在2025 GAIR主论坛的“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引用了一项MIT的调查结果，为当前火热的AI产业敲响了警钟：“美国2025年人工智能产业到底有多少是正向收益？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。”
这场由KDD China主席、京东集团副总裁郑宇教授主持的论坛，汇聚了杨强教授、上海人工智能实验室主任助理胡侠教授以及之江实验室科学模型总体部技术总师薛贵荣教授。四位顶尖专家围绕AI产业化面临的真实困境、存在的泡沫以及未来值得投入的方向展开了深度对话。
产业化三大核心挑战：预期、系统与数据
郑宇教授指出，尽管以大语言模型为代表的技术在某些场景取得成功，但尚未形成大规模的商业应用和成熟模式。
杨强教授将挑战归纳为三个维度：
- 预期管理：企业和公众对AI能力的预期被媒体过度拔高，与实际落地能力严重脱节，这种不切实际的预期可能催生巨大的产业泡沫。
- 系统融合：AI作为新技术难以与企业的传统IT系统无缝适配。“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。” 杨强教授用生动的比喻描述了AI与现有系统协同的难题。
- 数据瓶颈：当前AI的进步严重依赖公开的语料数据，仅占全球数据总量的4%。而真正能产生商业价值的96%的私有、异构数据（如图像、视频、行为数据）尚未被有效利用。
胡侠教授则从机器人（具身智能）的具体技术卡点切入，认为其离真正落地“还相当远”。他指出，机器人在感知（缺乏如人类皮肤般的多维度传感器）、理解（难以掌握基础物理常识）、规划（完成复杂步骤序列的能力弱）和学习（缺乏小样本与持续学习能力）四个层面均存在显著短板。
薛贵荣教授结合企业实战经验，点明了决策层与执行层之间的认知鸿沟。初期盲目乐观与后期信心崩溃的摇摆，导致项目难以持续推进。“所以我们这一行最倒霉的就是CTO或CIO。 预期拔得很高，最后没做出来，结果就是一轮轮换人。”
当前赛道存在哪些具体泡沫？
论坛中，嘉宾们犀利地指出了当前AI热潮中的几个具体“泡沫”：
- 算力建设泡沫：薛贵荣教授指出，各地大量建设的智算中心多为推理集群，而非训练集群，导致“大量的推理智算中心的机器挂在机柜里，都不开机”，算力闲置与投入产出不匹配问题严重。
- 应用同质化泡沫：市场上涌现的AI Agent产品“人工介入”（human-in-the-loop）成分过高，智能化程度不足，且框架同质化严重，并未形成真正的技术差异化竞争。
- 能力迁移泡沫：杨强教授提醒，在公开文本数据上成功的大语言模型范式，不能被简单套用到行为、物理世界等异构非语言数据上。数据类型的根本差异是技术迁移的巨大障碍。
未来值得“押注”的突破方向
尽管挑战重重，但嘉宾们也展望了AI产业化未来值得深耕的机遇方向：
- 垂域小模型与数据协作：杨强教授指出，在医疗、工业等数据稀缺的垂直领域，传统深度学习无法奏效。未来的机遇在于通过如联邦学习、迁移学习 等技术，在保护隐私的前提下，协同多个小数据专家模型，构建全局智能。这将催生无数个专业、高效的垂域小模型。
- 提升基础模型规模与能力：薛贵荣教授认为，当前国内大模型在参数规模上与国外领先模型仍有差距。扩大模型规模是迫在眉睫的任务，它将倒逼从底层算力基础设施到上层算法、数据的全面革新，并为更复杂的AI应用奠定基础。
- 构建安全可控的AI体系：胡侠教授强调，安全可控是AI在高价值、高敏感行业（如金融、医疗）落地的前提，也是应对AI长期潜在风险（如价值对齐、权力争夺）的核心。将“安全即服务”做成一个成熟的生态和产业，是巨大的机遇。
- 通专融合的科学大模型：胡侠教授还看好“通专融合”的科学大模型方向，即让通用大模型深度融合专业领域知识（如物理、化学、生物），在保持通用能力的同时，解决前沿科学问题。
最后，郑宇教授总结道，面对AI产业，一方面要对“以周为进展”的过度宣传保持冷静，另一方面则需对AI的长远发展保持信心，选择正确方向并坚持投入，才能穿越泡沫，抵达真正有价值的未来。 | 
发表于 4 天前
|
查看: 18|
回复: 0
