有望取代房地产？中国最大支柱产业，要变了，发展进入加速度

房地产增速放缓之后，谁能扛起中国经济增长的大旗？不少人把希望放在人工智能身上，这玩意儿真的做好接棒的准备了？今天我们整理了三位顶级AI研究者的干货对话，全是业内掏心窝子的话。

三位嘉宾来头都不小，一位是开源模型公司的CTO，一位是曾带队完成ChatGPT核心RLHF工作的新兴AI实验室首席科学家，还有一位是基础模型公司的训练负责人。

主持人抛了个尖锐问题，抛开战争、全面禁止AI这类外部因素，纯从技术角度说，到2036年AI都没有改造世界，也没出现所谓的超级智能，最可能的原因是什么？

第一位嘉宾说，这事最可能应验莫拉维克悖论。大家总觉得AI能做成一件难事，接下来就会强得离谱，比如赢下国际象棋、解出高阶数学题。结果真做成了，影响力也没想象中那么大。

要是真正的通用智能火花一直点不亮，AI就会变成考试刷题样样行，一到真实世界干货就卡壳，从仿真环境到现实场景的迁移问题，直接就能卡死AI发展的去路。他也补充，这种可能性其实不大，现在已经在强化学习里看到泛化的苗头了。

真要是强化学习泛化难到逆天，持续学习又完全搞不定，才会走到这种停滞的地步。第二位嘉宾也认同这个看法，人类现在比AI模型还是有不少优势的。

每次新模型出来，总能在几个领域追上甚至超过人类，但最后总会在判断力差、不会自我校验这些地方掉链子。这个循环大家其实都见过，新模型刚发出来全网震惊，都喊着AGI来了，用了一个月就会发现，这玩意儿还是笨得离谱。

这个循环搞不好就一直重复下去，AI能力没法爆发式增长，研发永远被各种瓶颈卡着。哪怕现在AI写的代码比普通程序员多得多，也没真让整个行业生产力翻个上百倍。

第三位嘉宾看问题的角度不一样，他说核心问题在于，现在芯片能实现的全局最优学习器，和当下主流的Transformer加强化学习的配方之间，还差着很远的距离。

大家都畅想，只要AI做AI研究比所有人类研究者都强，哪怕只强0.1%，靠着几十万几百万个AI并行跑，再加上芯片性能不断提升，很快就能冲开所有瓶颈，靠着递归自我改进一路起飞。

顺着现在的研发路子走，就是自注意力加强化学习，再不断把强化学习的环境规模堆大。他拿摩尔定律打比方，原来摩尔定律维持了很久的漂亮上升直线，其实中途必须经历好几次突变式创新，才能一直维持增长的势头。

大语言模型其实也是一个路数，预训练的缩放定律快到收益递减了，强化学习出来接棒解决问题，又走出一条新的上升曲线，拼起来才是整体一直往上走的样子。

如果想要再突破，还得再来一次断裂式的创新，现在靠强化学习环境训练大模型的法子，能不能搞出这次创新，还真不好说。要是搞不出来，AI发展就只能沿着平缓的渐进曲线慢慢走，没法实现起飞。

主持人追问，这次断裂创新的难度，会比2012年以来出现过的任何创新都大吗？嘉宾直言，要是我们都能回答这个问题，差不多就已经有能力做出这个创新了。

这里其实要分两种情况，一种是断裂创新就是在现有范式上叠加新东西，还是累积型的，说不定AI自己就能把这些新节点串起来。但反过来问，人类现在离全局最优学习到底有多远？会不会得把梯度下降甚至整个神经网络都推翻重来才行？

只要下一代架构还在人类最终能发现的范围里，看看2012年到现在取得的进展，顺着势头往下推，走不到能在研发上压过人类的地步，那才奇怪呢。

有人拿国际象棋AI举例子，从上世纪八十年代到现在，国际象棋AI的Elo等级分一直都是近乎线性上涨，结果就在等级分穿过人类水平区间的时候，直接出现了一次大断裂，从原来人类专家逢AI必赢，变成了人类专家逢AI必输。

放到现在看，AI对全球经济的影响确实还不算翻天覆地，但那只是因为AI的“等级分”还在慢慢往上涨，还没跨过人类的区间罢了。要是真到了2036年都没跨过，那才是非常反常的事。

唯一能拦住这件事的，就是AI发展还没跨过线，就提前进入了平缓的渐进曲线。现在AI离跨过人类水平已经很近了，所以要平缓也只能在这之前平缓，真到2035年一切都平平无奇，最大的原因反而不是技术卡壳，是对AI施行了非常严厉的监管，技术层面出问题的可能性反而更小。

聊到AI研发的目标，有嘉宾说，现在有一类研究目标定得明明白白，上来就可以直接优化目标，走下去肯定能拿到提升。但真正能带来范式转变的，往往是开放式的研究，这种研究连目标都没法明确说清楚，AI现在也不知道该怎么设定这种目标。

很多人都认同，2012年之后AI的大突破，本质就是大家意识到“预测下一个token”就是个值得好好优化的目标，放在十多年前根本没人想到，这个目标居然能把AI推到现在这个高度。谁知道下一个类似的目标在哪呢，就算找到了，整个发展的外循环也会很慢。

那位曾在OpenAI工作过的嘉宾回忆，OpenAI早期大家都觉得，只靠最小化对数损失根本走不到真正的智能，关键信息在整个损失里占比太小，早就被噪声淹没了。光预测下一个token训练大模型，根本学不到我们想要的有用能力，肯定得设计更好的目标才行。

结果证明，就这么朴素的目标，居然直接成了。现在整个AI领域都非常依赖泛化，你根本没法预测什么时候就能拿到出人意料的泛化能力，最重要的进展，往往就是你根本没抱希望的那种。

想要让AI实现极速的递归自我改进，最核心的问题就是，AI到底能不能很好地泛化到自己摸索目标这件事上。要形成能自我推进的自动化循环，得AI自己提目标、优化目标、再提新目标，还得整套循环长时间不脱轨，这事真的不容易。

这其实就是莫拉维克悖论的新体现，人类觉得AI自己定目标跑循环很简单，毕竟人类一直都是这么做的，进化早就练会了。但搞不好这件事对AI来说就是最难的坎，就像运动控制对AI很难，数学对人类很难对AI却很简单一样。

聊到人类最后会留下什么工作，有嘉宾说，人类保留最久的角色，就是定义目标，想清楚我们到底想要什么。

比如AI助手该怎么表现，什么叫“有帮助”，什么叫符合要求，就算AI能做完所有技术工作，最后还是得人类来拿主意。就算把对齐问题拆解开，想清楚正确的目标是什么，这件事短时间内根本不可能消失。

回到现实看，现在AI产业的发展速度，真的已经在肉眼可见改变中国经济的底层结构了。工信部下属研究机构今年8月披露，2025年中国人工智能产业规模已经越过1.2万亿元大关，同比增长四成，增速远超房地产鼎盛时期的十几个百分点。

截至2026年上半年，国内AI相关企业已经超过六千六百家，北京、广东、上海、浙江、山东这五地就占了八成以上，平均十来个小时就有一家新的AI公司注册。这个速度放在十年前想都不敢想。

今年正式落地的十五五规划里，人工智能被放在非常显眼的位置，明确要和制造、农业、医疗、教育、金融、交通六大领域深度融合，定位就是新质生产力的主引擎。

和国外走的“AI替代人”路子不同，国内更多是把AI当成增效工具，嵌入到各个生产线和工作流程里，帮人把活干得更好更快。

参考资料：第一财经 顶尖学者对话AI产业新发展