本文围绕人工智能发展现状与未来方向展开，结合行业动态与自身观察，从多元认知、技术路径、价值实现三个维度，为人工智能的发展提供了深刻的理性思考。

当前人工智能领域呈现出 “东西南北风” 交织的多元认知格局，四类观点主导着行业讨论。

乐观主义者对 AI 发展抱有极高预期，部分观点甚至认为未来两三年人类将失去重要作用，但现实已印证此类预判的片面性 —— 人类在社会生产生活中的核心价值并未发生根本性改变。

与之相对的悲观主义者则警示 AI 泡沫风险，麻省理工学院的研究显示，90% 的企业在 AI 领域的投入未获得实质收益，达沃斯世界经济论坛更将 AI 领域的资本过度投资列为 2026 年主要风险之一，“AI 无处不在但价值难现” 的现代版 “索洛悖论” 已然显现。

理想主义者以杨立昆、李飞飞为代表，他们对当前语言大模型的局限性有着清醒认知，主张通过构建 “世界模型”、探索空间智能等路径，让机器在真实环境中实现无监督学习，进而迈向通用人工智能。

而实用主义者则更注重现有技术的落地应用，认为依托成熟的模型、数据与方法，在具体场景中持续优化，就能逐步释放 AI 的价值。

杨学山教授指出，这种多元观点的碰撞将在未来 5-10 年持续存在，而正是这种 “吵着打着” 的过程，才能推动行业向真实有效的方向发展。

回顾人工智能 70 年的发展历程，从符号主义、连接主义到行为主义，从机器学习到深度神经网络，技术路径不断演进，但当前行业已形成相对稳定的核心技术框架。杨学山教授判断，未来三五年内，人工智能领域难以出现颠覆性的技术变革，杨立坤所倡导的无监督环境学习等理想路径短期内难以成为主流。

当前，头部 AI 服务提供商的核心竞争力，在于将数十年信息技术发展的核心成果与数据、知识深度融合，通过海量用户交互实现 “正确肯定与谬误纠正”，推动模型供给与知识信息的动态迭代。值得注意的是，曾经主导行业的 “算力与参数线性增长” 模式已不再成立，行业发展正从单纯的规模扩张转向能力优化。

在应用层面，人工智能的落地离不开三大核心能力的协同：场景专家与管理者的决策能力是前提，如国资委推荐的换流站监测场景中，320 个智能传感器的布局完全依赖专家经验与领导决策；数据处理能力是基础，需通过边缘节点实时处理与特征提取，实现数据质量提升；大模型与算法的融合应用是关键，同时必须兼顾成本控制能力 —— 若投入产出失衡，不仅会导致单个项目失败，更会催生行业泡沫。从国资委 40 个典型应用场景到能源行业 300 个细分场景，AI 的价值正通过这种 “场景化 + 能力化” 的模式逐步显现。

杨学山教授强调，人工智能技术的应用边界由需求与市场价值决定，而非技术本身。脱离现实需求的技术创新终将难以持续，这也是部分 AI 项目陷入 “投入大于产出” 困境的核心原因。

从社会现实来看，未来十年甚至更长时间，衣食住行等刚性需求仍将是人类社会的基础，制造业作为国民经济的支柱地位不会改变，而人工智能的发展恰恰离不开制造业的支撑 ——“离开制造业，人工智能就是零”。

当前，全球仍有大量劳动尚未实现机械化替代，更遑论智能化，如低温环境下建筑工人的手工劳作等场景，其替代难题并非单纯技术问题，更涉及复杂的社会经济因素。

马斯克等乐观主义者 “十年后 AI 将完成所有脑力劳动，工作成为爱好” 的预言，忽视了人类社会的刚性需求与发展现实，其核心谬误在于混淆了 “语言能力” 与 “思维能力”—— 人类思维虽依赖语言表达，但掌握语言并不等同于拥有思维，这一理论前提的偏差导致其预判缺乏现实基础。

杨学山教授指出，人工智能行业当前的诸多争议，根源在于基础理论的缺失。由于尚未形成对 “智能本质”“人类思维机制” 的清晰认知，行业缺乏判断技术方向与价值的统一标尺，导致各类观点莫衷一是。姚期智院士 “连人怎么思维都没解释清楚，AI 何以超越人” 的质疑，深刻揭示了基础理论研究的重要性。

★ 写在最后 ★