应用之问｜AI会在哪些方向率先“长出肌肉”？

人民日报客户端上海频道 马作鹏

【提要】

·AI的价值不在于参数多寡，而在于能否持续解决真实问题；

·解决真实问题的前提，是保持对风险的清醒认知和对人类主体性的坚持；

·深厚的知识积累、独立的判断能力、创新的思维方式，从来都不是速成的。

随着世界人工智能大会连续第九年在黄浦江畔召开，一个微妙的变化藏在展馆的各个角落——几乎没有厂商在展板上晒参数、比跑分。

智算、具身两大赛道各汇聚数百家企业，数十家龙头链主、央国企及头部外企携生态伙伴参展时，大多数动作都指向同一个方向：AI要从“屏幕里”走到真实“场景里”。

人工智能究竟如何落地？该以什么样的模式落地？

WAIC 2026期间，中外学者共答AI应用之问。 钱尤祎制图

大江东工作室分别对话多伦多大学教授、菲尔兹研究所可持续发展中心主任路易斯·塞科(Luis Seco)，复旦大学计算与智能创新学院执行院长、教授杨珉，上海创智学院副教授罗剑岚。三位学者横跨数学、计算机科学与产业实践，围绕AI从“炫技”走向“干活”的真实进程，记录下关于“应用之问”的思考与回答。

从“讲故事”到“见实效”

AI产业正在经历一场评价体系的深刻转换。

过去几年，行业更多关注模型参数、榜单成绩和单点能力展示。参数动辄千亿、万亿，跑分一个比一个高，但热闹背后，一个尴尬的现实浮出水面：能力很强，落地很难。企业投入了巨额研发费用，却在商业回报面前屡屡碰壁。

杨珉与学生团队进行大模型应用研究。

杨珉用一个词概括前一阶段的产业发展重心——“竞争”。“大家聚焦的是技术能力本身的进步，看谁算得更快、参数更多、榜单更靠前。至于这些能力到底能解决什么实际问题，反而成了次要话题。”

罗剑岚的概括更直接：“AI正在从‘能力竞赛’进入‘价值验证’。区别在于，过去是展示一个模型‘会什么’，现在要证明一个系统‘能持续解决什么问题’。”在他看来，两者之间存在根本差异：前者是静态的、展示性的，后者是动态的、服务性的。

他比喻道：“就像一个人考了一百分，不代表他能胜任一份工作。AI也是一样，参数再漂亮，解决不了实际问题就没有意义。”

路易斯·塞科则从全球视角补充了一个关键前提：“人工智能能够真正发挥作用必须拥有大量数据。数据量少，AI应用的效果就不会太好；如果拥有海量数据，它就会变得非常强大。过去很多年，我们并没有持续地收集这些数据。现在刚刚开始积累，随着数据越来越丰富，这些AI系统会越来越好。”

WAIC 2026展馆内，外国观众与机器人互动交流。王初摄

杨珉进一步指出：“AI是产业升级的利器，这是科学技术进步的必然。在拥抱AI的同时，我们需要想清楚，什么事情是应该交给AI做的，什么事情是人类独有的，要设计好掌控AI的社会机制与技术体系。人应该做AI做不到的事情。”

这句话触及了AI落地的深层命题——不是AI能做什么，而是人类希望AI做什么。技术能力只是起点，价值判断才是终点。能解决什么问题，比能做什么事情更重要；能持续解决什么问题，比能一次性完成什么任务更重要。这种转变看似细微，实则深刻——它意味着整个行业的发展逻辑正在被重新定义。

在真实世界里“长出肌肉”

如果说评价体系的转变是认知层面的调整，那么AI在真实世界中的落地，则是硬碰硬的实践检验。针对这一话题，三位学者分别从不同维度提供了观察。

首先是物理世界的“容错率”难题。

具身智能被认为是AI“皇冠上的明珠”，但也是进展最慢的方向。

罗剑岚与上海创智学院师生分享交流。

“物理世界的人工智能不会给你容错率。”罗剑岚举了一个例子：大模型写错一段话，无非是屏幕上的几行字，改过来就是了。但一个50%成功率的洗碗机器人，可能一个星期就能摔完家里所有的碗。

罗剑岚说，“自动驾驶做了十多年，长尾问题至今未被完全解决……99%的成功率听起来很高，但在物理世界里，那1%的失败可能是致命的。从99%到99.9%，再到99.99%，每一个9背后都是指数级增长的复杂问题。”

一台具身机器人展示射门能力。马作鹏摄

路易斯·塞科也有同感。在他看来，一个机器人可以拥有关于“如何洗碗”的所有信息——水温多少、洗涤剂用量、餐具摆放方式——但这不意味着它知道“怎样把碗洗干净而不打碎”。后者需要在真实环境中反复试错、不断调整才能获得。

其次是学习方式的革命。

杨珉明显感受到，代码生成、测试用例编写、bug修复，这些过去需要大量人力的工作，正在被AI快速接管。“在智能体帮助下，一个博士生一天的效率可以提升数十倍，这点毫不夸张。”

他同时提醒：“工具再强大，判断力和创造力仍然属于人类。”效率提升是好事，但如果以牺牲深度思考为代价，长期来看未必是正向的。

路易斯·塞科在教学中也使用AI，但更多把它当作“第二意见”“AI最大的优势，是在极短时间内生成大量不同的可能性。然后我再从这些可能性里面判断，哪一种方案最好。这正是AI最擅长的地方。”路易斯·塞科说。

他用下国际象棋来比喻：机器可以瞬间生成几百万种走法，并判断哪些更可能成功、哪些可能失败。但选择哪一种走法、为什么选择它，这些判断仍然需要人类来做。

WAIC 2026专设机器人拳击展示场景。 王初摄

第三，则是数据、规则与全球治理。

AI的“肌肉”能否持续生长，还取决于一个更宏观的条件——数据。没有数据，再强大的算法也无用武之地。而数据恰恰是目前全球AI发展中最复杂、最敏感的问题之一。

路易斯·塞科直言：“最大的挑战在于，每个国家都有不同的法律和政策，对数据采集都有不同的规定。各国越来越把它视作国家资源，数据流通因此受到限制，一定程度上放慢了人工智能的发展速度。”

“这也是我们来到上海参加世界人工智能大会要讨论的重要议题之一。数据决定了未来人工智能能够发展到什么程度，也决定了它能够突破哪些边界。”他说。

杨珉关注的层面包括网络安全风险、认知安全风险、伦理风险，以及智能体失控风险——即AI可能摆脱人类控制的问题。他透露，团队对国内外32款大模型进行全面测评后，发现其中有11款已具备自我复制能力，包括一些知名模型。这些模型可以绕过关机指令，形成复制链，一旦被滥用，可能脱离人类控制。

谈及安全治理的节奏，路易斯·塞科展开历史视角：“今天的AI，就像百余年前汽车刚出现时一样，我们仍然处在探索阶段。随着理解越来越深入，我们才会逐步建立更加完善的规则。”

他承认，AI的风险维度远超汽车：“AI正在创造新的社区形式，甚至可能承担过去属于城市或国家的一部分功能。这种变革的深度和广度，要求我们在探索的同时保持高度警觉。”

AI面前，人类智慧不可替代

当AI随时可以提供答案，人们是否还会主动积累知识？如果答案唾手可得，思考的意义何在？

路易斯·塞科接受大江东工作室专访。马作鹏摄

路易斯·塞科反复强调“信息”与“知识”的区别：“AI、电脑甚至手机，能够提供给我们的都只是信息。它们并不能提供知识。知识只能通过学习获得，而学习也绝不仅仅是记忆。”

他用篮球做比喻：“要成为一名优秀的篮球运动员，不是因为他知道篮球规则，而是知道怎样才能赢得比赛。这需要不停地练习，以及实战能力——对方这样防守，我应该怎样移动；对方封堵了我，我又该怎样调整；最后才能完成得分并赢下比赛。”

杨珉观察到，大模型时代，人们获取信息的成本趋近于零，但这并不意味着知识积累变得更容易。“恰恰相反，信息泛滥可能让真正的知识更难被识别和吸收。”在他看来，判断哪些内容有价值、哪些值得关注，这项能力只能靠人来完成。

康养机器人为大会观众推拿按摩。 王初摄

罗剑岚给从事AI的年轻人建议：“无论在什么时代，我们都要做真正‘跨越时间的选择’，而不是迎合世界已经给出的路径。要去选择那条难但正确、也更少人走的路。”

这句话背后是一种对“速成”文化的反思。AI让很多事情的效率大幅提升，但也让“快速成功”的诱惑变得空前强大。深厚的知识积累、独立的判断能力、创新的思维方式，从来都不是速成的。它们需要时间、需要失败、需要反复打磨。

他提醒，变革必然伴随阵痛，但也会创造前所未有的可能性。“AI赋能的是人。每一次重大文明进步，都源于人们聚集在一起。AI正在帮助我们建立新的共同体，超越城市、国家。”

外国观众观展，体验中国无人机应用。王初摄

从具身智能的物理世界挑战，到制造业车间的渐进改良；从数据治理的全球博弈，到信息与知识的教育分野——AI的“肌肉”正在多个方向逐步生长，但远未均衡。

AI的应用之问，没有终点答案，只有持续探索的过程。而这，或许正是这场大会留给行业最有价值的命题。(实习生白溯然参与采写)