息，再通过计算整合。这不是宣称能够凭空恢复所有丢失的信息，而是重新安排光学与计算的职责：在采集端保留可区分的信息，在计算端完成原来依赖复杂光学结构才能完成的聚焦、校正与重建。
2019年发表于《自然·光子学》的RUSH系统，可以看作第一种大型工程解法。团队使用曲面中继光学系统与传感器阵列，分区同步拍摄，再拼接重建，报告了约1厘米×1.2厘米视场、约1.2微米分辨率及每秒30帧的性能。这说明它不是简单“后期把照片放大”，而是改变采集架构，让不同区域的细节在同一时间进入系统。论文由范静涛、索津莉、吴嘉敏、谢浩等共同第一作者完成，戴琼海院士与孔令杰、郑臻荣为共同通讯作者。把它写成一个人的单独发明，既不准确，也会遮蔽交叉团队为何必要。
但RUSH并没有终结问题。多镜头阵列让系统复杂、昂贵；二维传感器仍然难以高速捕捉三维动态；长时间照明会带来光毒性；组织内部的散射和像差会让图像失真。戴琼海院士在演讲中直言，原有方案把传统光学工程能力推得很远，却仍遇到了难以继续扩张的边界。团队随后把更多任务交给扫描光场、数字自适应光学和计算重建。
2024年《细胞》论文发表的RUSH3D，报告在约8×6×0.4毫米的三维体积内，以每秒20个三维体积的速度，获得2.6×2.6×6微米的分辨率，并展示了小鼠皮层跨天神经活动、淋巴结生发中心形成、脑损伤后免疫反应等活体观测。论文摘要强调，其创新并非某一个参数单项夺冠，而是把体积、分辨率、速度、样本健康和系统复杂度放在一个可用的组合中。多位工程、生物医学研究者共同署名，戴琼海院士是通讯作者之一。
2026年发表于《自然·生物技术》的RUSH3D-HR，进一步把观察推进到亚细胞尺度。但这里出现了一个特别值得写出的“逆风事实”：它获得更高的分辨率，视场和轴向覆盖范围却比RUSH3D缩小。论文作者明确把两套系统定义为互补，而不是后者对前者的全面替代。真正的工程进步，不是宣布所有约束消失，而是知道针对哪一个科学问题，应该付出哪一种代价。
这也使“突破物理极限”的宣传话术需要谨慎。计算成像可以通过新的编码、多个光学通道和合理先验，改写特定系统的性能边界；它不能取消光子噪声、衍射、散射和能量预算。神经网络重建出的漂亮细节尤其需要与原始测量、物理模型和独立实验相互校验，否则“看见”可能滑向“画出”。戴琼海院士与合作团队在显微重建中引入光学成像模型和物理先验，恰恰说明智能算法的可信度，不能只靠图像好看，而要靠它对测量过程负责。
四、思想形状：把AI从“解释一张图片”，推进到“共同设计一次观察”
这里可以将戴琼海院士的研究归纳为四个彼此咬合的动作。
先规定什么值得被看见。若科学问题是单个细胞内部的蛋白运动，就不该为了一张宽阔但模糊的全景图牺牲局部细节；若问题是多个脑区如何协同，只盯一个神经元再清楚也可能错过机制。研究问题决定测量尺度，而不是有了某台仪器就只问它能回答的问题。
再重构观察装置。镜头、传感器、照明、扫描路径和计算流程不是串在一起的独立零件，而是共同实现某种观测目标的系统。RUSH到RUSH3D的变化，体现的不是“相机变好一点”，而是二维传感与三维空间之间的分工被重写：光场记录角度与位置等信息，算法再求解三维结构。求解需要物理假设，因此工程设计必须让逆问题尽可能可识别。
然后让算法接受物理约束。机器学习在弱光环境下去噪、校正像差、追踪细胞，可以让实验者用更少照明获得可分析的数据。但算法越能“补”，就越需要回答：补出的结构是否真在样本里？对训练分布以外的生物状态是否还可靠？科学仪器的好坏，不能只由视觉效果评判，还要看标定、对照与重复实验。
最后才把观察反馈给理论。拍下十万个神经元活动，不等于知道哪一群神经元“产生智能”；看到细胞迁移，也不等于已经发现疾病治疗方案。有效的下一步是提出更精确的机制假说，再用扰动实验和跨实验室复现检验。仪器的任务不是宣布答案，而是把原来不能提出、不能检验的问题变得可检验。
若把这些动作压缩成一句话，戴琼海院士路线的独特性在于：**他不仅把AI用作读图工具，更把AI放进“怎样制造证据”的过程。这是一种“观察的工程化”。它比单纯扩大训练集更靠前，也比“让AI发现一切”更克制。
2020年CVPR上的PANDA数据集恰好是一个中间环节：研究团队用十亿像素级视频，把“场景很大”和“人很小”两个通常相冲突的尺度放在同一数据里，用于大规模、多目标、长时段视觉分析。它的价值不只是样本数量，而是把普通监控视频容易丢掉的全局关系与个体细节同时保存。论文结果也显示，高密度、遮挡、尺度变化使现有检测与追踪方法仍受挑战。这里的可迁移思想是：先改变问题在数据中的可见方式，再谈模型是否真的会解。但若把这一路线用于真实城市治理，隐私、数据保留和误识别责任又会成为新的约束；数据能力的增长不会自动生成正当的使用边界。
五、最有野心、也最需要克制的一跳：从脑的可观测性到机器的认知能力
戴琼海院士在2021年的文章里，将人工智能未来概括为“发现、理解与创造”。他对现有AI局限的判断不只集中在模型精度，还包括鲁棒性、迁移性、能效、解释，以及复杂场景中对象关系的理解。他提出，要在脑科学和人工智能之间搭起“认知计算”的桥梁：一端需要多尺度、多模态的脑观测，另一端需要多层次认知模型。
这是他在AI思想谱系中区别于纯工程“把网络做大”的一处重要位置。若生物智能的形成依赖跨尺度、跨脑区的回环互动，人工智能对“世界怎样形成稳定表征”的理解，就不能只从静态图片的分类准确率来检验。连续、广域的神经活动记录，有可能提供新证据，帮助研究者提出更好的认知机制假说。
但是，从“看见脑”到“造出更好的AI”，至少有四道不同的门。第一道，是可靠记录神经和细胞活动；第二道，是从相关活动中辨认出因果机制；第三道，是把生物机制抽象成可计算、可迁移的模型；第四道，是证明这种模型在工程任务中比现有方法更有用。RUSH3D及后续系统最坚实的贡献在第一道门，并已支持某些具体生物学发现；它并未因此自动跨过后三道门。
这一点可以反过来检验宏大的“脑启发AI”叙事。若研究者只找到某种神经活动与行为的相关性，却无法通过干预说明它如何导致行为，AI研究就没有获得可使用的机制；若一个仿脑结构在小任务中表现不错，却缺乏跨任务的稳定优势，也不能说它指明了通用智能道路。戴琼海院士的路线最有价值的地方，正是可能让这些尚无答案的问题第一次获得更好的实验条件，而不是提前宣称答案已经存在。
他对此并非只有“造仪器”一个回答。中国人工智能学会刊载的演讲实录中，戴琼海院士把算法、算力与测试并列讨论，提出从功能识别、逻辑推理到认知决策，重新思考如何评价新一代智能。这一主张的锋利之处在于：如果评价方法只奖励静态识别，研究共同体就会不断强化静态识别；若要声称机器理解复杂环境，测试便必须包含关系变化、决策后果与新情境中的稳定性。不过，提出评价方向与形成被国际共同采用、足以检验通用智能的测试标准，仍是两件不同的事。
公开讲话中也有一些用于启发听众的宽泛类比，例如以不同动物的神经元数量说明智能差异。它们可以帮助提出研究问题，却不宜直接当成“神经元越多必然越智能”的严格定律。功能组织、身体结构、生态位、训练经验与任务类型都可能改变比较结论。实事求是地研究一位科学家，既要还原他的雄心，也要把雄心留在假说的地位。
六、为什么从显微镜走到光计算：他开始追问“信息如何以更小代价被处理”
如果说计算成像处理的是“怎样取得高质量信息”，光电智能计算处理的便是信息取得之后的另一道瓶颈：数量极大的数据，究竟用什么物理方式处理更合算？
显微系统、超宽视场视频和AI模型不断增加数据通量，电子计算的能耗、数据搬运、存储与时延便越来越重要。戴琼海院士与方璐教授等合作的光计算研究，尝试让光的传播、干涉、衍射成为计算过程的一部分，而不是把所有运算都还原成电子芯片上的指令。2024年《科学》论文中的“太极”光子芯片原型，报告了特定任务下的能效与扩展能力；2024年《自然》论文又提出光神经网络的全前向训练方法，试图减少训练对数字计算机离线模拟的依赖。
这一方向与成像工作有方法上的家族相似性：不要默认感知先发生、计算后发生，也不要默认计算只能在通用电子处理器里发生。如果光本身已经以并行方式传播，能否让物理传播承担适合它的计算？问题的核心，不是“光是否比电快”这种口号，而是任务、材料、噪声、精度、可编程性、光电转换及系统集成之间的总账。
在这里，数字最容易误导。一个原型芯片报告的每瓦运算数，不等于把激光器、调制器、探测器、模数转换、存储、控制与散热都算进去之后，整套系统仍胜过成熟GPU；一种光学训练方法在实验台上成立，不等于可以无缝训练主流大语言模型。论文标题或项目宣传中出现“AGI”，也不能被读成“已经实现通用人工智能”。可行性演示、系统性能、规模制造、真实应用，是四张不同的成绩单。
2026年，戴琼海院士与合作者发表于《自然·纳米技术》的文章，恰好体现了这种边界意识：它是综述，不是一颗新芯片的商业落地报告。文章转而讨论光计算若走向实际应用，需要满足的可编程性、集成密度、稳定性、制造与系统性能要求；清华大学自动化系的介绍也把重点放在从单项性能展示转向系统级评价。作者在这里的判断是：这不是路线退却，而是从“证明光会算”走向“证明光算得值得用”所必需的收紧。
对产业来说，未来若有可行机会，更可能先出现在带宽、延迟或并行计算特别敏感、任务结构相对稳定的细分环节，而非一夜之间整体替换电子通用计算。至于究竟是哪一类负载先胜出，仍须用包含外围器件、数据搬运和长期运行的系统成本来决定。没有这张全账单，光计算的产业意义只能写成“可能”，不能写成“已成定局”。
七、从论文到产业，影响究竟落在哪一层
谈戴琼海院士的产业影响，要防止一种常见误差：把研究工具已被制造出来、机构开始使用、企业完成销售、临床实践证明价值写成同一句话。四件事的证据要求并不相同。
在视觉技术上，其团队从立体视频重构、立体视觉走到计算摄影和高分辨场景数据，曾获得相关国家级奖项。这里可确认的是技术体系和产业化奖项所代表的历史成绩，不能据此推定所有后续项目都取得同样规模的市场回报。
在科学仪器上，RUSH3D系列的论文证明了特定活体样本、观测条件下的成像能力，也展示了神经科学和免疫学用途。清华大学新闻稿称，相关专利已转化成立国产显微仪器公司，系统支持多所高校和医院开展二十余项研究；《细胞》论文披露，戴琼海院士和吴嘉敏为浙江荷湖科技有限公司创始人及股权持有人，部分作者提交了相关专利申请。两者共同表明，这不只是“论文发表”，已有明确转化主体和研究使用场景。它们仍不足以证明大规模销售、广泛独立复现、医疗器械临床审批或疾病治疗效果；商业利益披露也意味着评价性能与市场效果时应保持独立证据意识。
更深一层的产业影响，是把我国高端科研仪器从“替代某台进口设备”的思路，推向“围绕尚未被充分观测的科学问题定义新仪器”。若新仪器让研究者持续看到此前无法观测的细胞群体行为，其价值可能表现在新假说、新实验设计和新的研究合作，而不只表现在设备采购金额。不过，这种价值要兑现，离不开可重复标定、样本制备、维护服务、数据标准、算法升级和跨实验室使用。最难做的不是展示一次高清录像，而是让不同研究者在不同样本上长期相信录像里的结论。
在光计算上，产业影响目前应主要写为研究方向与工程评价标准的推动，而不是市场占有率。它可能影响算力硬件的下一轮技术选型，但2026年那篇综述本身最有意义的动作，是把“光学芯片性能很好”翻译成“什么系统条件下它才算实用”。从技术指标到产业需求，需要的不只是更大的数字，而是一套可以被采购方、使用方和第三方共同验收的规则。
八、放进全球AI思想谱系：他不是“另一位大模型领袖”，而是“观察层”的建设者
要为戴琼海院士定位，不能只按“支持不支持大模型”分阵营。更有解释力的办法，是看不同研究者认为AI最缺的东西是什么。
李飞飞教授以ImageNet等工作证明，高质量、大规模的视觉数据与共同基准可以重塑算法进步的速度；后来她又推动空间智能，要求AI理解三维世界。戴琼海院士与她共享一个前提：视觉不是只靠语言就能代替。但两人的进入点不同。ImageNet最经典的工作，是把已有图片组织成更有力的学习与评估资源；戴琼海院士最具辨识度的工作，则是当现有图片根本没有记录所需信息时，反过来设计成像系统，让世界留下新的证据。二者并不对立，而是视觉智能价值链上不同的上游环节。
哈萨比斯领导的AlphaFold路线，着力让模型利用已有实验知识和数据库，预测此前难以高效获得的分子结构。戴琼海院士的介观成像路线，则要求改造实验仪器，让原本缺失的细胞动态被直接观测。这里的区别不是“预测派”与“实验派”谁更高级：预测可以显著扩大假说空间，观测可以纠正假说；可验证的科学循环需要两者互相制约。AlphaFold预测也有需要实验核实的结构细节，显微图像也有需要模型解读的隐藏变量。
与杨立昆等强调世界模型、预测结构和行动能力的研究者相比，戴琼海院士更靠近认识世界的测量前提：如果训练系统和真实环境之间的感官接口贫乏，模型究竟是在理解世界，还是在理解传感器所留下的残影？这不是对世界模型路线的反驳，而是在问世界模型的学习材料从哪里来、能否承受物理检验。
在国内学者中，他与强调具身交互、脑启发或计算架构的研究者有大量交集，却仍有鲜明的侧重：他把高端仪器当成AI认识论的一部分。多数关于通用智能的讨论从模型内部开始：网络该怎样表示、推理、规划。戴琼海院士的代表性贡献则迫使我们从模型外部回看：传感器记录了什么，什么被光学系统滤掉，实验能否在不破坏对象的情况下重复，数据能否承受一个可证伪的理论。把他简单称为“大模型之外的另一条AGI路线”，反而会模糊这项工作已经得到验证的价值，也夸大它尚未验证的终局。
如果用一张坐标图表达，横轴是“从世界取得信息—在模型内部建构解释”，纵轴是“科学原理—产业系统”。戴琼海院士横跨两轴，却把重心放在第一段的桥梁工程：将光学、传感、算法、生命实验和计算器件放进同一个问题。他的思想位置，不在模型竞赛的边缘，而在模型竞赛常常默认为已完成的前提之中。
九、真正值得争论的，不是显微镜有多先进，而是“AI时代什么算进步”
戴琼海院士的路线，提出了三个比技术名词更难的问题。
第一，AI的进步应该只按模型输出评分吗？如果新仪器让我们第一次连续看到活体器官里的群体动态，而模型评测榜单一分未涨，这算不算AI时代的重要进步？我认为算，但前提是它确实让可验证的科学问题变多，而不是只让图片更壮观。
第二，更强的计算重建会不会制造新的“证据债务”？当一个画面需要复杂算法才能出现，科学家不仅要解释生物学发现，还要解释画面为何可信。算法越复杂，越需要保存原始信号、重建流程、参数版本与独立对照。否则，研究共同体获得的是一张难以审计的结果图，而不是可以积累的知识。
第三，谁应为从技术演示到现实应用的最后一公里负责？光计算芯片和高端显微镜都不是单一论文能交付的产品。光计算要回答全系统成本与稳定性；显微镜要回答跨实验室的标定和维护；脑启发AI要回答从生物现象到计算机制的可重复因果链。这些问题一旦被认为是“科学突破之后自然会解决”，真正的产业障碍便被悄悄转移给了使用者。
由此回头看戴琼海院士近年的“传感器、算力、脑智能”三大关键突破方向，它不是一个已经完成的技术配方，更像是一张研究议程：让机器取得更充分的物理信息，以更合适的物理方式处理信息，再试着从生物智能中寻找可以检验的新机制。三者之间最薄弱、也最值得长期追踪的，并非传感器或光芯片已有的论文成绩，而是脑的观测怎样真正生成可迁移的智能原理。
这也是本文愿意给出的最终判断：戴琼海院士最独特的AI洞见，不是“AI一定会像人脑”，也不是“光计算一定替代GPU”。而是：智能的上限，部分取决于它能够以什么代价、什么精度、什么可信度接触现实。
如果未来十年有更多模型拥有惊人的语言与推理能力，却仍难以解释细胞怎样在器官中协同、机器怎样从真实互动中稳定学习，那戴琼海院士这一学脉的价值会更加凸显；如果更好的观测长期不能产生新的因果机制、认知模型或可用系统，它的宏大思想抱负也必须下调。科学研究的尊严，正在于允许这样检验。
他提供给AI时代的，或许不是一份关于终局的预言，而是一种更扎实的发问方式：当我们说机器尚未理解世界，先检查世界是否真的以足够好的方式进入了机器。
文章精选：
