【提要】

·AI的價值不在於參數多寡，而在於能否持續解決真實問題﹔

·解決真實問題的前提，是保持對風險的清醒認知和對人類主體性的堅持﹔

·深厚的知識積累、獨立的判斷能力、創新的思維方式，從來都不是速成的。

隨著世界人工智能大會連續第九年在黃浦江畔召開，一個微妙的變化藏在展館的各個角落——幾乎沒有廠商在展板上晒參數、比跑分。

智算、具身兩大賽道各匯聚數百家企業，數十家龍頭鏈主、央國企及頭部外企攜生態伙伴參展時，大多數動作都指向同一個方向：AI要從“屏幕裡”走到真實“場景裡”。

人工智能究竟如何落地？該以什麼樣的模式落地？

WAIC 2026期間，中外學者共答AI應用之問。 錢尤祎制圖

大江東工作室分別對話多倫多大學教授、菲爾茲研究所可持續發展中心主任路易斯·塞科（Luis Seco），復旦大學計算與智能創新學院執行院長、教授楊珉，上海創智學院副教授羅劍嵐。三位學者橫跨數學、計算機科學與產業實踐，圍繞AI從“炫技”走向“干活”的真實進程，記錄下關於“應用之問”的思考與回答。

從“講故事”到“見實效”

AI產業正在經歷一場評價體系的深刻轉換。

過去幾年，行業更多關注模型參數、榜單成績和單點能力展示。參數動輒千億、萬億，跑分一個比一個高，但熱鬧背后，一個尷尬的現實浮出水面：能力很強，落地很難。企業投入了巨額研發費用，卻在商業回報面前屢屢碰壁。

楊珉與學生團隊進行大模型應用研究。

楊珉用一個詞概括前一階段的產業發展重心——“競爭”。“大家聚焦的是技術能力本身的進步，看誰算得更快、參數更多、榜單更靠前。至於這些能力到底能解決什麼實際問題，反而成了次要話題。”

羅劍嵐的概括更直接：“AI正在從‘能力競賽’進入‘價值驗証’。區別在於，過去是展示一個模型‘會什麼’，現在要証明一個系統‘能持續解決什麼問題’。”在他看來，兩者之間存在根本差異：前者是靜態的、展示性的，后者是動態的、服務性的。

他比喻道：“就像一個人考了一百分，不代表他能勝任一份工作。AI也是一樣，參數再漂亮，解決不了實際問題就沒有意義。”

路易斯·塞科則從全球視角補充了一個關鍵前提：“人工智能能夠真正發揮作用必須擁有大量數據。數據量少，AI應用的效果就不會太好﹔如果擁有海量數據，它就會變得非常強大。過去很多年，我們並沒有持續地收集這些數據。現在剛剛開始積累，隨著數據越來越豐富，這些AI系統會越來越好。”

WAIC 2026展館內，外國觀眾與機器人互動交流。王初攝

楊珉進一步指出：“AI是產業升級的利器，這是科學技術進步的必然。在擁抱AI的同時，我們需要想清楚，什麼事情是應該交給AI做的，什麼事情是人類獨有的，要設計好掌控AI的社會機制與技術體系。人應該做AI做不到的事情。”

這句話觸及了AI落地的深層命題——不是AI能做什麼，而是人類希望AI做什麼。技術能力只是起點，價值判斷才是終點。能解決什麼問題，比能做什麼事情更重要﹔能持續解決什麼問題，比能一次性完成什麼任務更重要。這種轉變看似細微，實則深刻——它意味著整個行業的發展邏輯正在被重新定義。

在真實世界裡“長出肌肉”

如果說評價體系的轉變是認知層面的調整，那麼AI在真實世界中的落地，則是硬碰硬的實踐檢驗。針對這一話題，三位學者分別從不同維度提供了觀察。

首先是物理世界的“容錯率”難題。

具身智能被認為是AI“皇冠上的明珠”，但也是進展最慢的方向。

羅劍嵐與上海創智學院師生分享交流。

“物理世界的人工智能不會給你容錯率。”羅劍嵐舉了一個例子：大模型寫錯一段話，無非是屏幕上的幾行字，改過來就是了。但一個50%成功率的洗碗機器人，可能一個星期就能摔完家裡所有的碗。

羅劍嵐說，“自動駕駛做了十多年，長尾問題至今未被完全解決……99%的成功率聽起來很高，但在物理世界裡，那1%的失敗可能是致命的。從99%到99.9%，再到99.99%，每一個9背后都是指數級增長的復雜問題。”

一台具身機器人展示射門能力。馬作鵬攝

路易斯·塞科也有同感。在他看來，一個機器人可以擁有關於“如何洗碗”的所有信息——水溫多少、洗滌劑用量、餐具擺放方式——但這不意味著它知道“怎樣把碗洗干淨而不打碎”。后者需要在真實環境中反復試錯、不斷調整才能獲得。

其次是學習方式的革命。

楊珉明顯感受到，代碼生成、測試用例編寫、bug修復，這些過去需要大量人力的工作，正在被AI快速接管。“在智能體幫助下，一個博士生一天的效率可以提升數十倍，這點毫不夸張。”

他同時提醒：“工具再強大，判斷力和創造力仍然屬於人類。”效率提升是好事，但如果以犧牲深度思考為代價，長期來看未必是正向的。

路易斯·塞科在教學中也使用AI，但更多把它當作“第二意見”“AI最大的優勢，是在極短時間內生成大量不同的可能性。然后我再從這些可能性裡面判斷，哪一種方案最好。這正是AI最擅長的地方。”路易斯·塞科說。

他用下國際象棋來比喻：機器可以瞬間生成幾百萬種走法，並判斷哪些更可能成功、哪些可能失敗。但選擇哪一種走法、為什麼選擇它，這些判斷仍然需要人類來做。

WAIC 2026專設機器人拳擊展示場景。 王初攝

第三，則是數據、規則與全球治理。

AI的“肌肉”能否持續生長，還取決於一個更宏觀的條件——數據。沒有數據，再強大的算法也無用武之地。而數據恰恰是目前全球AI發展中最復雜、最敏感的問題之一。

路易斯·塞科直言：“最大的挑戰在於，每個國家都有不同的法律和政策，對數據採集都有不同的規定。各國越來越把它視作國家資源，數據流通因此受到限制，一定程度上放慢了人工智能的發展速度。”

“這也是我們來到上海參加世界人工智能大會要討論的重要議題之一。數據決定了未來人工智能能夠發展到什麼程度，也決定了它能夠突破哪些邊界。”他說。

楊珉關注的層面包括網絡安全風險、認知安全風險、倫理風險，以及智能體失控風險——即AI可能擺脫人類控制的問題。他透露，團隊對國內外32款大模型進行全面測評后，發現其中有11款已具備自我復制能力，包括一些知名模型。這些模型可以繞過關機指令，形成復制鏈，一旦被濫用，可能脫離人類控制。

談及安全治理的節奏，路易斯·塞科展開歷史視角：“今天的AI，就像百余年前汽車剛出現時一樣，我們仍然處在探索階段。隨著理解越來越深入，我們才會逐步建立更加完善的規則。”

他承認，AI的風險維度遠超汽車：“AI正在創造新的社區形式，甚至可能承擔過去屬於城市或國家的一部分功能。這種變革的深度和廣度，要求我們在探索的同時保持高度警覺。”

AI面前，人類智慧不可替代

當AI隨時可以提供答案，人們是否還會主動積累知識？如果答案唾手可得，思考的意義何在？

路易斯·塞科接受大江東工作室專訪。馬作鵬攝

路易斯·塞科反復強調“信息”與“知識”的區別：“AI、電腦甚至手機，能夠提供給我們的都只是信息。它們並不能提供知識。知識只能通過學習獲得，而學習也絕不僅僅是記憶。”

他用籃球做比喻：“要成為一名優秀的籃球運動員，不是因為他知道籃球規則，而是知道怎樣才能贏得比賽。這需要不停地練習，以及實戰能力——對方這樣防守，我應該怎樣移動﹔對方封堵了我，我又該怎樣調整﹔最后才能完成得分並贏下比賽。”

楊珉觀察到，大模型時代，人們獲取信息的成本趨近於零，但這並不意味著知識積累變得更容易。“恰恰相反，信息泛濫可能讓真正的知識更難被識別和吸收。”在他看來，判斷哪些內容有價值、哪些值得關注，這項能力只能靠人來完成。

康養機器人為大會觀眾推拿按摩。 王初攝

羅劍嵐給從事AI的年輕人建議：“無論在什麼時代，我們都要做真正‘跨越時間的選擇’，而不是迎合世界已經給出的路徑。要去選擇那條難但正確、也更少人走的路。”

這句話背后是一種對“速成”文化的反思。AI讓很多事情的效率大幅提升，但也讓“快速成功”的誘惑變得空前強大。深厚的知識積累、獨立的判斷能力、創新的思維方式，從來都不是速成的。它們需要時間、需要失敗、需要反復打磨。

他提醒，變革必然伴隨陣痛，但也會創造前所未有的可能性。“AI賦能的是人。每一次重大文明進步，都源於人們聚集在一起。AI正在幫助我們建立新的共同體，超越城市、國家。”

外國觀眾觀展，體驗中國無人機應用。王初攝

從具身智能的物理世界挑戰，到制造業車間的漸進改良﹔從數據治理的全球博弈，到信息與知識的教育分野——AI的“肌肉”正在多個方向逐步生長，但遠未均衡。

AI的應用之問，沒有終點答案，隻有持續探索的過程。而這，或許正是這場大會留給行業最有價值的命題。（實習生白溯然參與採寫）