当前人工智能发展面临的核心挑战是什么？
在第七届人民网内容科技论坛上，郑庆华院士系统阐述了这一问题。
他指出，虽然人工智能自1956年提出以来，已从计算智能、感知智能逐步向认知智能推进，但整体仍处于初级阶段。
尤其是当前主流的数据驱动大模型虽然展现出强大能力，但其固有缺陷日益凸显，已成为制约人工智能进一步发展的瓶颈。
大模型存在的问题具体表现为四个方面。
首先是"数据饥渴"问题。
大模型对高质量数据的需求量巨大，而人类生产优质数据的能力远不能满足其需求，导致能耗巨大。
其次是学习能力的局限性。
大模型存在"灾难性遗忘"现象，容易出现"喜新厌旧"的特点，迁移能力较差，难以处理动态时空演变的复杂任务。
第三是推理能力的不足。
大模型的抽象和推理能力较弱，难以深入挖掘事物内在的因果逻辑关系。
最后是可解释性缺陷。
大模型是典型的"黑箱"系统，呈现"知其然不知其所以然"的特征，难以进行有效的解释和干预。
面对这些挑战，郑庆华院士提出了三条技术途径。
其中，融合数据与知识的混合模型成为重要探索方向。
他的团队受"既见树木又见森林"认识论的启发，创新提出"知识森林"概念，旨在从海量散杂乱的数据中构建体系化、可计算的知识体系，进而进行逻辑推理。
这一方法已成功应用于国家金税工程风险识别、土木工程学科大模型CivilGPT构建以及C919飞机设计知识管理等重要场景，实现了知识引导与数据驱动的有机结合。
更具突破性的第三条技术途径是人脑启发的机器记忆智能。
郑庆华院士强调，在应对灾害、险情等"小数据、小算力、低带宽"场景时，恰恰需要更高的智能水平，而这正是当前大模型的短板所在。
他指出，人类之所以聪明，根本原因在于拥有记忆能力。
记忆不仅仅是信息存储，而是具有联想、抽象、还原及检索等动态功能的复杂过程，是人类智能的基础。
人脑记忆机制为机器智能研发带来了三大关键启发。
其一，构成记忆基础的"吸引子"具备抗干扰、可计算等特性，使人脑能够避免"灾难性遗忘"。
其二，人脑通过稀疏激活、预测编码、联想记忆实现了极高的能效，能耗远低于同等规模的大模型。
其三，人脑凭借抽象与联想能力，具备强大的环境适应与推理能力。
基于这些启发，郑庆华团队提出了"机器记忆智能模型"，其核心是以抽象联想表征为中心，建立小样本持续学习及混沌激活、协同推理的新模式。
该研究聚焦四大科学挑战：人脑记忆形成与工作机制的揭示、多层抽象时空联想的记忆表征建模、小样本学习与自适应推理的实现，以及抽象指导下的具象协同与混沌推理。
通过这一创新框架，有望实现低样本、低算力、强推理的高阶智能。
郑庆华院士表示，这一研究方向有助于推动人工智能与脑科学的深度交叉与相互赋能，同时有望跳出数据驱动大模型技术"延长线式"研究的路径依赖，为中国学者贡献人工智能发展的新路径、新方向。
从追求“更大规模”到探索“更高效率”，从依赖相关性到走向因果与推理，人工智能的下一阶段竞争，归根到底是对智能本质的再认识与再建模。
向人脑学习，不是简单模仿结构形态，而是借鉴其在记忆、能效与适应性上的机制优势。
只有在科学问题、工程约束与真实场景之间建立可验证的闭环，才能让智能更可信、更可用，也为我国在关键技术路径上形成原创性突破提供更坚实的支撑。