“美国靠资本市场优势赌AGI，中国则在性价比和产业应用中找机会。”

——————————

“如果大模型不能实现AGI（通用人工智能），那么当前美国大模型公司在算力上的海量投入，大概率短期内是算不过账来的，这可能是当下最大的泡沫。”上海未来产业基金总经理、上海未来启点社区理事长魏凡杰的判断，道出了当前AI领域的争议核心。

当全球AI投资经历了3年多的“狂热”后，“泡沫论”的声音最近在美国此起彼伏。11月9日高盛发布研报称：AI领域出现了类似于互联网泡沫破裂前的五项危险征兆，甚至泡沫程度更高。北京大学新结构经济学研究院院长林毅夫日前在第十届复旦首席经济学家论坛上表示，“十五五”期间，美国很可能出现人工智能泡沫的破灭，且可能像2008年美国房地产市场泡沫那样，给美国带来金融危机甚至全世界的经济危机。

11月29日，清华大学FIT楼，在2025年中国人工智能大会暨全国人工智能学院院长（系主任）年会上海未来启点社区分论坛：觉醒之境——AI的下一代基础方程研讨会上，30余位来自学术界、产业界、投资界的专业人士多角度勾勒出中国AI“挤泡沫、练内功、出实绩”的发展图景——不赌虚无缥缈的概念，而是聚焦底层创新、产业适配和性价比提升，在AI与物理世界的交融中，拼出属于中国的硬核实绩。

技术向应用转向：从“赌AGI”到“算实账”

“美国靠资本市场优势赌AGI，中国则在性价比和产业应用中找机会。”魏凡杰在接受中青报·中青网记者采访时直言，AI泡沫的核心是“钱太多、故事太大、账算不清”。美国巨头动辄千亿级投入押注AGI，若无法实现技术跃迁，必然面临价值反噬；而中国资本没有那么多钱，也没办法盲目跟风，却因此走出了一条“低成本、高适配、强落地”的差异化路径。

党的二十届四中全会提出，要加强原始创新和关键核心技术攻关，推动科技创新和产业创新深度融合，一体推进教育科技人才发展，深入推进数字中国建设。

具身智能的突破，便是AI技术在中国“接地气”的一个代表。北京大学人工智能安全与治理中心执行主任杨耀东的团队聚焦“灵巧操作”难题，通过大模型与强化学习结合的“大小脑协同”范式，让机器人在仿真环境中达到3-4岁儿童的操作水平，更通过“临场数采飞轮”技术，将数据的准确率从16%提高至82%。

“具身智能落地的核心是如何让‘大模型’向物理客观世界对齐，也就是‘虚实对齐’。”杨耀东表示，中国的工业场景优势，能提供最丰富的真机数据。团队研发的力反馈数据采集手套，正解决真机数据采集成本高、规模化难的痛点，为AI落地工业场景铺路。

在智能决策领域，清华大学计算机系长聘副教授徐华的团队，则用成果彰显“中国效率”。面对外卖调度等超大规模组合优化问题，传统商用求解器效率低下，而团队研发的AI大模型驱动优化求解器，在千万量级问题求解中，不仅求解速度有提高，可以生成与增强应用数据，还可以运用算法对自己进行优化。

“2025年全球优化求解市场规模将达1070亿美元，预计从2026年到2033年求解器年复合增长率约10%，中国在这个领域有望弯道超车。”徐华向中青报·中青网记者举例解释说，当企业面临多地设厂且库存量大的情况时，如何合理布局供应链，衔接生产与下游仓库，是一个至关重要的大规模优化问题，“美国联合包裹运送服务公司（UPS）就是在做物流路径配送的时候作了优化，每年车辆使用大概能够节约1000万加仑汽油，这是智能决策的效果。”

“世界模型”的创新打开了物理AI的新空间。流形空间创始人武伟介绍，世界模型的核心在于让AI内部构建一个可交互的世界，让大模型通过理解物理规则，继而模拟未来状态，最终预测动作结果。之后，机器人可以基于未来的预测，校正它的观测，进行动作的执行。“我们实操下来发现，通过这种范式所需要的数据量会比原来降低两个数量级，能够具备非常通用的一些操作。”武伟补充道，“对于具身推理而言，它的数据结构要尽量简化，这样它的推理速度才能更快些。”目前，该技术已成功应用于双臂机器人的长程柔性操作、无人机自主导航等具身大脑应用领域。

这些技术突破，没有纠结于AGI的遥远目标，而是聚焦“解决具体问题”：机器人灵巧操作、超大规模优化、物理世界仿真……正是这种“接地气”的深耕，让中国AI在泡沫中沉淀出实绩，在工业、物流、机器人等领域形成技术壁垒。

多维度协同发力：整合数据与建立生态

“（要解决）AI的‘死亡谷’，很大程度上依赖工业优势的转化和政策与资本的耐心。”魏凡杰提到的“死亡谷”指的是技术从实验室走向商业化过程中面临的高风险阶段。在魏凡杰看来，中国AI能否“赚钱”，不仅依赖于技术本身的先天可落地，更取决于生态的后续建设。而目前中国也正在通过“生态协同”破解难题，将扎实的工业基础、海量的人才储备、政策与资本的耐心转化为稳定的产业优势。

AI与硬件的深度绑定，凸显中国工业优势。与美国侧重“AI+软件”不同，中国凭借完整的工业门类，走出“AI+硬件”的特色路径。深圳的智能机器人、联想的AI硬件改造、北京人形机器人创新中心的具身大脑，都是这种优势的体现。“中国硬件工业发达，在AI+机器人、智能摄像头等领域，我们有成本和场景优势。”魏凡杰表示，这种结合能快速形成数据飞轮——硬件使用产生数据，数据迭代优化AI，最终实现“低成本、高适配”的闭环，这是国外难以复制的中国优势。

“但这一数据优势并不必然使得我们在这场‘AI产业革命’中完成从‘跟跑者’向‘领跑者’的转化。”魏凡杰表示，数据优势不自动等同于领先地位。真正的挑战在于破解数据碎片化：如何系统地整合工业领域的碎片数据，并完成从数据到AI模型再到实际成果的价值转化。

政策与资本的长期耐心，也是科技向产业转化的关键之一。清华大学电子工程系助理教授徐丰力在论坛的圆桌会议上指出：“过去一百多年来，颠覆性研究的比例持续下降。一个重要原因是‘知识负荷’不断加剧——知识体系日益庞杂，任何突破都仿佛‘负重前行’。”这种趋势推动了科研模式的深刻转变：团队规模不断扩大，“大团队科研”逐渐成为主流。

徐丰力进一步分析道：“虽然大规模团队能汇聚更多资源，但其实现颠覆性创新的概率反而低于小团队。”在他看来，小团队往往能更专注地攻坚前沿课题，而大团队则需兼顾更多因素，从而不可避免地形成一定的“组织惯性”。

面对这一结构性挑战，徐丰力认为探索AI与人类科学家协同合作的科研新范式，也许有助于将资源更高效地投向长期的基础研究。

而在资本端，魏凡杰也对当前融资模式在颠覆式创新领域的应用提出了反思。他认为，在传统领域，创业公司“融资，讲一个milestone（里程碑节点），再融更多钱”的路径存在一定问题。在他看来，在前沿创新领域需要的是更具耐心的资本与规模更大的投入，以支持最优秀的人才攻坚长期目标。魏凡杰透露，他与同行正在量子计算、可控核聚变等领域探讨新的融资方式。他表示“创业公司想活下去，必须和大厂差异化竞争”。当前国内外不少大厂都深陷算力堆砌的“Scaling Law”（规模法则）路径，难以掉头做底层架构创新，而这可能正是初创企业的机会。

“中国的思路是破解泡沫的根本办法。当前对于多数行业来说，还是要踏踏实实实施好‘人工智能+行动’，推进（AI）与实体经济深度融合。先用起来，能致富、能减负，在应用中迭代技术，让人工智能引领新质生产力发展，促进经济增长和造福民生。”11月30日，在2025年“读懂中国”国际会议的专题论坛“智领未来：‘人工智能+’背景下‘十五五’产业升级与人才培养”上，科技部原副部长李萌说。

中青报·中青网记者 卢健来源：中国青年报

2025年12月02日 05版