泡沫之下，人工智能產(chǎn)業(yè)化還有哪些方向值得「押注」？ 丨GAIR 2025

“美國(guó)2025年人工智能產(chǎn)業(yè)到底有多少是正向收益？MIT調(diào)查結(jié)果顯示，95%都是負(fù)向的，非常爛尾，只有5%是成功的，令人吃驚。”

在2025 GAIR主論壇“人工智能產(chǎn)業(yè)化的挑戰(zhàn)和機(jī)遇”圓桌對(duì)話中，大會(huì)主席、加拿大皇家科學(xué)院院士楊強(qiáng)教授又一次對(duì)人工智能的落地現(xiàn)狀“潑冷水”。

在席卷而來(lái)的技術(shù)浪潮中，人工智能產(chǎn)業(yè)化面臨哪些嚴(yán)峻的挑戰(zhàn)？作為方興未艾的產(chǎn)業(yè)，人工智能有哪些泡沫和陷阱？展望未來(lái)，人工智能產(chǎn)業(yè)化還有哪些值得“押注”的方向？

面對(duì)AI時(shí)代的多重拷問(wèn)，這場(chǎng)圓桌論壇通過(guò)四位科學(xué)家、一線研究者的深度對(duì)話，提供了可供參考的思考方向。參與本次圓桌論壇的嘉賓有：

• 鄭宇（主持人）：KDD China主席，京東集團(tuán)副總裁，IEEE Fellow

• 楊強(qiáng)：加拿大皇家科學(xué)院院士

• 胡俠：上海人工智能實(shí)驗(yàn)室主任助理，領(lǐng)軍科學(xué)家

• 薛貴榮：之江實(shí)驗(yàn)室科學(xué)模型總體部技術(shù)總師

四位“老朋友”齊聚一堂論道，激蕩產(chǎn)業(yè)思潮。

鄭宇教授開(kāi)門(mén)見(jiàn)山，指出人工智能產(chǎn)業(yè)化的困境：大語(yǔ)言模型出來(lái)之后，在某些應(yīng)用場(chǎng)景取得了成功，但并沒(méi)有大規(guī)模的商業(yè)應(yīng)用和成熟的商業(yè)模式。

究其原因，楊強(qiáng)教授認(rèn)為人工智能產(chǎn)業(yè)化面臨三個(gè)維度的挑戰(zhàn)：一是預(yù)期維度，尤其是企業(yè)老板的預(yù)期；二是系統(tǒng)維度，人工智能技術(shù)引入企業(yè)后，無(wú)法與原有傳統(tǒng)系統(tǒng)適配；三是數(shù)據(jù)維度，人工智能產(chǎn)業(yè)化落地僅靠語(yǔ)言模型遠(yuǎn)遠(yuǎn)不夠。

“人工智能現(xiàn)在還做不到的，系統(tǒng)往往等著人類投喂數(shù)據(jù)。就像我們家里的貓一樣，坐等你去喂它，否則它不會(huì)自己去抓老鼠，因?yàn)樗静恢朗裁词抢鲜蟆?/strong>”楊強(qiáng)教授用生動(dòng)的比喻，描述AI落地中亟待攻破的系統(tǒng)維度難題。

胡俠教授從“小切口”談起，結(jié)合機(jī)器人的感知、理解、規(guī)劃、學(xué)習(xí)等技術(shù)卡點(diǎn)，闡述人工智能產(chǎn)業(yè)化之難——“機(jī)器人離落地還相當(dāng)遠(yuǎn)”。

如果把“機(jī)器人”類比為“人類”，從感知層面來(lái)講，還差得很遠(yuǎn)。人類不僅是靠說(shuō)話，不僅是靠眼睛在看、靠耳朵在聽(tīng)、靠鼻子在聞，我們的手上也有非常多的傳感器，像溫度傳感器、濕度傳感器、壓力傳感器，人的手還有很多維度，有自由度。很多傳感器多年來(lái)都沒(méi)有質(zhì)的突破，沒(méi)有（以上提到的）這些，會(huì)導(dǎo)致一個(gè)非常簡(jiǎn)單的感知問(wèn)題：人將手伸進(jìn)書(shū)包撿乒乓球，這是非常容易的操作，但如果機(jī)器人用手伸進(jìn)一個(gè)黑書(shū)包，它看不見(jiàn)，加上手上沒(méi)有皮膚傳感器，沒(méi)有自由度，很難完成從書(shū)包里拿乒乓球這個(gè)簡(jiǎn)單的操作。

在企業(yè)實(shí)戰(zhàn)中，人工智能的落地應(yīng)用如何？薛貴榮直呼“這一行最倒霉的就是CTO或CIO”。他談到，決策人和AI團(tuán)隊(duì)往往初期滿懷信心，實(shí)操后卻信心盡失，陷入“啥都能做”到“啥都做不了”的極端認(rèn)知搖擺。預(yù)期、認(rèn)知的問(wèn)題導(dǎo)致人工智能的泡沫快速膨脹，“本來(lái)是好機(jī)會(huì)，但如果預(yù)期拔得很高，最后沒(méi)做出來(lái)，干掉了一批CTO，整個(gè)行業(yè)破滅了。”

楊強(qiáng)教授也表達(dá)了類似的擔(dān)憂：“全世界對(duì)人工智能不合適的預(yù)期，會(huì)把我們引向?yàn)?zāi)難，引向一個(gè)巨大的泡沫。”

但在眼下如火如荼的人工智能產(chǎn)業(yè)化進(jìn)程中，已涌現(xiàn)出不少“小泡沫”。

薛貴榮教授指出了其中的兩個(gè)泡沫：一是算力領(lǐng)域，現(xiàn)有算力建設(shè)投入多為推理卡算力、競(jìng)爭(zhēng)激烈，大量算力資源閑置，投入與產(chǎn)出嚴(yán)重不匹配；二是AI應(yīng)用領(lǐng)域，多數(shù)應(yīng)用“人工成分”過(guò)高，本質(zhì)是“人工AI”，并未達(dá)到真正的AI應(yīng)用水平，市場(chǎng)上Agent框架等相關(guān)產(chǎn)品同質(zhì)化嚴(yán)重。

人工智能到底應(yīng)該做“人擅長(zhǎng)的事情”，還是應(yīng)該做“人不擅長(zhǎng)的事情”？鄭宇教授在現(xiàn)場(chǎng)拋出關(guān)鍵性問(wèn)題。他認(rèn)為，人形機(jī)器人在諸多場(chǎng)景中未必具有明顯優(yōu)勢(shì)，其“爆火”在于能夠拉動(dòng)經(jīng)濟(jì)消費(fèi)和產(chǎn)能，但我們應(yīng)清醒區(qū)分何為“短期自救”、何為真正的“長(zhǎng)遠(yuǎn)目標(biāo)”。

泡沫之外，AI浪潮仍催生出新的時(shí)代機(jī)遇。在圓桌論壇最后的環(huán)節(jié)，嘉賓們紛紛“押注”值得未來(lái)多投入、多鉆研、多花時(shí)間的方向。

楊強(qiáng)教授提到，在醫(yī)療等數(shù)據(jù)稀缺領(lǐng)域，數(shù)百例甚至幾十例數(shù)據(jù)無(wú)法支撐深度學(xué)習(xí)，只能依靠傳統(tǒng)回歸模型，這類小數(shù)據(jù)場(chǎng)景廣泛存在。他目前的一個(gè)研究領(lǐng)域，正是如何在保護(hù)隱私的前提下，整合各領(lǐng)域?qū)＜业男?shù)據(jù)模型，構(gòu)建全局模型讓大家都受益。

胡俠教授認(rèn)為，安全可控是值得關(guān)注的重點(diǎn)方向。他提到，很多實(shí)驗(yàn)表明AI已經(jīng)在尋求權(quán)力，在不久的將來(lái)可能會(huì)與人類爭(zhēng)權(quán)力、爭(zhēng)資源，形成一系列問(wèn)題。

“國(guó)內(nèi)的模型參數(shù)可能才達(dá)到1萬(wàn)億，國(guó)外現(xiàn)在已經(jīng)快達(dá)到7萬(wàn)億了，這之間存在著差距。”薛貴榮教授認(rèn)為，當(dāng)前最重要的是提升大語(yǔ)言模型規(guī)模，大模型規(guī)模會(huì)帶動(dòng)底層基礎(chǔ)設(shè)施到上層的算法、數(shù)據(jù)等的一系列革新。

以下是圓桌對(duì)話的精彩內(nèi)容，雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))作了不改變?cè)獾恼砼c編輯：

全美95%人工智能項(xiàng)目爛尾

鄭宇（主持人）：這個(gè)環(huán)節(jié)，當(dāng)時(shí)林軍跟我說(shuō)，KDD是很有知名度的組織，這個(gè)圈子里面的很多老朋友，也是伴隨著雷峰網(wǎng)一路走過(guò)來(lái)的，所以設(shè)置了這樣一個(gè)論壇。我們先講講故事，為什么是我們這幾位坐在這里？

楊老師是我們多年的好朋友，對(duì)我們每個(gè)人的幫助都非常大。有多大？KDD在中國(guó)的組織叫KDD China，楊老師是第一任主席，我有幸接班做了第二任主席。其次，楊老師創(chuàng)始了ACM TIST人工智能旗艦刊物，他是第一任主編，特別有幸，我又做了第二任主編，一路上我都是跟著楊老師在學(xué)習(xí)和進(jìn)步，所以跟對(duì)人還是很重要的。第三任主編是胡俠的老師，現(xiàn)在是劉歡老師在做主編，這也是我們中國(guó)人自己創(chuàng)始的雜志。貴榮，原來(lái)是阿里媽媽的首席科學(xué)家，后來(lái)出來(lái)創(chuàng)業(yè)，做了天壤科技，現(xiàn)在又在之江實(shí)驗(yàn)室做大模型；胡俠，之前在美國(guó)KDD圈子里非常有名，現(xiàn)在回到上海人工智能實(shí)驗(yàn)室做主任助理。

今天，我們要談?wù)撘幌氯斯ぶ悄墚a(chǎn)業(yè)化面臨的挑戰(zhàn)和機(jī)遇。首先從挑戰(zhàn)開(kāi)始講，大語(yǔ)言模型出來(lái)之后，確實(shí)在某些應(yīng)用場(chǎng)景取得了成功，也在行業(yè)引起了很大的熱點(diǎn)。但到目前為止，可能只有個(gè)別標(biāo)桿項(xiàng)目成功了，并沒(méi)有大規(guī)模的商業(yè)應(yīng)用和成熟的商業(yè)模式。所以“挑戰(zhàn)”到底在什么地方？為什么還有不足？到底有哪些問(wèn)題？我們要客觀冷靜看待。首先有請(qǐng)楊老師講講他的觀點(diǎn)。

鄭宇教授

楊強(qiáng)：謝謝鄭宇，今天特別高興跟我們的老朋友——合作至少都有20年了，一起參加圓桌討論。剛才鄭宇問(wèn)了一個(gè)非常好的問(wèn)題，不是說(shuō)人工智能會(huì)增長(zhǎng)多快，而是問(wèn)挑戰(zhàn)在哪里，尤其是和業(yè)界的合作。就這個(gè)問(wèn)題，我最近關(guān)注特別多，因?yàn)槲矣袝r(shí)候也給商學(xué)院講課，我跟他們說(shuō)“我是來(lái)潑冷水的”：美國(guó)2025年人工智能產(chǎn)業(yè)到底有多少是正向收益？最近我看了MIT的報(bào)道，調(diào)查結(jié)果顯示，95%都是負(fù)向的，非常爛尾，只有5%是成功的，非常令人吃驚。我們就問(wèn)，這95%的共性是什么，這5%的共性又是什么？

回答鄭宇的問(wèn)題，我覺(jué)得有三個(gè)維度目前面臨著巨大的挑戰(zhàn)。

第一是預(yù)期維度，尤其是老板的預(yù)期。比如老板每天看自媒體、看新聞，覺(jué)得人工智能已經(jīng)不得了了，在別人的企業(yè)中已經(jīng)取代人類了，取得了這個(gè)成功、那個(gè)成功，然后回來(lái)說(shuō)“咱們?yōu)槭裁催€做不到？”“為什么我們的程序員還在工作？為什么不是AI在工作？”“為什么今年的收益沒(méi)有double？”我覺(jué)得這個(gè)預(yù)期是媒體以及全世界不合適的預(yù)期，這會(huì)把我們引向?yàn)?zāi)難，引向一個(gè)巨大的泡沫。不是說(shuō)人工智能做不到其中的一些點(diǎn)，而是說(shuō)我們的預(yù)期一定要實(shí)際。

第二是系統(tǒng)維度，來(lái)自系統(tǒng)的挑戰(zhàn)。回到MIT的報(bào)告，這95%不成功的共性在于，人工智能作為新技術(shù)，引入到企業(yè)里和原有傳統(tǒng)的、已經(jīng)在工作的系統(tǒng)不和，“就像夫妻，其中一人非常先進(jìn)，另一人很落后，還處在清朝階段，那這兩個(gè)人肯定長(zhǎng)久不了”。就像這個(gè)例子，往往是人工智能不知道怎么幫忙，傳統(tǒng)企業(yè)不知道怎么讓人工智能來(lái)幫助自己。我也想過(guò)為什么會(huì)這樣，其中一個(gè)原因是人工智能還沒(méi)有做到100%。何謂100%？假設(shè)我的企業(yè)有1萬(wàn)個(gè)數(shù)據(jù)集，都是五花八門(mén)異構(gòu)的數(shù)據(jù)，人工智能技術(shù)進(jìn)來(lái)之后，它是否自己就能知道哪些數(shù)據(jù)可以用，哪些數(shù)據(jù)可以整合，哪些數(shù)據(jù)可以做訓(xùn)練？它知道自己需要什么以及知道自己能做什么，從而改變現(xiàn)有的系統(tǒng)？人工智能現(xiàn)在做不到的，系統(tǒng)往往等著人類投喂數(shù)據(jù)，就像我們家里的貓一樣，坐等你去喂它，否則它不會(huì)自己去抓老鼠，因?yàn)樗静恢朗裁词抢鲜蟆?/strong>

第三是數(shù)據(jù)維度，跟我現(xiàn)在的工作非常相關(guān)。現(xiàn)在用的基本都是公開(kāi)數(shù)據(jù)以及語(yǔ)言類數(shù)據(jù)，所以我們說(shuō)的都是大語(yǔ)言模型。但是人工智能如果要走到落地、幫助企業(yè)的階段，僅僅只有語(yǔ)言模型是不夠的。其實(shí)多模態(tài)很多也是人類幫助它變成語(yǔ)言模型之后喂給大模型的，一個(gè)沒(méi)有經(jīng)過(guò)人類處理的RAG Data，大模型是不會(huì)處理的，像圖像、視頻以及很多非感知數(shù)據(jù)，都是非語(yǔ)言類的數(shù)據(jù)。

楊強(qiáng)教授

胡俠：楊老師從特別高的高度講得很好，下午鄭宇跟我講，講得越激烈越好，我也在想怎么才能講得比較激烈。我想了很久，準(zhǔn)備從一個(gè)特別小的點(diǎn)講起。在座有很多做機(jī)器人的，因?yàn)檫@是在深圳，也有很多機(jī)器人產(chǎn)業(yè)的投資人，我想從技術(shù)的角度談?wù)勎覍?duì)機(jī)器人產(chǎn)業(yè)的看法。至少在國(guó)內(nèi)，AI可能是最火的領(lǐng)域之一，是不是“最火”的那個(gè)我不知道，但肯定是“之一”。大面來(lái)說(shuō)，我覺(jué)得機(jī)器人離落地還相當(dāng)遠(yuǎn)，包括以下幾方面：

首先是感知層面。大家知道這一輪的AI浪潮，更多是由大語(yǔ)言模型或多模態(tài)大模型推動(dòng)的，大模型能夠比較好地理解語(yǔ)言，能夠做出很好的詩(shī)和文章，甚至分析圖片。但如果把“機(jī)器人”類比為“人類”，從感知層面來(lái)講，還差得很遠(yuǎn)。人類不僅是靠說(shuō)話，不僅是靠眼睛在看、靠耳朵在聽(tīng)、靠鼻子在聞，我們的手上也有非常多的傳感器，像溫度傳感器、濕度傳感器、壓力傳感器，人的手還有很多維度，有自由度。很多傳感器多年來(lái)都沒(méi)有質(zhì)的突破，沒(méi)有（以上提到的）這些，會(huì)導(dǎo)致一個(gè)非常簡(jiǎn)單的感知問(wèn)題：人將手伸進(jìn)書(shū)包撿乒乓球，這是非常容易的操作，但如果機(jī)器人用手伸進(jìn)一個(gè)黑書(shū)包，它看不見(jiàn)，加上手上沒(méi)有皮膚傳感器，沒(méi)有自由度，很難完成從書(shū)包里拿乒乓球這個(gè)簡(jiǎn)單的操作。

第二是理解層面。不管是大模型、多模態(tài)還是具身，大家都談了很多。從數(shù)據(jù)來(lái)講，我們可以給機(jī)器人看很多書(shū)本知識(shí)，也可以給它看很多video知識(shí)，但沒(méi)辦法很輕易就把一些物理學(xué)知識(shí)傳遞給機(jī)器人。機(jī)器人不知道球被扔出去以后會(huì)因?yàn)榕ｎD定律呈拋物線下降，不知道桌子應(yīng)該要比地面高，不知道“水往低處流”等簡(jiǎn)單的物理學(xué)現(xiàn)象，也沒(méi)辦法很好地理解。

第三是規(guī)劃層面。大家想想，把樂(lè)高積木拼起來(lái)，小孩可以做得很好，但對(duì)機(jī)器人來(lái)說(shuō)，把上百個(gè)東西變成一系列的操作是很難的。紙上得來(lái)終覺(jué)淺，把樂(lè)高的說(shuō)明書(shū)給孩子，孩子可以拼出來(lái)一個(gè)玩具；把一個(gè)零件說(shuō)明書(shū)給熟練的工人，工人可以理解、規(guī)劃、組建這些部件。但現(xiàn)在來(lái)講，我還沒(méi)有看到機(jī)器人有這個(gè)能力。

第四是學(xué)習(xí)能力。大家都知道，人從出生一直到七八歲，就有非常強(qiáng)的智能，遠(yuǎn)比現(xiàn)在的機(jī)器人強(qiáng)很多。它們有那么多的數(shù)據(jù)嗎？實(shí)際并沒(méi)有。機(jī)器人現(xiàn)在缺乏的是小樣本學(xué)習(xí)、持續(xù)學(xué)習(xí)的能力，它沒(méi)有基本的學(xué)習(xí)能力。雖然我們給它灌了很多數(shù)據(jù)，但這些數(shù)據(jù)究竟怎么樣？不管是1T的數(shù)據(jù)、1P的數(shù)據(jù)甚至是更多數(shù)據(jù)，這些數(shù)據(jù)中有多少重復(fù)的知識(shí)？把這些數(shù)據(jù)變成知識(shí)的能力，包括持續(xù)學(xué)習(xí)的能力以及小樣本學(xué)習(xí)的能力，我還沒(méi)有在現(xiàn)在的機(jī)器人或具身領(lǐng)域看到很大的突破。

從感知到理解、規(guī)劃、學(xué)習(xí)，在機(jī)器人領(lǐng)域還有很長(zhǎng)的路要走。雖然現(xiàn)在的公司估值都很高，但我覺(jué)得這里面的泡沫還是蠻大的。

薛貴榮：大家一開(kāi)始看到外面關(guān)于AI的報(bào)道，會(huì)充滿信心，干了一段時(shí)間，會(huì)感覺(jué)什么信心都沒(méi)有了，在兩個(gè)極端之間游蕩，搞得決策人和AI團(tuán)隊(duì)都在懷疑“我們能干嗎？我們能干好嗎？”最后連耐心都沒(méi)有了。

這是IT部門(mén)決定的事嗎？如果是的話，基本干不下去，因?yàn)槔习鍟?huì)跟你說(shuō)，你的KPI要再設(shè)得高一點(diǎn)，都用AI了，應(yīng)該再裁掉30%的人。搞到最后，做事的人沒(méi)辦法承諾成果。我覺(jué)得，大家在認(rèn)知上的差異，導(dǎo)致我們所有人干這個(gè)事的決心和信心都會(huì)有動(dòng)搖。到最后我能不能干好？我要不要花這么大的力氣來(lái)做數(shù)據(jù)整理的工作？最后大家都不想做整理數(shù)據(jù)的活，就希望外面有一個(gè)現(xiàn)成的模型，拿來(lái)就能用，“拿來(lái)主義”的思想會(huì)重一點(diǎn)。

如果是這樣的話，我覺(jué)得基本干不下去。因?yàn)橥饷娴哪Ｐ透慵依锏臄?shù)據(jù)融合肯定是要做的，否則模型放在家里也只能寫(xiě)寫(xiě)報(bào)告、辦辦公，或者再用點(diǎn)大家討論到的RAG。其實(shí)RAG也不是很容易的事，有的人覺(jué)得RAG一做，幻覺(jué)就能解決，其實(shí)是搞不定的，也許能解決60%～70%的問(wèn)題，但還有30%～40%的挑戰(zhàn)。因?yàn)榛糜X(jué)的問(wèn)題還是存在，導(dǎo)致你覺(jué)得就不應(yīng)該做這個(gè)事情。

所以我們這個(gè)行業(yè)最倒霉的是什么？最倒霉的是CTO，或者CIO。一輪一輪換，因?yàn)闆](méi)產(chǎn)出，就被淘汰掉了。大家要么過(guò)度樂(lè)觀，要么過(guò)度悲觀。模型效率再好一點(diǎn)，智力再?gòu)?qiáng)一點(diǎn)，可能會(huì)做得很好，但這一步走過(guò)去需要時(shí)間。我覺(jué)得這是有挑戰(zhàn)的事。

鄭宇（主持人）：觀點(diǎn)都非常犀利，正好貴榮提到CTO的事情，前段時(shí)間有一個(gè)CTO Club閉門(mén)會(huì)議，當(dāng)今國(guó)內(nèi)都在做這些的大廠CTO，關(guān)起門(mén)來(lái)在里面討論。這里面的聲音跟外面媒體的聲音完全不一樣：這里面是人間清醒，不能說(shuō)哀聲一片，但大家都覺(jué)得人人自危，最怕老板出去開(kāi)會(huì)、培訓(xùn)，一培訓(xùn)就跟你說(shuō)，人家做出來(lái)了，你沒(méi)做出來(lái)。預(yù)期的問(wèn)題、認(rèn)知的問(wèn)題，導(dǎo)致這個(gè)行業(yè)的泡沫快速膨脹。本來(lái)確實(shí)有進(jìn)展，是好機(jī)會(huì)，但如果大家覺(jué)得兩年就能做完，預(yù)期拔得很高，到兩年之后沒(méi)做出來(lái)，干掉了一批CTO，整個(gè)行業(yè)破滅了。這是人間清醒的真話。

人工智能賽道有哪些泡沫？

鄭宇（主持人）：剛剛說(shuō)了人工智能產(chǎn)業(yè)化的挑戰(zhàn)，從不同的維度來(lái)講，有預(yù)期、系統(tǒng)、數(shù)據(jù)的維度，有感知、理解、規(guī)劃、學(xué)習(xí)的維度，有實(shí)戰(zhàn)經(jīng)驗(yàn)的維度——認(rèn)知、決策、責(zé)任、技術(shù)隊(duì)伍、時(shí)間管理、成本管理等等，很多東西都是真實(shí)存在的。問(wèn)一下楊老師和貴榮，你們覺(jué)得在人工智能賽道，目前最大的泡沫和陷阱在哪里？你們可以指出來(lái)一下，讓大家可以有一些預(yù)警。

楊強(qiáng)：我覺(jué)得小泡沫很多。第一個(gè)泡沫是現(xiàn)在的人工智能利用公開(kāi)數(shù)據(jù)，比方說(shuō)用Twitter訓(xùn)練出大模型，就有人認(rèn)為，對(duì)于所有的數(shù)據(jù)都可以訓(xùn)練出大模型。比如說(shuō)大家會(huì)有一個(gè)預(yù)期：機(jī)器人已經(jīng)能做雙足，那它是不是可以跟大模型相結(jié)合，把它的數(shù)據(jù)輸入給大模型，就可以輸出一系列的行為，機(jī)器人就變得更智能了。這就是一個(gè)泡沫，也就是說(shuō)，它把一個(gè)地方的成功，遷移到了很多其他的地方，不看這兩個(gè)地方的重大區(qū)別。這里說(shuō)到的重大區(qū)別包括兩個(gè)維度：

一方面，數(shù)據(jù)是異構(gòu)的。公開(kāi)數(shù)據(jù)是語(yǔ)言數(shù)據(jù)，但是我們想遷移到的地方，比如行為數(shù)據(jù)、圖像數(shù)據(jù)，比如各種各樣的多模態(tài)數(shù)據(jù)，其實(shí)是非語(yǔ)言數(shù)據(jù)，所以我們并不知道現(xiàn)在怎么用非語(yǔ)言數(shù)據(jù)作為輸入，訓(xùn)練出一個(gè)智能的大模型。

另一方面，很多公開(kāi)數(shù)據(jù)已經(jīng)快用完了，世界上所有數(shù)據(jù)的總量，4%是公開(kāi)數(shù)據(jù)，96%是非公開(kāi)的。也就是說(shuō)，人工智能依靠大語(yǔ)言模型突飛猛進(jìn)，但馬上就要戛然而止了，因?yàn)槲覀儧](méi)有新的數(shù)據(jù)。新的數(shù)據(jù)在哪里？在私有數(shù)據(jù)，在手機(jī)上，在醫(yī)院里，在銀行里，在大學(xué)里，在學(xué)生的課程上。如何利用私有數(shù)據(jù)繼續(xù)賦能給大模型，這是一個(gè)巨大的挑戰(zhàn)。如果解決不了，這就是一個(gè)巨大的泡沫。

鄭宇（主持人）：楊老師從數(shù)據(jù)層面講到了異構(gòu)的問(wèn)題，能夠在語(yǔ)言層面訓(xùn)練出大模型，不代表其他條件都能訓(xùn)練出大模型；現(xiàn)在的數(shù)據(jù)顯然不夠，還要持續(xù)推進(jìn)大模型的進(jìn)展。請(qǐng)貴榮談?wù)勀愕南敕ǎ愀杏X(jué)什么領(lǐng)域泡沫最大？

薛貴榮：我感覺(jué)現(xiàn)在算力的泡沫也比較大。各個(gè)地方都在做大的智算中心，原來(lái)是IDC，現(xiàn)在都成了AIDC，但現(xiàn)在推理的AIDC太多，而訓(xùn)練的AIDC很少。大家可能都知道，美國(guó)模型的參數(shù)規(guī)模現(xiàn)在在6萬(wàn)億到7萬(wàn)億之間，對(duì)算力的要求要達(dá)到10萬(wàn)張卡，這個(gè)系統(tǒng)要求非常高。我們現(xiàn)在建設(shè)的智算中心基本都是推理集群，而真正的訓(xùn)練集群太少，導(dǎo)致大量的推理智算中心的機(jī)器掛在機(jī)柜里，都不開(kāi)機(jī)，這本身也是非常大的投入風(fēng)險(xiǎn)。

另外，我最近也參加了很多會(huì)，會(huì)場(chǎng)上的Agent遍地都是。只要你到一個(gè)展位，基本都有一兩個(gè)Agent在那里，感覺(jué)好像做Agent的越來(lái)越多，但Agent定制的成分也很少，還沒(méi)到所謂真正的Agent智能化程度。今天的Agent，人工involve的程度太高。

所以兩方面，一個(gè)是算力的建設(shè)，一個(gè)是重復(fù)建設(shè)類似的Agent框架。

薛貴榮教授

鄭宇（主持人）：剛剛胡俠提到人形機(jī)器人，很多人心中都有困惑：人工智能到底應(yīng)該做“人擅長(zhǎng)的事情”，還是應(yīng)該做“人不擅長(zhǎng)的事情”？我相信大部分人認(rèn)為，它應(yīng)該做“人不擅長(zhǎng)的事情”——人能干的事情，不需要它來(lái)干，自己就干得很好；人不能干的事情，讓它來(lái)干。

什么叫“人不能干的事情”？有幾個(gè)方向，比如：

（1）高風(fēng)險(xiǎn)，像爆炸、挖礦、塌礦，人不能去；

（2）高強(qiáng)度，背500斤背不動(dòng)，要讓機(jī)器人來(lái)干這樣的事情；

（3）高精度，0.1μm的東西，人手有時(shí)候抖，控制不住；

（4）高惡劣環(huán)境，不危險(xiǎn)但很惡心，人一干就想吐，比如下水道。

在這四個(gè)場(chǎng)景中，人體結(jié)構(gòu)沒(méi)有任何優(yōu)勢(shì)，比如在戰(zhàn)場(chǎng)上或者在淤泥里，履帶肯定比四足或兩足要好很多。這個(gè)時(shí)候原先的基本假設(shè)就不成立：為什么要做人形機(jī)器人？人形機(jī)器人一旦學(xué)會(huì)了之后，人的通用能力自然就可以擴(kuò)展。但機(jī)器人的定位，應(yīng)該是做“人不擅長(zhǎng)的事情”，人體結(jié)構(gòu)在這個(gè)時(shí)候沒(méi)有任何優(yōu)勢(shì)，不應(yīng)該用這個(gè)方法來(lái)做，應(yīng)該用別的方法。

其次，我們對(duì)人自身的理解，真的很深了嗎？人對(duì)自身的了解，還是非常少的，都不確定是否有1%。如果人對(duì)自身的機(jī)理都搞不明白，能否設(shè)置出模型機(jī)理？就像人工智能不能無(wú)師自通一樣。請(qǐng)問(wèn)，誰(shuí)能說(shuō)得清楚人是怎么思考的？怎么用大腦控制小腦的？很多東西說(shuō)不清楚，很抽象，我們經(jīng)常講的是大腦、小腦互相做配合，但機(jī)理并不清楚，從原理上也做不出來(lái)。

回過(guò)頭來(lái)講，國(guó)家為什么要鼓勵(lì)人形機(jī)器人的發(fā)展？這是從拉動(dòng)經(jīng)濟(jì)消費(fèi)和產(chǎn)能的角度說(shuō)的。一方面，人形機(jī)器人，康養(yǎng)的、陪伴的，人手一個(gè)，量很大，資本很喜歡；另一方面，造機(jī)器人，我們的產(chǎn)能能夠被拉動(dòng)起來(lái)，很多的鋼和材料都能用起來(lái)，就能帶動(dòng)這一波經(jīng)濟(jì)循環(huán)。短期之內(nèi)我們還沒(méi)有找到更好的經(jīng)濟(jì)增長(zhǎng)點(diǎn)，也許有一天會(huì)有突破，即使沒(méi)突破，這也是一個(gè)很好的銜接。所以要分清楚什么是真正的“長(zhǎng)遠(yuǎn)目標(biāo)”和“短期自救”，找好這個(gè)平衡。

垂域小模型是“押注”方向

鄭宇（主持人）：既然有挑戰(zhàn)，肯定也有機(jī)遇。請(qǐng)幾位老師簡(jiǎn)短說(shuō)一下，你們認(rèn)為人工智能應(yīng)該在哪些方面發(fā)力，做什么比較適合？以及是未來(lái)有希望的，雖然時(shí)間會(huì)長(zhǎng)一點(diǎn)，但我們應(yīng)該多投入、多鉆研、多花時(shí)間去搞的東西？

楊強(qiáng)：現(xiàn)在我們已經(jīng)離不開(kāi)人工智能了。我們手機(jī)上都有大模型APP，尤其是學(xué)生，如果離開(kāi)了，可能分?jǐn)?shù)就降低了；程序員也離不開(kāi)大模型；再就是門(mén)禁、人臉識(shí)別、指紋識(shí)別，也離不開(kāi)人工智能。現(xiàn)在人工智能已經(jīng)變成了我們生活的一部分，很多都是深度學(xué)習(xí)的人工智能。

但是到了醫(yī)療領(lǐng)域，數(shù)據(jù)非常少。最近我跟一些醫(yī)生和教授聊天，他們手里的數(shù)據(jù)，幾百例都算多的，也許就幾十例，這種數(shù)據(jù)用深度學(xué)習(xí)都不行，只能用回歸模型，也就是特別傳統(tǒng)、特別簡(jiǎn)單的模型。但這種數(shù)據(jù)集特別多，教授也特別多，所以我現(xiàn)在研究的領(lǐng)域就是如何把這些數(shù)據(jù)集、教授聚集起來(lái)，既保護(hù)隱私，又讓他們共享知識(shí)，建立一個(gè)全局模型，讓大家都受益。像我現(xiàn)在所做的遷移學(xué)習(xí)或聯(lián)邦學(xué)習(xí)，就是在這個(gè)方向發(fā)力。未來(lái)也許我們會(huì)看到很多垂域的小模型——這些小模型有無(wú)數(shù)個(gè)，在任何一個(gè)領(lǐng)域——可能我們能夠把這些小模型匯聚起來(lái)、串起來(lái)，完成一個(gè)復(fù)雜的任務(wù)。

胡俠：我還是接著聊幾句機(jī)器人。剛才抨擊得比較激烈，接著鄭宇剛才講的，我多說(shuō)幾句。現(xiàn)在國(guó)家在大力投入機(jī)器人行業(yè)，很多VC熱錢(qián)也進(jìn)入機(jī)器人行業(yè)。我跟這些投資人深度聊過(guò)，當(dāng)時(shí)我有這個(gè)疑惑：大家明明知道機(jī)器人的泡沫這么大，短期內(nèi)不敢說(shuō)一定做不成，但做成的希望值還挺小，但為什么大家還愿意投入這么多的錢(qián)？

剛剛鄭宇談了一點(diǎn)。另外，從國(guó)家的層面來(lái)講，大家希望把這個(gè)生態(tài)做起來(lái)以后，用機(jī)器人行業(yè)的火爆倒逼技術(shù)的發(fā)展。剛剛我談的很多技術(shù)缺陷實(shí)際上還沒(méi)有解決，比如感知、傳感器、自由度的問(wèn)題，如果這些基礎(chǔ)問(wèn)題解決了，可以衍生一大批機(jī)器狗、無(wú)人機(jī)、掃地機(jī)器人……whatever機(jī)器人，都可以基于這套技術(shù)實(shí)現(xiàn)非常大的發(fā)展。它本身是否成功，我個(gè)人覺(jué)得不要緊，但是從技術(shù)布局的角度來(lái)講，如果能夠把這一批生態(tài)帶成功了，國(guó)家的投資、產(chǎn)業(yè)的投資將會(huì)非常成功。

胡俠教授

回答鄭宇剛剛提問(wèn)的“機(jī)遇”問(wèn)題，我想說(shuō)一下中國(guó)的機(jī)遇有哪些：首先我看到了很多自主可控的機(jī)遇，雖然這一波AI發(fā)展得這么火，深圳各種各樣的產(chǎn)業(yè)、各種各樣的機(jī)器人應(yīng)用鋪天蓋地，包括馬上在Las Vegas要舉辦的新一屆CES（International Consumer Electronics Show，國(guó)際消費(fèi)類電子產(chǎn)品展覽會(huì)），可能過(guò)半的廠商都來(lái)自中國(guó)。

但是我們要意識(shí)到，F(xiàn)undamentally，咱們國(guó)家的基礎(chǔ)軟硬件系統(tǒng)，實(shí)際被“卡脖子”卡得非常厲害。從非常底層的芯片來(lái)說(shuō)，現(xiàn)在N卡絕對(duì)還是遙遙領(lǐng)先的。數(shù)字智能方面，要訓(xùn)練一個(gè)規(guī)模更大的模型，極大的數(shù)量都是高度依賴N卡的芯片，CUDA系統(tǒng)把數(shù)字智能完全壟斷了；物理智能方面，如果要訓(xùn)練一個(gè)具身機(jī)器人或具身系統(tǒng)，還是要高度依賴英偉達(dá)Omniverse整個(gè)生態(tài)。我國(guó)還沒(méi)有形成獨(dú)立自主可控的一套軟硬件協(xié)同系統(tǒng)for數(shù)字智能、物理智能，所以我覺(jué)得對(duì)咱們的產(chǎn)業(yè)和技術(shù)人員來(lái)說(shuō)，都是非常好的機(jī)會(huì)。

其次，我非常認(rèn)同剛剛提到的科學(xué)大模型。我們可以看到，過(guò)去專有的科學(xué)大模型，比如AlphaGo、AlphaFold，在通用的大模型，比如通義千問(wèn)、ChatGPT、DeepSeek，都已經(jīng)取得了非常大的成功。但怎么做“通專融合”的科學(xué)大模型？通用性能還不錯(cuò)，又能夠做專業(yè)的事情，我個(gè)人覺(jué)得這是蠻大的機(jī)會(huì)。現(xiàn)在更多是做一些微調(diào)，但我看到之江實(shí)驗(yàn)室做了一些努力，我覺(jué)得這是很有潛力的方向。

第三，安全可控的方向。從短期來(lái)講，涉及到幻覺(jué)等各種各樣的問(wèn)題；從中期來(lái)講，讓語(yǔ)言大模型、多模態(tài)大模型、具身大模型真正在高價(jià)值、高敏感行業(yè)落地。比如大家還沒(méi)有在醫(yī)院，沒(méi)有在金融行業(yè)或其他高價(jià)值、高敏感行業(yè)看到特別多的大模型應(yīng)用落地，這是因?yàn)榘踩煽刈霾缓谩倪h(yuǎn)期來(lái)講，從政界最高層到學(xué)界最高層，他們都關(guān)心AI會(huì)不會(huì)有擬人化的風(fēng)險(xiǎn)。因?yàn)橛泻芏鄬?shí)驗(yàn)表明，AI已經(jīng)在尋求權(quán)力了：首先，它尋求自己要survive，然后尋求權(quán)力、尋求資源，在不久的將來(lái)與人類爭(zhēng)權(quán)力、爭(zhēng)資源，形成一系列問(wèn)題。

從短中長(zhǎng)期來(lái)講，安全可控一定是AI最有潛力的發(fā)展方向。安全這個(gè)方向，雖然大家多多少少都有提及，但還遠(yuǎn)沒(méi)有形成生態(tài)，遠(yuǎn)沒(méi)有形成產(chǎn)業(yè)。怎樣把safety as a service（安全即服務(wù)）做起來(lái)還是很重要的。

薛貴榮：第一，我們的大語(yǔ)言模型的參數(shù)量還不夠大。國(guó)內(nèi)的模型參數(shù)可能才達(dá)到1萬(wàn)億，國(guó)外現(xiàn)在已經(jīng)快達(dá)到7萬(wàn)億了，這之間存在著差距。大模型規(guī)模會(huì)帶動(dòng)底層基礎(chǔ)設(shè)施到上層的算法、數(shù)據(jù)等的一系列革新。

模型好了以后，可以做的東西太多了，這件事迫在眉睫。所以無(wú)論是通義千問(wèn)也好，DeepSeek也好，還是其他的國(guó)產(chǎn)大模型，能力要追趕上去。在這個(gè)基礎(chǔ)上，企業(yè)的AI應(yīng)用可能才有機(jī)會(huì)。再談到人工智能+科學(xué)，數(shù)學(xué)是科學(xué)的哲學(xué)，首先我們要把數(shù)學(xué)搞好，同時(shí)增強(qiáng)對(duì)物理世界的感知。所以用人工智能把數(shù)學(xué)學(xué)得很好、把物理世界理解好，這兩件事情也非常重要。

鄭宇（主持人）：其實(shí)我們還想繼續(xù)聊，但因?yàn)闀r(shí)間問(wèn)題，我們要結(jié)束這個(gè)panel了。一方面，大家以后聽(tīng)到“人工智能過(guò)去是以年為進(jìn)展，現(xiàn)在是以周為進(jìn)展”的觀點(diǎn)，要小心、要冷靜；另一方面，要保持對(duì)人工智能長(zhǎng)遠(yuǎn)發(fā)展的信心，選擇正確的方向，堅(jiān)持做該做的事情，這樣人工智能才能有一個(gè)美好的未來(lái)。謝謝大家。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。