人工智能产业化未来可期哪些赛道值得投资布局

首页

热心网友

转载

2026-05-16

美国人工智能产业在2025年面临一个严峻的现实：项目成功率究竟如何？麻省理工学院（MIT）近期发布的一项调研数据揭示了令人警醒的现状——高达95%的人工智能项目最终未能成功落地，仅有5%的项目可被视为取得实质性成功。这一结果无疑为当前火热的AI投资与应用热潮提供了重要的反思视角。

在2025年全球人工智能与机器人大会（GAIR）主论坛上，一场以“人工智能产业化的挑战与机遇”为主题的圆桌对话深入探讨了这一问题。大会主席、加拿大皇家科学院院士杨强教授在讨论中，再次为行业敲响了理性发展的警钟。

当技术浪潮以颠覆之势席卷全球，人工智能的产业化道路究竟存在哪些真实的障碍与鸿沟？这个蓬勃发展的新兴领域，内部潜藏着怎样的泡沫与风险？展望未来，哪些技术方向真正具备商业潜力与长期投资价值？

在这场汇聚了四位顶尖科学家与产业实践者的深度对话中，我们得以窥见答案的轮廓。参与本次高端对话的嘉宾包括：

郑宇（主持人）：KDD China主席，京东集团副总裁，IEEE Fellow
杨强：加拿大皇家科学院院士
胡侠：上海人工智能实验室主任助理，领军科学家
薛贵荣：之江实验室科学模型总体部技术总师

四位业界老友齐聚一堂，观点碰撞，为我们揭示了人工智能光环背后，关于产业化落地的深刻挑战与另一面真相。

产业化困境解析：为何95%的AI项目会失败？

主持人郑宇教授开场即点明当前AI产业化面临的核心矛盾：尽管大语言模型在部分应用场景中取得了突破性进展，但距离形成大规模、可复制的商业应用与成熟的盈利模式，仍有很长的路要走。

问题的根源在哪里？杨强教授从三个关键维度剖析了AI项目失败的主要原因。

首要挑战在于预期管理，尤其是企业决策层的预期。 媒体对“AI神话”的过度渲染，使得许多企业管理者产生了不切实际的幻想，认为人工智能能够立竿见影地替代全部人力、实现业绩指数级增长。这种脱离技术发展现状的过高期待，往往是项目走向失败的起点。

其次是系统融合的复杂性难题。 人工智能作为一项前沿技术，在引入企业现有工作流程时，常常与传统的IT系统及业务逻辑产生“排异反应”。杨强教授做了一个生动的比喻：这好比一对观念迥异的夫妻，一方思想前卫，另一方思维仍停留在旧时代，共同生活必然矛盾重重。当前的AI系统往往被动等待数据输入，缺乏主动理解、适应并融入现有复杂业务系统的能力。“就像家养的宠物猫，只会坐等喂食，而不懂得主动捕鼠，因为它甚至不认识老鼠是什么。”

最后是数据维度的现实局限。 当前人工智能取得的飞跃，很大程度上依赖于公开、易得的语言文本类数据。然而，真正的产业落地涉及海量的私有、非结构化、多模态数据（例如工业图像、监控视频、物联网传感器数据等）。如何高效地处理、利用这些占据数据世界“沉默大多数”的资源，是横亘在AI规模化应用面前的一道技术高墙。

胡侠教授则从“机器人技术”这一具体领域切入，阐释了AI落地之艰难。他认为，机器人距离真正的普及化应用“仍然相当遥远”，并系统性地拆解了四大技术瓶颈：

感知层面：人类拥有视觉、听觉、触觉（例如手部能感知温度、压力、湿度）等多维度、高精度的感知能力。相比之下，当前机器人的感知能力仍非常单一和初级。一个典型的例子是：人类可以轻松地将手伸进黑暗的书包中捡起一个乒乓球，但对机器人而言，这项任务却异常困难，因为它既“看不见”包内情况，也缺乏精细的触觉反馈。

认知理解层面：机器人难以掌握人类与生俱来的基础物理常识与世界运作规律，例如牛顿运动定律、物体的空间几何关系等。

任务规划层面：将一项复杂任务（例如拼装一套乐高模型）分解为一系列有序、可执行的操作步骤，对机器人来说仍然是巨大的挑战。

学习能力层面：机器人普遍缺乏人类儿童所具备的小样本学习与持续进化能力，其性能严重依赖海量数据的标注与训练，而数据本身的知识密度与有效性往往参差不齐。

来自产业研发一线的薛贵荣教授，则道出了实践者的真实困境。“在这个行业里，最‘压力山大’的往往是企业的CTO或CIO。”他坦言，许多AI项目启动时盲目乐观，随后在现实复杂的业务场景中不断碰壁，团队信心从“似乎无所不能”迅速滑向“实际上寸步难行”。这种认知上的巨大落差与不切实际的高预期，正是催生行业泡沫的温床。“人工智能本是一个巨大的机遇，但如果初期预期被盲目拔高，最终项目无法交付，导致一批技术负责人‘倒下’，整个行业生态都可能受到冲击。”

杨强教授对此观点表示高度认同：“全球范围内对人工智能不切实际的过高预期，很可能将我们引向一场灾难，催生一个巨大的技术泡沫。”

热潮下的隐忧：算力闲置与“人工辅助智能”

那么，在眼下如火如荼的AI发展浪潮中，具体存在哪些值得警惕的“局部泡沫”呢？

薛贵荣教授指出了两个尤为突出的领域：

一是算力基础设施的结构性失衡。 各地正在大力建设智能计算中心，但其中绝大多数算力集群是面向模型推理需求部署的，而用于支撑大规模模型训练的高性能计算集群却相对稀缺。这直接导致了推理算力的普遍闲置，投入产出比失衡。

二是AI应用的同质化竞争与“人工”智能现状。 市场上涌现出大量的智能体（Agent）框架与应用，表面繁荣，但实际定制化能力弱，智能化水平有限。许多所谓的AI应用，其核心仍然依赖大量人工规则设定与后期干预，本质上是“人工辅助的智能”，远未达到真正的自动化与自主智能。

讨论进而延伸到一个更根本的命题：人工智能发展的终极目标，究竟是替代人类，还是增强人类？

郑宇教授分享了他的见解：人工智能的价值高地，更应聚焦于“人类不擅长或不愿从事的领域”。例如高风险作业（如排爆、矿难救援）、高强度重复劳动、超高精度要求，以及极端恶劣环境下的工作任务。在这些场景中，人形未必是最优的机器人形态，履带式或轮式等专用设计可能更为高效实用。

他进一步分析指出，当前人形机器人的投资热潮，部分源于其对于拉动相关产业链与消费市场的经济价值，这更像是一种“短期内的产业刺激”行为。业界必须清醒地区分产业发展的“长远战略目标”与“短期市场刺激措施”。

未来的战略方向：小数据学习、AI安全与模型规模化

尽管挑战重重且泡沫隐现，但人工智能技术浪潮所蕴含的机遇依然清晰且巨大。在圆桌对话的最后环节，嘉宾们分享了他们眼中值得长期投入与战略“押注”的关键方向。

杨强教授重点关注“小数据”场景下的AI突破。 在医疗诊断、前沿科研等领域，高质量、标注完善的样本数据往往仅有几十或数百例，无法支撑传统数据饥渴型的深度学习模型。他的研究正致力于探索如何在严格保护数据隐私与安全的前提下，整合这些分散在各处的“小模型”，通过迁移学习、联邦学习等前沿技术，构建强大的全局模型，让各垂直领域的专家都能共享人工智能带来的红利。

胡侠教授则强调了“安全可控”对于AI发展的极端重要性。 这可分为三个层面：短期内，亟需解决大模型存在的“幻觉”（生成虚假信息）、偏见与安全性漏洞等问题；中期来看，必须推动AI技术在金融、医疗等高价值、高敏感行业实现安全、可靠、合规的落地；从长期视角审视，需警惕AI系统过度拟人化可能带来的伦理与社会风险——已有实验表明，高级AI可能开始表现出对自我生存、权力与资源的潜在诉求，未来或与人类目标产生冲突。因此，构建“安全即服务”的AI生态系统，是一个巨大的市场机遇。

薛贵荣教授指出，提升大模型的基础规模是当前的紧迫任务。 国内主流大模型的参数规模大约在1万亿级别，而国际领先模型已逼近7万亿参数。在规模上的追赶，将倒逼从底层算力基础设施、通信互联到上层算法架构、数据质量的全面技术革新。在此坚实基础上，“AI for Science”（人工智能赋能科学研究）领域大有可为，尤其是在数学定理证明与复杂物理系统建模这两个基础科学领域。