ChatGPT的出现仿佛就在昨日★★ღ。回望2022年底★★ღ，那个简洁的对话窗口★★ღ，让全世界的普通人第一次触摸到“人工智能”的轮廓★★ღ。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★★ღ，基于全新大模型架构的AI★★ღ，以前所未有的“人格化”姿态走来★★ღ：它能对话★★ღ，能创作★★ღ，几乎像一个真正的伙伴★★ღ。

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

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

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

　　5月10日★★ღ，在杭州市具身智能展示与应用推广中心★★ღ，宇树科技G1人形机器人进行舞蹈表演★★ღ。 图源★★ღ：视觉中国

　　人工智能的故事可追溯到70年前★★ღ。人工智能专家★★ღ、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”★★ღ：“每当技术无法解决真实问题★★ღ，便跌入深谷★★ღ；一旦找到新突破口★★ღ，又迅速崛起★★ღ。”

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

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

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

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

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

　　挫折让领域沉淀★★ღ：既然被动的灌输效果有限★★ღ，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★★ღ，并在21世纪带来转机★★ღ。2006年辛顿攻克深层神经网络训练难题★★ღ，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★★ღ，基于深度学习的机器★★ღ，已能从数据中自己掌握规律★★ღ。

　　算法天生赢家 一触即发★★ღ、算力与大数据★★ღ，共同催生第三次AI浪潮★★ღ。2016年★★ღ，AlphaGo击败围棋大师★★ღ，全球创投热情高涨★★ღ。但这轮应用依赖针对特定任务的“小模型”水母网论坛★★ღ，讲究造“专才”★★ღ。人们继续思考AI的本质★★ღ，它不该只是替代简单劳动的专用工具★★ღ。业内常用的一个比喻是★★ღ，AI应该像童话里的“七里靴”★★ღ，穿上后一步便能跨出七里格（约39公里）★★ღ，意即极大拓展人类能力边界★★ღ。

　　于是★★ღ，2017年天生赢家 一触即发★★ღ，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★★ღ，展现出前所未有的理解★★ღ、推理★★ღ、生成能力★★ღ。特别是以ChatGPT为代表的生成式AI★★ღ，让世界直观感受到这种“大力出奇迹”★★ღ。2023世界人工智能大会上★★ღ，一位技术人员回忆★★ღ：2018年GPT-1初现时曾被视作离经叛道★★ღ，直到2022年底GPT-3.5横空出世★★ღ，“大家才猛然意识到‘通才’的强大”★★ღ。

　　4月9日★★ღ，2026中国国际医疗器械博览会在上海举行★★ღ，大会展示了智能医疗等产品★★ღ。图为观众参观达摩院医疗AI★★ღ。 图源视觉中国

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

　　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★★ღ：从能“看”会“听”的感知智能★★ღ，到以GPT为代表的生成智能★★ღ，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”★★ღ，学习理解复杂指令★★ღ、规划步骤并执行任务★★ღ。

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

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

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

　　产业竞争随之从“百模大战”★★ღ，转向深耕场景★★ღ、挖掘价值的“耐力赛”★★ღ。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★★ღ：基础模型数量持续收敛★★ღ，应用效果成为关注重点★★ღ。以大模型“六小虎”为例★★ღ，百川智能深耕医疗★★ღ，零一万物转向为企业定制方案★★ღ。

　　当AI在数字世界高歌猛进★★ღ，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★★ღ，却读不懂指针式时钟——在攀登人类智慧巅峰的同时★★ღ，它也可能困于小学生的常识★★ღ。

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

　　不只机器人★★ღ，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★★ღ，通过直接学习人类基因序列★★ღ，推动AI从辅助解读向自主决策演进★★ღ，“如同生物版GPT★★ღ。”华大生命科学研究院院长助理陈铎元表示★★ღ，“AI必须理解世界★★ღ，而不仅是文字★★ღ。”

　　而发展物理AI★★ღ，核心挑战在于物理“经验”无法直接从现有数据中获取天生赢家 一触即发★★ღ，必须通过与环境的真实交互来生成★★ღ。图灵奖得主杨立昆提出的JEPA架构★★ღ，理念正源于此★★ღ：让AI像婴儿一样★★ღ，通过主动观察与互动来感知因果逻辑★★ღ。

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

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

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

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

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

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

　　医疗领域的情形是个缩影★★ღ。要让AI辅助诊断★★ღ，首先需将医生数十年的经验转化为标注数据★★ღ。可现实是★★ღ，连医院间的检查结果都难以互认★★ღ。这背后有标准差异★★ღ，也涉及隐私与安全风险★★ღ。达摩院专家在开发“平扫CT多癌早筛”系统时★★ღ，就不得不为每家合作医院单独部署服务器★★ღ，嵌进各家医院的复杂流程★★ღ。但其价值巨大——以“癌王”胰腺癌为例★★ღ，早期病灶人眼难辨★★ღ，AI却对灰度差异极其敏感天生赢家 一触即发★★ღ。该项目已成功筛查出多例极早期★★ღ、处于可治愈阶段的胰腺癌病灶★★ღ，最小病灶仅1厘米★★ღ。

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

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

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

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

　　1967年3月16日★★ღ，英国★★ღ，新型自动化机器“Unimate X”展示其功能★★ღ。该机器可以模拟人类腰部★★ღ、肩部★★ღ、肘部★★ღ、腕部和手指的动作★★ღ，能够拿起鸡蛋并倒茶★★ღ。 图源★★ღ：视觉中国

　　AI浪潮一波接一波★★ღ，热闹之中★★ღ，总让人恍如回到上一次工业革命★★ღ，回到20世纪初亨利·福特创设的那条流水线旁★★ღ。

　　那时的想法★★ღ，朴素至极★★ღ：让汽车不再昂贵★★ღ，驶入普通人家天生赢家 一触即发★★ღ。于是传送带开始滚动★★ღ，工人不必来回奔走★★ღ，每个人守在固定位置★★ღ，重复几个简单动作水母网论坛★★ღ。复杂的整车装配水母网论坛★★ღ，被拆解成一系列标准步骤★★ღ。机床与冲压机轰鸣运转★★ღ，替代了人力中最枯燥★★ღ、最耗时的环节★★ღ。结果令人震撼——组装一辆T型车的时间大幅缩减水母网论坛★★ღ，车价也大幅降低★★ღ。

　　其实★★ღ，所谓的“黑科技”★★ღ，不过是对既有机器与流程的重新组合★★ღ。正是这种组合★★ღ，将工人从机械劳动中解放出来★★ღ，让他们转向更需要动脑★★ღ、更体现价值的工作★★ღ。效率提升了★★ღ，人也被“抬”了起来★★ღ。

　　AI的演进轨迹同样清晰★★ღ：从承接重复性体力劳动★★ღ，到处理规范化的脑力工作★★ღ；从提升效率★★ღ，到最终释放人的创造力——技术演进的方向水母网论坛★★ღ，始终是不断拓展人的能力边界★★ღ。

　　这并不是靠单纯堆砌技术就能实现的★★ღ。真正的进步天生赢家 一触即发★★ღ，源于技术对准真实问题★★ღ、打破固有瓶颈的过程★★ღ。它必须经历一遍遍的筛选★★ღ、验证★★ღ、迭代★★ღ，才能从一个点子★★ღ，沉淀为真正可复用的方法★★ღ。

　　这注定不会一蹴而就★★ღ。从第一座现代工厂出现★★ღ，到流水线年★★ღ。如今的AI★★ღ，同样是一场跨越世纪的变革★★ღ。

　　因此★★ღ，厂商真正的竞争力★★ღ，并不悬浮于模型参数的高低★★ღ，而深植于将技术转化为生产力的能力——先做好能做到的★★ღ，再开拓新的★★ღ，并不断打磨已有的★★ღ。

　　机器学习（Machine Learning★★ღ，ML）★★ღ：是一门多领域交叉学科★★ღ，其核心目标是通过算法和统计模型★★ღ，使计算机系统能够从数据中自动“学习”并改进性能★★ღ，而无需显式编程★★ღ。它利用各种方法（如决策树★★ღ、支持向量机★★ღ、聚类★★ღ、回归等）来识别数据中的模式★★ღ、做出预测或支持决策★★ღ。作为人工智能的核心组成部分★★ღ，机器学习是实现计算机智能化的重要途径★★ღ，广泛应用于推荐系统★★ღ、语音识别★★ღ、金融风控★★ღ、自动驾驶等多个领域★★ღ。

　　人工神经网络（Artificial Neural Network★★ღ，ANN）★★ღ：是一种受生物大脑神经元网络启发的计算模型★★ღ。它由大量相互连接的节点（“神经元”）组成★★ღ，通常包括输入层★★ღ、一个或多个隐藏层以及输出层★★ღ。每个神经元接收输入信号★★ღ，进行加权求和并经过激活函数处理★★ღ，最终传递至下一层★★ღ。神经网络具有自适应学习能力★★ღ，能够通过调整神经元之间的连接权重★★ღ，从数据中自动提取特征并完成分类★★ღ、回归等任务★★ღ。作为一类重要的机器学习算法★★ღ，它在图像识别★★ღ、自然语言处理★★ღ、控制系统等领域有着广泛的应用★★ღ。

　　深度学习（Deep Learning★★ღ，DL）★★ღ：是人工神经网络的一个重要分支★★ღ，特指具有多个隐藏层（即“深度”结构）的神经网络模型★★ღ。由于其层次深★★ღ、结构复杂★★ღ，深度学习能够自动从海量数据中逐层学习并提取高级★★ღ、抽象的特征表示★★ღ，从而在图像识别★★ღ、语音处理★★ღ、自然语言理解等复杂任务上实现接近甚至超越人类水平的性能★★ღ。常见的深度学习模型包括卷积神经网络（CNN）★★ღ、循环神经网络（RNN）及其变体★★ღ。深度学习已成为当前推动人工智能技术进步的核心驱动力之一★★ღ。凯发k8官方★★ღ！天生赢家★★ღ。k8凯发★★ღ，k8凯发娱乐★★ღ。