警惕AI“技术投机”：从认知偏差看行业发展困境，共生共荣：大模型时代下通用智能体的构建与展望

本文围绕当下AI行业的发展现状展开，指出了在大模型受高度关注的背景下，人们对AI存在认知不足和偏差的问题，阐述了AI创新的层次结构，并分析了中美AI创新的侧重点，探讨了AI在文科领域的应用前景，最后介绍了我国在AI发展方面的阶段性成果及未来方向。

在当今时代，科技的飞速发展让人工智能（AI）成为了热门话题。4月3日，有观点指出，当下对AI认知不足可能会产生“技术投机”的不良氛围。

作者朱松纯，身为北京大学人工智能研究院、智能学院院长，他注意到当下像DeepSeek、Manus等大模型公司频繁成为市场和媒体的关注焦点。随着各种前沿技术不断涌现，各方资本纷纷涌入这个领域，几乎形成了一种“押宝大模型即押宝未来”的共识。然而，在AI行业繁荣发展的背后，却存在着一定的认知偏差。

当前，关于AI的讨论几乎都被大模型的能力所主导。人们更多地关注大模型在各种场景下的表现，而对基础学科、原始创新以及对智能本质的深入研究，关注度却明显不足。这种认知上的缺失，很可能会滋生“技术投机”的不良风气。而且，对于“AI for Science”（人工智能驱动的科学研究）也存在认知偏差。AI的研究方向主要集中在视觉、语言、机器人等智能感知和行动能力上，可真正的科学研究是依靠Deep Learning for Science，也就是利用深度学习等工具辅助科学建模和数据分析。如果把这些概念混淆了，就容易在科研的方向和资源投入上出现失误。

对AI的认知水平其实关系到AI的创新与战略。我们可以从创新层次结构入手来认知AI。AI的创新可分为五个层次：

第一层，也是最底层的，是哲学层面。这一层面主要探讨“智能”的本质。智能的本质是“主观的”，每个人的决策都基于自己对世界的认知与价值体系，而这些认识又决定了其行为。

第二层是理论层面，即建立认知的数学框架，像逻辑学、统计建模、概率计算等都属于这个层面的内容。

第三层是模型层面，依据前面的框架构建具体的模型，例如判别模型、生成模型、大模型等。

第四层是算法层面，在具体模型下开发优化算法，以提高计算、推理、训练的效率。

第五层是工程与部署层面，将模型落地到硬件、平台上，优化存储、计算，最终形成可用的产品和系统。

然而，目前AI领域的一些创新主要局限于算法或部署层面，缺乏基本的科学框架，比如在智能本质、认知建模等方面缺乏原创性突破。美国的AI创新很多集中在最底层的硬件（芯片、架构）、大模型以及算法优化。那么中国AI企业若想实现弯道超车，就应在更高的哲学与理论层面实现创新。未来，解决人工智能的核心难题，比如认知建模、智能理论、学习机制等，依然是推动AI发展的核心动力。

值得注意的是，最难解决的问题往往在于文科所关心的社会复杂系统，例如人口、政策、文明演化、价值体系等。这些问题目前无法进行建模和实验，学界长期以来只能靠“口头解释”和“事后分析”。但如今，大规模仿真（模拟）实验和智能体（Agent）建模的能力或许能让文科变成一门可实验的科学。AI的真正前沿技术，是通过模拟与建模，让文明、社会、经济与政策等进入可验证的科学范畴，而不只是停留在图像、语音和对话的优化上。

当下，我们已经在智能哲学、理论框架、模型构建等方面取得了初步成果，正朝着算法优化和工程部署迈进。接下来，要完成模型的工程化和商业化，使其与行业、应用深度适配，建立通用智能体工厂等。我们和大模型是共生共荣的关系，大模型为我们提供了基础，我们要在其上构建通用智能体的认知与决策体系。

本文深入剖析了AI行业发展中存在的认知偏差问题，详细介绍了AI创新的五个层次结构，对比了中美AI创新的侧重点，探讨了AI在文科领域的应用潜力，并阐述了我国AI发展的阶段性成果与未来方向。强调了正确认知AI、突破核心难题以及推动多领域融合的重要性，为AI行业的健康发展提供了思考方向。