编者按：人工智能浪潮汹涌澎湃，在追逐其日新月异脚步的同时，尤需放眼全局、辨析趋势、思考方向。本报前沿周刊今起推出系列观察，回溯AI技术发展历程，盘点当下技术版图和赛道，探讨未来发展趋势，剖析浙江打造人工智能高地的路径，敬请垂注。

风起云涌：人工智能怎样走进我们的生活

——AI浪潮系列观察之一

　　■ 本报记者 谢丹颖

　　ChatGPT的出现仿佛就在昨日。回望2022年底，那个简洁的对话窗口，让全世界的普通人第一次触摸到“人工智能”的轮廓。不少人回想起2016年AlphaGo战胜围棋大师李世石引发的“出圈”震动——但这一次，基于全新大模型架构的AI，以前所未有的“人格化”姿态走来：它能对话，能创作，几乎像一个真正的伙伴。

　　由此产生的AI热潮持续至今。现象级的产品、引人惊叹的“ChatGPT时刻”层出不穷，“已经很聪明的AI”不断被更加聪明的AI迭代，以令人目不暇接的速度浸入我们的日常生活和心灵世界。“AI将改变一切”，已成全球共识。

　　产业界的情绪更复杂一些。工程师们雄心勃勃，预言AI将实现类人工作。不过，所需的算力、人才与时间，却似无底洞一般。在投资最热的美国，今年AI投资预计约6700亿美元，占其GDP的2.1%。这个数字虽低于历史上英国铁路泡沫时期的7%，增势仍堪称狂飙。

　　汹涌浪潮中，我们有必要回望AI的来路，它怎样把曲折蜿蜒的小径，走成今日开阔庞杂的路网；我们还要和读者一道在这些路网中飞驰，感受其中那几条最为引人瞩目、人流最为密集的大道，思考它们将通向怎样的未来。

　　七十年跋涉：AI发展经历“两落三起”

　　人工智能的故事可追溯到70年前。人工智能专家、浙江大学本科生院院长吴飞教授将其发展历程概括为“两落三起”：“每当技术无法解决真实问题，便跌入深谷；一旦找到新突破口，又迅速崛起。”

　　1956年的达特茅斯会议上，麦卡锡、闵斯基等学者耗时两个月，讨论这样一个命题：机器能否像人一样使用语言、形成概念、解决难题并不断自我完善？虽没讨论出答案，但他们给了该领域一个确切的名字——“人工智能（AI）”。

　　随之而来的是一波乐观的探索潮：能证明数学定理的“逻辑理论家”、工业机器人Unimate、聊天程序鼻祖ELIZA……这些早期尝试，展现出机器处理语言与问题的潜力。

　　但早期计算机内存以KB计，主流技术“符号主义”又依赖人工编写海量规则。现实的复杂远超想象，规则永远写不完。于是，当“数年内实现人类智能”的期望落空，批评声便涌来：这更像“过家家”，AI只能在人为设计的“玩具域（toy domains）”运行。1969年出版的《感知机（Perceptrons）》一书，更是直指简单神经网络的底层局限。资金迅速撤离，AI在20世纪70年代陷入第一次寒冬。

　　低谷中，研究者转向更务实的路径。20世纪80年代，以“专家系统”为代表的AI再度崛起。它将人类专家的知识编码成库，在医疗诊断等特定领域成功应用，获得企业青睐——专为运行此类程序的Lisp机一度卖得火热。日本也投入数亿美元，启动“第五代计算机”计划，旨在造出能对话、推理的AI机器。

　　“可惜，‘专家系统’脆弱、维护困难，还无法处理规则外的情形。”吴飞说，个人电脑的普及，使得昂贵的专用AI硬件市场又在1987年骤然崩塌，AI迅速遭遇第二次寒冬。

　　挫折让领域沉淀：既然被动的灌输效果有限，能否让机器自己主动学？以神经网络为核心的“连接主义”悄然蓄力，并在21世纪带来转机。2006年辛顿攻克深层神经网络训练难题，2012年其团队打造的AlexNet在图像识别大赛中一战成名——向世界证明，基于深度学习的机器，已能从数据中自己掌握规律。

　　算法、算力与大数据，共同催生第三次AI浪潮。2016年，AlphaGo击败围棋大师，全球创投热情高涨。但这轮应用依赖针对特定任务的“小模型”，讲究造“专才”。人们继续思考AI的本质，它不该只是替代简单劳动的专用工具。业内常用的一个比喻是，AI应该像童话里的“七里靴”，穿上后一步便能跨出七里格（约39公里），意即极大拓展人类能力边界。

　　于是，2017年，基于Transformer架构的“大模型”新时代随之而来——在海量数据基础上训练出庞大规模参数的模型，展现出前所未有的理解、推理、生成能力。特别是以ChatGPT为代表的生成式AI，让世界直观感受到这种“大力出奇迹”。2023世界人工智能大会上，一位技术人员回忆：2018年GPT-1初现时曾被视作离经叛道，直到2022年底GPT-3.5横空出世，“大家才猛然意识到‘通才’的强大”。

　　技术范式：从“对话”到“做事”

　　当前所说的AI，是一个由模型、数据与算力构成的系统。而大模型，是这三者规模达到一定程度后的产物，初步展现“即插即用”的通用潜力。

　　网易智企CodeWave技术负责人姜天意将大模型的演进概括为3次跃迁：从能“看”会“听”的感知智能，到以GPT为代表的生成智能，再进入当前代理智能阶段——AI正从“会说话的百科全书”转向“能自主干活的管家”，学习理解复杂指令、规划步骤并执行任务。

　　“现象级‘龙虾’等智能体的出现，和ChatGPT一样，都是技术积累达到阈值后的结果，既依赖底层模型突破，也需工程化落地，是‘产品-技术’契合的产物。”姜天意说，开发者的焦点，也从“如何写代码”转向“如何清晰、结构化地向AI定义问题”。对此，他颇为感慨：2022年还在学习如何让AI生成，现在已经在研究怎样为AI这匹“快马”套上“缰绳”。

　　这一切，源于机器从海量数据中归纳规律能力的持续提升，但初期“堆算力、拼规模”的路径已然遭遇边际效益递减。

　　在此背景下，我国走出不同的一步：从“拼规模”转向“拼密度”——追求更轻的模型、更聪明的架构、更低的价格。这好比在喧闹的会场中，将注意力从“听取所有杂音”聚焦到“捕捉关键发言”。

　　产业竞争随之从“百模大战”，转向深耕场景、挖掘价值的“耐力赛”。中国信息通信研究院《人工智能产业发展研究报告（2025年）》便已指出：基础模型数量持续收敛，应用效果成为关注重点。以大模型“六小虎”为例，百川智能深耕医疗，零一万物转向为企业定制方案。

　　当AI在数字世界高歌猛进，其“锯齿状智能”的缺陷也逐渐暴露——能在国际数学奥赛中摘金，却读不懂指针式时钟——在攀登人类智慧巅峰的同时，它也可能困于小学生的常识。

　　面对这一局限，物理AI被视为下一个关键方向。

　　相较于擅长“说”的现有大模型，物理AI擅长“做”。这一概念于2024年首次提出。今年年初，英伟达创始人黄仁勋便断言物理AI的“ChatGPT时刻”到来，其展示的“视觉-语言-动作”模型，也已经让机器人听懂“把桌子收拾一下”等模糊指令，自主判断该收什么、放在哪里。

　　不只机器人，华大生命科学研究院与之江实验室共同开发的基因组大模型Genos，通过直接学习人类基因序列，推动AI从辅助解读向自主决策演进，“如同生物版GPT。”华大生命科学研究院院长助理陈铎元表示，“AI必须理解世界，而不仅是文字。”

　　而发展物理AI，核心挑战在于物理“经验”无法直接从现有数据中获取，必须通过与环境的真实交互来生成。图灵奖得主杨立昆提出的JEPA架构，理念正源于此：让AI像婴儿一样，通过主动观察与互动来感知因果逻辑。

　　当然，物理AI并非取代已有大模型，而是走向融合。业内已有共识：未来AI不仅是数字世界的“思考者”，也是物理世界的“行动者”，乃至生命奥秘的“探索者”。

　　落地赛跑：何以解决真问题

　　令人振奋的技术，终归要落地产业，才能产生实际价值。

　　OpenAI早期投资人红杉资本，在2023年后便将更多目光投向垂直领域与应用层。其合伙人博塔直言：“我们的钱不是用来支付天价训练成本的，而是投给那些‘用模型’的公司。”这句话清晰地指向一个趋势，竞争重点已从“谁能打造最强模型”，转向“谁能实现从技术到生产力的关键一跃”。

　　回看国内，一组数字勾勒出2025年中国AI的发展轮廓：国产开源大模型全球累计下载量突破100亿次；中国AI专利数量位居全球首位，占比约60%……这背后，一面是技术的持续突破，一面是AI与社会融合由浅入深。

　　“美国聚焦闭源，中国主导开源。这一格局，推动中国企业以更低成本、更快速度切入‘AI+产业’。”吴飞说。应用端的活跃度提供了直观印证。根据全球最大AI模型聚合平台OpenRouter的数据，今年3月的一周内，中国占全球大模型调用总量的36%。中国发展高层论坛2026年会报告也显示，截至今年3月，中国日均Token（词元）调用量已突破140万亿，较2024年初的1000亿增长超千倍。业界预测，未来Token消耗将呈“二八格局”——约80%来自企业，20%来自个人。

　　广泛落地的前提，是高质量的数据。数据犹如新时代的“电能”，需经过“标注”这座转换站，将人类知识转化为机器可读的形式。

　　中国数据产量占全球1/4以上，且具备全门类工业体系。但“数据孤岛”问题突出：标准不一、流通壁垒，导致大量数据“存而不用”。工信部赛迪院信软所所长韩健指出，数据流通存在“不敢传、不愿传、不会传”的困境。

　　医疗领域的情形是个缩影。要让AI辅助诊断，首先需将医生数十年的经验转化为标注数据。可现实是，连医院间的检查结果都难以互认。这背后有标准差异，也涉及隐私与安全风险。达摩院专家在开发“平扫CT多癌早筛”系统时，就不得不为每家合作医院单独部署服务器，嵌进各家医院的复杂流程。但其价值巨大——以“癌王”胰腺癌为例，早期病灶人眼难辨，AI却对灰度差异极其敏感。该项目已成功筛查出多例极早期、处于可治愈阶段的胰腺癌病灶，最小病灶仅1厘米。

　　为破解标准难题，不少行业领军者正尝试通过开源模型与统一平台，建立类似“USB”的通用标准，让开发者更专注于业务创新，而非重复“造轮子”。

　　那么，AI究竟如何融入百业，成为普遍生产力？吴飞将路径归纳为两种：一是“AI+”，即AI专业人才进入并改造传统行业；二是“+AI”，即各领域专家主动利用AI工具突破边界，正如化学家用AI预测蛋白质结构斩获诺贝尔奖。

　　面对如今“龙虾”这类能直接操作电脑的智能体，姜天意也冷静提醒：“它的能力过强，权限太大，可能绕过企业管控。”因此，团队正在构建智能体管控平台ClawHive，核心原则是“数字员工不能越过人类主管”。

　　回顾技术发展史，有太多“热潮”与“寒冬”的轮回。但这一次，AI浪潮已真实漫过堤岸，渗入社会的肌理。未来充满未知，可以肯定一点：AI的故事已从对“它能做什么”的惊叹，步入“我们如何与它共处”的实践。最终答案，正写在每一次扎实的产业落地，每一次人类智慧与机器能力相互校准的过程中。