泡沫之下，人工智能产业化还有哪些方向值得「押注」？丨GAIR 2025

首页 » 泡沫之下，人工智能产业化还有哪些方向值得「押注」？丨GAIR 2025

“美国2025年人工智能产业到底有多少是正向收益？MIT调查结果显示，95%都是负向的，非常烂尾，只有5%是成功的，令人吃惊。”

在2025 GAIR主论坛“人工智能产业化的挑战和机遇”圆桌对话中，大会主席、加拿大皇家科学院院士杨强教授又一次对人工智能的落地现状“泼冷水”。

在席卷而来的技术浪潮中，人工智能产业化面临哪些严峻的挑战？作为方兴未艾的产业，人工智能有哪些泡沫和陷阱？展望未来，人工智能产业化还有哪些值得“押注”的方向？

面对AI时代的多重拷问，这场圆桌论坛通过四位科学家、一线研究者的深度对话，提供了可供参考的思考方向。参与本次圆桌论坛的嘉宾有：

郑宇（主持人）：KDD China主席，京东集团副总裁，IEEE Fellow
杨强：加拿大皇家科学院院士
胡侠：上海人工智能实验室主任助理，领军科学家
薛贵荣：之江实验室科学模型总体部技术总师

四位“老朋友”齐聚一堂论道，激荡产业思潮。

郑宇教授开门见山，指出人工智能产业化的困境：大语言模型出来之后，在某些应用场景取得了成功，但并没有大规模的商业应用和成熟的商业模式。

究其原因，杨强教授认为人工智能产业化面临三个维度的挑战：一是预期维度，尤其是企业老板的预期；二是系统维度，人工智能技术引入企业后，无法与原有传统系统适配；三是数据维度，人工智能产业化落地仅靠语言模型远远不够。

“人工智能现在还做不到的，系统往往等着人类投喂数据。就像我们家里的猫一样，坐等你去喂它，否则它不会自己去抓老鼠，因为它根本不知道什么是老鼠。”杨强教授用生动的比喻，描述AI落地中亟待攻破的系统维度难题。

胡侠教授从“小切口”谈起，结合机器人的感知、理解、规划、学习等技术卡点，阐述人工智能产业化之难——“机器人离落地还相当远”。

如果把“机器人”类比为“人类”，从感知层面来讲，还差得很远。人类不仅是靠说话，不仅是靠眼睛在看、靠耳朵在听、靠鼻子在闻，我们的手上也有非常多的传感器，像温度传感器、湿度传感器、压力传感器，人的手还有很多维度，有自由度。很多传感器多年来都没有质的突破，没有（以上提到的）这些，会导致一个非常简单的感知问题：人将手伸进书包捡乒乓球，这是非常容易的操作，但如果机器人用手伸进一个黑书包，它看不见，加上手上没有皮肤传感器，没有自由度，很难完成从书包里拿乒乓球这个简单的操作。

在企业实战中，人工智能的落地应用如何？薛贵荣直呼“这一行最倒霉的就是CTO或CIO”。他谈到，决策人和AI团队往往初期满怀信心，实操后却信心尽失，陷入“啥都能做”到“啥都做不了”的极端认知摇摆。预期、认知的问题导致人工智能的泡沫快速膨胀，“本来是好机会，但如果预期拔得很高，最后没做出来，干掉了一批CTO，整个行业破灭了。”

杨强教授也表达了类似的担忧：“全世界对人工智能不合适的预期，会把我们引向灾难，引向一个巨大的泡沫。”

但在眼下如火如荼的人工智能产业化进程中，已涌现出不少“小泡沫”。

薛贵荣教授指出了其中的两个泡沫：一是算力领域，现有算力建设投入多为推理卡算力、竞争激烈，大量算力资源闲置，投入与产出严重不匹配；二是AI应用领域，多数应用“人工成分”过高，本质是“人工AI”，并未达到真正的AI应用水平，市场上Agent框架等相关产品同质化严重。

人工智能到底应该做“人擅长的事情”，还是应该做“人不擅长的事情”？郑宇教授在现场抛出关键性问题。他认为，人形机器人在诸多场景中未必具有明显优势，其“爆火”在于能够拉动经济消费和产能，但我们应清醒区分何为“短期自救”、何为真正的“长远目标”。

泡沫之外，AI浪潮仍催生出新的时代机遇。在圆桌论坛最后的环节，嘉宾们纷纷“押注”值得未来多投入、多钻研、多花时间的方向。

杨强教授提到，在医疗等数据稀缺领域，数百例甚至几十例数据无法支撑深度学习，只能依靠传统回归模型，这类小数据场景广泛存在。他目前的一个研究领域，正是如何在保护隐私的前提下，整合各领域专家的小数据模型，构建全局模型让大家都受益。

胡侠教授认为，安全可控是值得关注的重点方向。他提到，很多实验表明AI已经在寻求权力，在不久的将来可能会与人类争权力、争资源，形成一系列问题。

“国内的模型参数可能才达到1万亿，国外现在已经快达到7万亿了，这之间存在着差距。”薛贵荣教授认为，当前最重要的是提升大语言模型规模，大模型规模会带动底层基础设施到上层的算法、数据等的一系列革新。

以下是圆桌对话的精彩内容，雷峰网(公众号：雷峰网)作了不改变原意的整理与编辑：

全美95%人工智能项目烂尾

郑宇（主持人）：这个环节，当时林军跟我说，KDD是很有知名度的组织，这个圈子里面的很多老朋友，也是伴随着雷峰网一路走过来的，所以设置了这样一个论坛。我们先讲讲故事，为什么是我们这几位坐在这里？

杨老师是我们多年的好朋友，对我们每个人的帮助都非常大。有多大？KDD在中国的组织叫KDD China，杨老师是第一任主席，我有幸接班做了第二任主席。其次，杨老师创始了ACM TIST人工智能旗舰刊物，他是第一任主编，特别有幸，我又做了第二任主编，一路上我都是跟着杨老师在学习和进步，所以跟对人还是很重要的。第三任主编是胡侠的老师，现在是刘欢老师在做主编，这也是我们中国人自己创始的杂志。贵荣，原来是阿里妈妈的首席科学家，后来出来创业，做了天壤科技，现在又在之江实验室做大模型；胡侠，之前在美国KDD圈子里非常有名，现在回到上海人工智能实验室做主任助理。

今天，我们要谈论一下人工智能产业化面临的挑战和机遇。首先从挑战开始讲，大语言模型出来之后，确实在某些应用场景取得了成功，也在行业引起了很大的热点。但到目前为止，可能只有个别标杆项目成功了，并没有大规模的商业应用和成熟的商业模式。所以“挑战”到底在什么地方？为什么还有不足？到底有哪些问题？我们要客观冷静看待。首先有请杨老师讲讲他的观点。

郑宇教授

杨强：谢谢郑宇，今天特别高兴跟我们的老朋友——合作至少都有20年了，一起参加圆桌讨论。刚才郑宇问了一个非常好的问题，不是说人工智能会增长多快，而是问挑战在哪里，尤其是和业界的合作。就这个问题，我最近关注特别多，因为我有时候也给商学院讲课，我跟他们说“我是来泼冷水的”：美国2025年人工智能产业到底有多少是正向收益？最近我看了MIT的报道，调查结果显示，95%都是负向的，非常烂尾，只有5%是成功的，非常令人吃惊。我们就问，这95%的共性是什么，这5%的共性又是什么？

回答郑宇的问题，我觉得有三个维度目前面临着巨大的挑战。

第一是预期维度，尤其是老板的预期。比如老板每天看自媒体、看新闻，觉得人工智能已经不得了了，在别人的企业中已经取代人类了，取得了这个成功、那个成功，然后回来说“咱们为什么还做不到？”“为什么我们的程序员还在工作？为什么不是AI在工作？”“为什么今年的收益没有double？”我觉得这个预期是媒体以及全世界不合适的预期，这会把我们引向灾难，引向一个巨大的泡沫。不是说人工智能做不到其中的一些点，而是说我们的预期一定要实际。

第二是系统维度，来自系统的挑战。回到MIT的报告，这95%不成功的共性在于，人工智能作为新技术，引入到企业里和原有传统的、已经在工作的系统不和，“就像夫妻，其中一人非常先进，另一人很落后，还处在清朝阶段，那这两个人肯定长久不了”。就像这个例子，往往是人工智能不知道怎么帮忙，传统企业不知道怎么让人工智能来帮助自己。我也想过为什么会这样，其中一个原因是人工智能还没有做到100%。何谓100%？假设我的企业有1万个数据集，都是五花八门异构的数据，人工智能技术进来之后，它是否自己就能知道哪些数据可以用，哪些数据可以整合，哪些数据可以做训练？它知道自己需要什么以及知道自己能做什么，从而改变现有的系统？人工智能现在做不到的，系统往往等着人类投喂数据，就像我们家里的猫一样，坐等你去喂它，否则它不会自己去抓老鼠，因为它根本不知道什么是老鼠。

第三是数据维度，跟我现在的工作非常相关。现在用的基本都是公开数据以及语言类数据，所以我们说的都是大语言模型。但是人工智能如果要走到落地、帮助企业的阶段，仅仅只有语言模型是不够的。其实多模态很多也是人类帮助它变成语言模型之后喂给大模型的，一个没有经过人类处理的RAG Data，大模型是不会处理的，像图像、视频以及很多非感知数据，都是非语言类的数据。

杨强教授

胡侠：杨老师从特别高的高度讲得很好，下午郑宇跟我讲，讲得越激烈越好，我也在想怎么才能讲得比较激烈。我想了很久，准备从一个特别小的点讲起。在座有很多做机器人的，因为这是在深圳，也有很多机器人产业的投资人，我想从技术的角度谈谈我对机器人产业的看法。至少在国内，AI可能是最火的领域之一，是不是“最火”的那个我不知道，但肯定是“之一”。大面来说，我觉得机器人离落地还相当远，包括以下几方面：

首先是感知层面。大家知道这一轮的AI浪潮，更多是由大语言模型或多模态大模型推动的，大模型能够比较好地理解语言，能够做出很好的诗和文章，甚至分析图片。但如果把“机器人”类比为“人类”，从感知层面来讲，还差得很远。人类不仅是靠说话，不仅是靠眼睛在看、靠耳朵在听、靠鼻子在闻，我们的手上也有非常多的传感器，像温度传感器、湿度传感器、压力传感器，人的手还有很多维度，有自由度。很多传感器多年来都没有质的突破，没有（以上提到的）这些，会导致一个非常简单的感知问题：人将手伸进书包捡乒乓球，这是非常容易的操作，但如果机器人用手伸进一个黑书包，它看不见，加上手上没有皮肤传感器，没有自由度，很难完成从书包里拿乒乓球这个简单的操作。

第二是理解层面。不管是大模型、多模态还是具身，大家都谈了很多。从数据来讲，我们可以给机器人看很多书本知识，也可以给它看很多video知识，但没办法很轻易就把一些物理学知识传递给机器人。机器人不知道球被扔出去以后会因为牛顿定律呈抛物线下降，不知道桌子应该要比地面高，不知道“水往低处流”等简单的物理学现象，也没办法很好地理解。

第三是规划层面。大家想想，把乐高积木拼起来，小孩可以做得很好，但对机器人来说，把上百个东西变成一系列的操作是很难的。纸上得来终觉浅，把乐高的说明书给孩子，孩子可以拼出来一个玩具；把一个零件说明书给熟练的工人，工人可以理解、规划、组建这些部件。但现在来讲，我还没有看到机器人有这个能力。

第四是学习能力。大家都知道，人从出生一直到七八岁，就有非常强的智能，远比现在的机器人强很多。它们有那么多的数据吗？实际并没有。机器人现在缺乏的是小样本学习、持续学习的能力，它没有基本的学习能力。虽然我们给它灌了很多数据，但这些数据究竟怎么样？不管是1T的数据、1P的数据甚至是更多数据，这些数据中有多少重复的知识？把这些数据变成知识的能力，包括持续学习的能力以及小样本学习的能力，我还没有在现在的机器人或具身领域看到很大的突破。

从感知到理解、规划、学习，在机器人领域还有很长的路要走。虽然现在的公司估值都很高，但我觉得这里面的泡沫还是蛮大的。

薛贵荣：大家一开始看到外面关于AI的报道，会充满信心，干了一段时间，会感觉什么信心都没有了，在两个极端之间游荡，搞得决策人和AI团队都在怀疑“我们能干吗？我们能干好吗？”最后连耐心都没有了。

这是IT部门决定的事吗？如果是的话，基本干不下去，因为老板会跟你说，你的KPI要再设得高一点，都用AI了，应该再裁掉30%的人。搞到最后，做事的人没办法承诺成果。我觉得，大家在认知上的差异，导致我们所有人干这个事的决心和信心都会有动摇。到最后我能不能干好？我要不要花这么大的力气来做数据整理的工作？最后大家都不想做整理数据的活，就希望外面有一个现成的模型，拿来就能用，“拿来主义”的思想会重一点。

如果是这样的话，我觉得基本干不下去。因为外面的模型跟你家里的数据融合肯定是要做的，否则模型放在家里也只能写写报告、办办公，或者再用点大家讨论到的RAG。其实RAG也不是很容易的事，有的人觉得RAG一做，幻觉就能解决，其实是搞不定的，也许能解决60%～70%的问题，但还有30%～40%的挑战。因为幻觉的问题还是存在，导致你觉得就不应该做这个事情。

所以我们这个行业最倒霉的是什么？最倒霉的是CTO，或者CIO。一轮一轮换，因为没产出，就被淘汰掉了。大家要么过度乐观，要么过度悲观。模型效率再好一点，智力再强一点，可能会做得很好，但这一步走过去需要时间。我觉得这是有挑战的事。

郑宇（主持人）：观点都非常犀利，正好贵荣提到CTO的事情，前段时间有一个CTO Club闭门会议，当今国内都在做这些的大厂CTO，关起门来在里面讨论。这里面的声音跟外面媒体的声音完全不一样：这里面是人间清醒，不能说哀声一片，但大家都觉得人人自危，最怕老板出去开会、培训，一培训就跟你说，人家做出来了，你没做出来。预期的问题、认知的问题，导致这个行业的泡沫快速膨胀。本来确实有进展，是好机会，但如果大家觉得两年就能做完，预期拔得很高，到两年之后没做出来，干掉了一批CTO，整个行业破灭了。这是人间清醒的真话。

人工智能赛道有哪些泡沫？

郑宇（主持人）：刚刚说了人工智能产业化的挑战，从不同的维度来讲，有预期、系统、数据的维度，有感知、理解、规划、学习的维度，有实战经验的维度——认知、决策、责任、技术队伍、时间管理、成本管理等等，很多东西都是真实存在的。问一下杨老师和贵荣，你们觉得在人工智能赛道，目前最大的泡沫和陷阱在哪里？你们可以指出来一下，让大家可以有一些预警。

杨强：我觉得小泡沫很多。第一个泡沫是现在的人工智能利用公开数据，比方说用Twitter训练出大模型，就有人认为，对于所有的数据都可以训练出大模型。比如说大家会有一个预期：机器人已经能做双足，那它是不是可以跟大模型相结合，把它的数据输入给大模型，就可以输出一系列的行为，机器人就变得更智能了。这就是一个泡沫，也就是说，它把一个地方的成功，迁移到了很多其他的地方，不看这两个地方的重大区别。这里说到的重大区别包括两个维度：

一方面，数据是异构的。公开数据是语言数据，但是我们想迁移到的地方，比如行为数据、图像数据，比如各种各样的多模态数据，其实是非语言数据，所以我们并不知道现在怎么用非语言数据作为输入，训练出一个智能的大模型。

另一方面，很多公开数据已经快用完了，世界上所有数据的总量，4%是公开数据，96%是非公开的。也就是说，人工智能依靠大语言模型突飞猛进，但马上就要戛然而止了，因为我们没有新的数据。新的数据在哪里？在私有数据，在手机上，在医院里，在银行里，在大学里，在学生的课程上。如何利用私有数据继续赋能给大模型，这是一个巨大的挑战。如果解决不了，这就是一个巨大的泡沫。

郑宇（主持人）：杨老师从数据层面讲到了异构的问题，能够在语言层面训练出大模型，不代表其他条件都能训练出大模型；现在的数据显然不够，还要持续推进大模型的进展。请贵荣谈谈你的想法，你感觉什么领域泡沫最大？

薛贵荣：我感觉现在算力的泡沫也比较大。各个地方都在做大的智算中心，原来是IDC，现在都成了AIDC，但现在推理的AIDC太多，而训练的AIDC很少。大家可能都知道，美国模型的参数规模现在在6万亿到7万亿之间，对算力的要求要达到10万张卡，这个系统要求非常高。我们现在建设的智算中心基本都是推理集群，而真正的训练集群太少，导致大量的推理智算中心的机器挂在机柜里，都不开机，这本身也是非常大的投入风险。

另外，我最近也参加了很多会，会场上的Agent遍地都是。只要你到一个展位，基本都有一两个Agent在那里，感觉好像做Agent的越来越多，但Agent定制的成分也很少，还没到所谓真正的Agent智能化程度。今天的Agent，人工involve的程度太高。

所以两方面，一个是算力的建设，一个是重复建设类似的Agent框架。

薛贵荣教授

郑宇（主持人）：刚刚胡侠提到人形机器人，很多人心中都有困惑：人工智能到底应该做“人擅长的事情”，还是应该做“人不擅长的事情”？我相信大部分人认为，它应该做“人不擅长的事情”——人能干的事情，不需要它来干，自己就干得很好；人不能干的事情，让它来干。

什么叫“人不能干的事情”？有几个方向，比如：

（1）高风险，像爆炸、挖矿、塌矿，人不能去；

（2）高强度，背500斤背不动，要让机器人来干这样的事情；

（3）高精度，0.1μm的东西，人手有时候抖，控制不住；

（4）高恶劣环境，不危险但很恶心，人一干就想吐，比如下水道。

在这四个场景中，人体结构没有任何优势，比如在战场上或者在淤泥里，履带肯定比四足或两足要好很多。这个时候原先的基本假设就不成立：为什么要做人形机器人？人形机器人一旦学会了之后，人的通用能力自然就可以扩展。但机器人的定位，应该是做“人不擅长的事情”，人体结构在这个时候没有任何优势，不应该用这个方法来做，应该用别的方法。

其次，我们对人自身的理解，真的很深了吗？人对自身的了解，还是非常少的，都不确定是否有1%。如果人对自身的机理都搞不明白，能否设置出模型机理？就像人工智能不能无师自通一样。请问，谁能说得清楚人是怎么思考的？怎么用大脑控制小脑的？很多东西说不清楚，很抽象，我们经常讲的是大脑、小脑互相做配合，但机理并不清楚，从原理上也做不出来。

回过头来讲，国家为什么要鼓励人形机器人的发展？这是从拉动经济消费和产能的角度说的。一方面，人形机器人，康养的、陪伴的，人手一个，量很大，资本很喜欢；另一方面，造机器人，我们的产能能够被拉动起来，很多的钢和材料都能用起来，就能带动这一波经济循环。短期之内我们还没有找到更好的经济增长点，也许有一天会有突破，即使没突破，这也是一个很好的衔接。所以要分清楚什么是真正的“长远目标”和“短期自救”，找好这个平衡。

垂域小模型是“押注”方向

郑宇（主持人）：既然有挑战，肯定也有机遇。请几位老师简短说一下，你们认为人工智能应该在哪些方面发力，做什么比较适合？以及是未来有希望的，虽然时间会长一点，但我们应该多投入、多钻研、多花时间去搞的东西？

杨强：现在我们已经离不开人工智能了。我们手机上都有大模型APP，尤其是学生，如果离开了，可能分数就降低了；程序员也离不开大模型；再就是门禁、人脸识别、指纹识别，也离不开人工智能。现在人工智能已经变成了我们生活的一部分，很多都是深度学习的人工智能。

但是到了医疗领域，数据非常少。最近我跟一些医生和教授聊天，他们手里的数据，几百例都算多的，也许就几十例，这种数据用深度学习都不行，只能用回归模型，也就是特别传统、特别简单的模型。但这种数据集特别多，教授也特别多，所以我现在研究的领域就是如何把这些数据集、教授聚集起来，既保护隐私，又让他们共享知识，建立一个全局模型，让大家都受益。像我现在所做的迁移学习或联邦学习，就是在这个方向发力。未来也许我们会看到很多垂域的小模型——这些小模型有无数个，在任何一个领域——可能我们能够把这些小模型汇聚起来、串起来，完成一个复杂的任务。

胡侠：我还是接着聊几句机器人。刚才抨击得比较激烈，接着郑宇刚才讲的，我多说几句。现在国家在大力投入机器人行业，很多VC热钱也进入机器人行业。我跟这些投资人深度聊过，当时我有这个疑惑：大家明明知道机器人的泡沫这么大，短期内不敢说一定做不成，但做成的希望值还挺小，但为什么大家还愿意投入这么多的钱？

刚刚郑宇谈了一点。另外，从国家的层面来讲，大家希望把这个生态做起来以后，用机器人行业的火爆倒逼技术的发展。刚刚我谈的很多技术缺陷实际上还没有解决，比如感知、传感器、自由度的问题，如果这些基础问题解决了，可以衍生一大批机器狗、无人机、扫地机器人……whatever机器人，都可以基于这套技术实现非常大的发展。它本身是否成功，我个人觉得不要紧，但是从技术布局的角度来讲，如果能够把这一批生态带成功了，国家的投资、产业的投资将会非常成功。

胡侠教授

回答郑宇刚刚提问的“机遇”问题，我想说一下中国的机遇有哪些：首先我看到了很多自主可控的机遇，虽然这一波AI发展得这么火，深圳各种各样的产业、各种各样的机器人应用铺天盖地，包括马上在Las Vegas要举办的新一届CES（International Consumer Electronics Show，国际消费类电子产品展览会），可能过半的厂商都来自中国。

但是我们要意识到，Fundamentally，咱们国家的基础软硬件系统，实际被“卡脖子”卡得非常厉害。从非常底层的芯片来说，现在N卡绝对还是遥遥领先的。数字智能方面，要训练一个规模更大的模型，极大的数量都是高度依赖N卡的芯片，CUDA系统把数字智能完全垄断了；物理智能方面，如果要训练一个具身机器人或具身系统，还是要高度依赖英伟达Omniverse整个生态。我国还没有形成独立自主可控的一套软硬件协同系统for数字智能、物理智能，所以我觉得对咱们的产业和技术人员来说，都是非常好的机会。

其次，我非常认同刚刚提到的科学大模型。我们可以看到，过去专有的科学大模型，比如AlphaGo、AlphaFold，在通用的大模型，比如通义千问、ChatGPT、DeepSeek，都已经取得了非常大的成功。但怎么做“通专融合”的科学大模型？通用性能还不错，又能够做专业的事情，我个人觉得这是蛮大的机会。现在更多是做一些微调，但我看到之江实验室做了一些努力，我觉得这是很有潜力的方向。

第三，安全可控的方向。从短期来讲，涉及到幻觉等各种各样的问题；从中期来讲，让语言大模型、多模态大模型、具身大模型真正在高价值、高敏感行业落地。比如大家还没有在医院，没有在金融行业或其他高价值、高敏感行业看到特别多的大模型应用落地，这是因为安全可控做不好。从远期来讲，从政界最高层到学界最高层，他们都关心AI会不会有拟人化的风险。因为有很多实验表明，AI已经在寻求权力了：首先，它寻求自己要survive，然后寻求权力、寻求资源，在不久的将来与人类争权力、争资源，形成一系列问题。

从短中长期来讲，安全可控一定是AI最有潜力的发展方向。安全这个方向，虽然大家多多少少都有提及，但还远没有形成生态，远没有形成产业。怎样把safety as a service（安全即服务）做起来还是很重要的。

薛贵荣：第一，我们的大语言模型的参数量还不够大。国内的模型参数可能才达到1万亿，国外现在已经快达到7万亿了，这之间存在着差距。大模型规模会带动底层基础设施到上层的算法、数据等的一系列革新。

模型好了以后，可以做的东西太多了，这件事迫在眉睫。所以无论是通义千问也好，DeepSeek也好，还是其他的国产大模型，能力要追赶上去。在这个基础上，企业的AI应用可能才有机会。再谈到人工智能+科学，数学是科学的哲学，首先我们要把数学搞好，同时增强对物理世界的感知。所以用人工智能把数学学得很好、把物理世界理解好，这两件事情也非常重要。

郑宇（主持人）：其实我们还想继续聊，但因为时间问题，我们要结束这个panel了。一方面，大家以后听到“人工智能过去是以年为进展，现在是以周为进展”的观点，要小心、要冷静；另一方面，要保持对人工智能长远发展的信心，选择正确的方向，坚持做该做的事情，这样人工智能才能有一个美好的未来。谢谢大家。

雷峰网原创文章，未经授权禁止转载。详情见转载须知。