WAIC 2025深度解码：从人才战略到具身智能，谁在定义AI未来？
范式重构：AI竞争的核心已从算力转向“人”与“经验”
当我们在谈论人工智能的未来时，往往容易陷入对参数规模或算力集群的迷恋。然而，在2025年世界人工智能大会（WAIC）的现场，一种更为本质的思考正在成为共识：技术的突破仅仅是表象，底层逻辑的演变才是决定行业走向的关键。图灵奖得主、康奈尔大学荣休教授John E. Hopcroft开宗明义地指出，信息革命带来的深远影响要求各国制定具备韧性的应对战略。这种韧性的核心，在于能够适应未知变化的“人”。Hopcroft认为，未来的核心竞争力不再是短期的技术壁垒，而是人才培养体系的构建能力。他犀利地指出，高校的根本使命应从“做研究”回归到“培养人”，通过激发学生的内在志趣和保障科研自主空间，造就能够探索全新方向的探索者。这一观点打破了当前 academia 对论文数量和排名的过度追求，为AI时代的教育改革提供了新的标尺。
与此同时，关于数据边界的讨论也在重塑技术路线。作为强化学习的奠基人，Richard Sutton提出了一个令人深思的观点：静态数据标注的天花板已经到来。长期以来，大模型依赖人类提供的海量标注数据进行预训练，这种“喂给式”的学习模式正在遭遇边际效用递减的困境。Sutton强调，智能的本质在于通过与环境的动态交互来适应目标，而非对历史数据的静态拟合。经验驱动的强化学习路径，如AlphaGo和AlphaProof所展示的那样，通过自身与环境的交互产生观测、动作和奖励信号，实现了数据的自我扩充和认知的自主进化。这意味着，下一代AI的核心竞争力将从“拥有多少数据”转向“拥有多少交互经验”，这种从被动学习到主动探索的转变，是突破当前逻辑缺陷和事实偏差的关键所在。
产业演进：智能体与物理世界的深度融合
随着技术底座的夯实，AI产业的应用形态正经历从数字空间向物理世界的全面渗透。阶跃星辰董事长印奇在大会上描绘了AI产业演进的第三波主线：物理场景通用智能体。他预言，智能体与下一代终端产品的结合，将引发超过PC互联网与移动互联网变革之和的产业重塑。在这一阶段，智能体不再仅仅是聊天机器人或代码辅助工具，而是成为生产力的最小单元。印奇提出，这一变革将带来三大结构性变化：大模型原生跨设备操作系统的出现，使得算力、数据和任务得以统一调度；全品类硬件终端的重构，手机成为全域中控，新能源汽车率先呈现机器人形态；以及人机共生网络的形成，打通人、智能体与物理终端的交互链路。
这种融合不仅改变了产品形态，更重塑了人机协作的经济逻辑。当AI能力推进到“超级个体”时，工作的计费单位将从Token转向Task（任务）。商汤科技董事长徐立指出，AI的核心价值在于放大个体的能力，而非简单地替代人力。这种视角的转换，意味着AI将从一种工具性存在，转变为一种共生性伙伴。企业和社会需要建立智能体可信可控的约束体系，同时迎接“单人完成全业务流程”的超级个体时代的到来。这不仅是技术的进步，更是社会学和经济学层面的深刻变革，它要求我们在技术普惠的同时，重新定义职业赛道和价值分配规则。
认知突破：从Coding到Research，从幻觉到物理智能
在技术突破的深水区，AI的能力边界正在被重新定义。上海人工智能实验室主任周伯文提出了一个极具前瞻性的观点：“Research是下一个Coding”。在编程领域，AI已经展现了强大的辅助能力，推动了模型推理和智能体水平的提升。然而，科学研究的复杂性在于其非封闭性和高不确定性。周伯文认为，科学研究不仅是AI的应用场景，更是AGI的终极挑战。要实现这一突破，模型需要完成从“数据驱动”到“世界交互”、从“即时反馈”到“长程自主”、从“模仿正确”到“善用失败”的三项转变。上海AI Lab发布的“书生·端砚”科学发现平台，正是致力于构建这一闭环，通过可信验证重构科学研究的认知飞轮。
与此同时，解决大模型“幻觉”问题的路径也逐渐清晰。复旦大学通用物理智能研究院院长苏昊提出，破局的关键在于“物理智能”。大模型之所以会产生幻觉，根源在于其知识仅来自对语言数据的统计，缺乏对现实世界的物理锚点。苏昊指出，语言只是世界的投影，要获得真实知识，模型必须进入物理世界，通过预测、行动、反馈的端到端交互，积累实体经验。他构建了一个六层物理知识阶梯，从基础的物体、状态、动力学知识，到高层的功能、目标、行为知识，强调知识的聚合需要全社会的通力合作。只有当AI从科学的“读者”转变为知识的“创造者”，其可靠性才能真正取代演示效果成为行业评价的核心维度。
数据基石与安全治理：科学原生与风险可控
在应用层向上追溯，数据的本质也在发生转变。中国工程院院士王坚强调，科学数据将成为AI下一轮变革的关键驱动力。他认为，AI正像数学一样成为基础学科，而这一转折的基础是科学数据的原生化。当前的科学基础模型不仅需要整合数据，还需要统一获取相关论文和计算工具。王坚以一名中学生利用退役卫星数据发现新天体为例，说明旧数据中往往蕴含着未被发现的新问题。科学基础模型的目标是为科学家提供统一的基础设施，从而释放科学数据中沉睡的价值，推动科研范式的根本性变革。
然而，随着AI自主性的增强，安全与治理成为了不可忽视的议题。深度学习三巨头之一的Yoshua Bengio在线参会时警告，智能体的实用性与风险均源于其自主性。智能体为了完成长程任务，必须减少人类监督，但这同时也增加了失控的风险。Bengio指出，不能默认更强的模型会自然服从人类指令，前沿AI面临着被恶意使用和自身行为失控两类灾难性风险。他主张，高风险AI应实行“先证明安全，再允许部署”的原则，且风险治理不能由企业自行决定，需要全球协作建立可验证的技术基础。徐立也呼应了这一观点，强调在关注模型发展（“有”）的同时，必须重视背后的治理框架（“无”），唯有“有无并行”，才能确保AI向善。这些关于安全、治理和数据伦理的讨论，构成了AI迈向成熟社会的最后几块拼图，也预示着未来十年，技术理性与人文关怀的深度融合将是行业发展的主旋律。