AI Next 播客 | 对话周礼栋：当系统开始“思考”，AI如何走向自主进化

（本文阅读时间：25分钟） 《AI Next》是微软亚洲研究院推出的一档利用 AI 技术制作的播客，内容聚焦 AI 前沿技术、科研趋势与社会影响。第一季主要围绕当今智能发展的核心议 题，探索前沿趋势。 作为本季收官之作，第八期节目请到了微软亚洲研究院院长周礼栋博士 ，与大家深度探讨 AI 与底层系统的协同进化，一起拆解智能时代基础设施的重构逻辑。周院长将通过解析系统智能的核心内涵、技术路径与可信基石，带我们穿透技术表象，看见 AI 时代最底层的变革力量。 欢迎大家订阅、收听、分享！ 作为一档由 AI 合成的播客栏目，《AI Next》播客音频和宣传视频背后包含微软亚洲研究院在合成 AI 领域的三项关键技术： VibeVoice 具备自然、富有表现力的语音合成能力，能够为最多4位说话者合成长达90分钟的高质量对话语音，为用户带来更灵动的声音互动感受。 VASA 可将静态肖像与音频信号结合，合成情感逼真且拥有细腻面部表情的说话头像，为内容创作及辅助教育提供了全新的呈现方式。 TRELLIS 则是一个 3D 物品生成模型，能依据文本提示或图片信息构建相应的 3D 效果，让复杂的概念设计可以在立体空间中被“看见”。目前，VASA 和 TRELLIS 技术可在微软的 Copilot 产品中体验，VibeVoice 也已在 Hugging Face 上开源。三项技术的加持将为内容创造者和听众带来 AI 技术演进的真实体验。 嘉宾介绍 周礼栋 周礼栋博士现任微软公司全球资深副总裁、微软亚太研发集团首席科学家、微软亚洲研究院院长。 在康奈尔大学获得计算机科学博士学位后，周礼栋博士于2002年加入微软公司。他的职业生涯中遍及微软多个研究院，包括在微软硅谷研究院担任研究员，在微软雷德蒙研究院担任系统研究组首席研究员，以及在微软亚洲研究院担任常务副院长，并于2021年升任微软亚洲研究院院长。 周礼栋博士是系统研究领域首屈一指的专家，多年来一直专注于推动可靠、可信及可扩展的分布式系统的理论研究和实践探索。他在ACM操作系统原理大会（SOSP）、USENIX操作系统设计与实现大会（OSDI）和USENIX年度技术大会（ATC）上均获得过最佳论文奖。作为微软在设计和开发大规模分布式系统方面的重要技术带头人，周礼栋博士主持设计和开发的系统支持着微软从搜索引擎、大数据基础设施、云系统到AI基础设施的主要产品和服务。 周礼栋博士是电气电子工程师学会会士（IEEE Fellow）和国际计算机学会会士（ACM Fellow）。他曾是ACM计算机系统会刊（ACM Transactions on Computer Systems）、ACM计算机存储会刊（ACM Transactions on Storage）、IEEE计算机会刊（IEEE Transactions on Computers）的编委会成员。周礼栋博士还曾担任2017年SOSP大会联合主席，以及2023年ACM软件系统奖项评选委员会（ACM Software System Award Committee）主席。目前，他是SOSP指导委员会（Steering Committee）主席，并将担任2025年OSDI大会的程序委员会联合主席。 如下是《AI Next》第八期播客内容的文字整理： 系统智能初现：从人工调优到协同优化的突破 主 持人： 人工智能的性能越来越好，计算机系统作为支撑AI的底层基础，是否也在变得智能？若支撑AI的系统具备自主智能，将带来哪些变化？ 周礼栋： 这确实是一个非常前沿的话题。举一个例子，在分布式人工智能系统中，“聚合通信”是一个关键组件，它的调度效率直接决定了系统的整体性能。 传统调度依赖人工，工程师需分析日志、检查配置、开展大量实验，再进行调优，整个过程往往需要两三周，甚至更长时间。对此，我们与微软Azure团队合作开发了OptiFlow项目，为系统引入智能调度能力。我们构建了可学习的调度抽象，AI依据系统反馈持续生成调度方案，而系统负责验证、编译、执行并回传结果，从而形成闭环优化。最终自动生成的调度策略，性能可达到甚至超越人工方案。 这只是系统智能化的一个例子，真正值得深思的是这种AI与系统协同优化的模式本身。 主 持人： AI 的发展速度极快，不少人认为底层系统已难以匹配其节奏。能否通俗地说明二者的不匹配主要体现在哪些方面？ 周礼栋： 当我们把系统看作AI的基础设施时，它当前还面临着三个方面的挑战： 其一，系统规模适配难。AI遵循规模法则（scaling law），性能会随模型、数据、算力扩张而提升，所以系统每隔一段时间就需要向更大规模拓展。每次扩容均需重构系统、更新设计方法、重估假设条件，以支撑更大规模的AI应用，这非常有挑战性。 其二，全栈设计特性要求严苛。若想让系统发挥更好性能，就要深度剖析AI工作负载、模型架构、软件及底层硬件，并确保各组件高效适配，实现难度较大。 其三，创新时效性不足。AI的创新速度持续加快，底层的硬件技术不断更新，促使系统要同步加快创新速度，才能跟上AI的发展节奏。 系统与AI协同进化，从单向依赖到双向重塑 主 持人： 系统与AI正在从“依赖”走向“共生”，为此，你提出“协同进化”的观点。那么，过往数十年系统领域的技术积累，如何为今日的 AI 奠定基础？AI又如何重塑系统设计理念？ 周礼栋： 回顾发展历程，AI规模法则推动其能力指数级增长，同时将底层系统推向高压力区间。 为了支撑这种增长，系统需要在硬件层面强化算力、架构层面提升伸缩性与灵活性。更重要的是，系统并非只是GPU、云平台或工具链，更是一种思维方式，一种管理复杂性、构建秩序的方法论。 过去数十年，系统领域积累了大量深刻且持久的原则与方法，例如抽象分层、关注点分离、容错机制、资源隔离等。这些原则支撑了操作系统、云计算等基础设施发展，为 AI 崛起提供了关键的技术土壤。接下来，这些原则仍将深刻塑造未来的AI 系统，尤其是正在快速发展的Agent Systems（智能体系统）。面向AI时代的新型计算操作系统正逐步成型，虽形态异于传统操作系统，但系统核心原则仍是其可靠、可扩展、可管理演进的基础。 主 持人： 很多人认为AI是一种“颠覆“，但从系统研究的视角看，它其实建立在过去数十年计算体系持续演进的基础之上。 周礼栋： 二者具有很强的延续性。但随着AI带来的计算复杂度与动态性不断提升，传统系统的设计方法已逼近极限。我们越来越难以依靠传统的经验法则来预判系统的整体行为。单纯堆砌资源、线性扩容也无法支撑量级跨越。这如同登山，并非顺势而上，而是需要回到起点，重构假设、架构与路径。每一次量级提升，本质上都是一次系统重构。 在此过程中，我们认识到，AI不仅是系统的负载与挑战，更能够成为协同伙伴。面对复杂与不确定，AI可辅助规划、优化决策、自动调参，甚至参与系统设计与实现。系统为AI提供运行基础，AI反向重塑系统设计理念，这种双向作用构成了更深层次的共生，也预示着计算机科学正在进入一个全新的阶段。 构建“系统智能”的新范式 主 持人： 系统智能被视为计算领域的下一次飞跃。系统与AI协同进化、深度融合后，我们是否将进入智能系统时代？如何定义系统智能？它与 “AI赋能系统”