今天小編分享的教育經驗：朱松純：“中國的AI叙事” 存在認知偏差，歡迎閱讀。
作者 |李海倫
來源 | 騰訊科技 管理智慧 AI+
咨詢合作 | 13699120588
轉自賽先生，版權屬于原作者，用于學術分享，文章僅代表作者本人觀點
導讀：
3 月 29 日，在 2025 中關村論壇通用人工智能論壇上，北京通用人工智能學院院長，北京大學人工智能研究院、智能學院院長朱松純表示，目前，行業對 AI 的讨論幾乎被大模型能力所占據，而基礎學科、原始創新與智能本質的研究卻被邊緣化，甚至遭到部分輿論的否定。更有甚者，形成了某種 " 技術投機 " 的氛圍，仿佛只有少數企業能代表中國 AI 的水平，而長期支撐 AI 發展的基礎學術群體、理論工作者、認知科學研究者則被忽視。這種認知偏差，正在讓我們離真正的 AI 創新越來越遠。
過去一年，中國人工智能領網域在輪番迭代的熱潮中快速演化。大模型公司如 DeepSeek、Manus 等頻頻成為市場與媒體的關注焦點。随着資本、技術、政策相繼湧入，幾乎形成了 " 押寶大模型即押寶未來 " 的共識。
然而，北京通用人工智能學院院長，北京大學人工智能研究院、智能學院院長朱松純對此表示擔憂：伴随這一輪技術熱潮而來的，是我們需要謹慎關注社會和政策對 AI 的認知。
圖：北京通用人工智能學院院長，北京大學人工智能研究院、智能學院院長朱松純
以下為朱松純的分享精華整理（在不改變原意的情況下，有所删減。）：
我特别重視與行業、媒體的交流和溝通，原因在于我深知行業的 " 叙事邏輯 "，對于社會認知的重要性。
人工智能從最初的學術問題，已經全面轉向一個社會性、政策性的問題。我們面對的大多數決策者、機構、媒體，普遍并非人工智能專業出身，但又被迫在短時間内學習、理解、決策甚至向公眾宣傳 AI，這給準确傳播帶來了極大困難。
所以，我們必須清楚地建立正确的叙事邏輯，尤其對媒體來說，責任重大。為了避免一些錯誤的輿論影響了決策，甚至讓自媒體牽着走，導致大眾和決策者對人工智能的認知混亂。
這裡我要講一下人工智能的全球叙事與誤區：
AI 存在炒作、泡沫和盲目跟風
從 2019 年甚至更早，美國通過 AI 重新确立了技術霸權。全球資本過去 7~8 年都流向美國，圍繞的核心叙事是：大數據 + 大算力 + 大模型，最終通向通用人工智能（AGI）。
随後，"AGI 帶來人類生存危機 " 的話題被廣泛炒作，形成全球範圍的焦慮。事實上，這就是一種媒體主導的叙事。過去十年，媒體和投資圈反復宣揚 " 大數據、大算力、大模型 " 三位一體的路線，仿佛這就是 AI 的唯一未來。
2015~2016 年，AlphaGo 引發了第一次人工智能的熱潮，但冷靜下來 8 年後回頭看，當時吹得神乎其神的 AlphaGo 及其相關產業，除了一些計算機視覺公司（所謂 " 四小龍 "）被抬高了估值，最後實際并沒有形成產業化、社會化的廣泛影響。很多 AI 初創企業最後都走向了衰退。
目前，行業流行的 "AIforScience（科學研究新範式）" 說法，其實也存在認知偏差。AI 的主要研究方向仍集中在視覺、語言、機器人等智能感知和行動能力上，嚴格來說，這些并不直接等同于 "Science（科學研究）"。真正推動科學研究的是 DeepLearningforScience，也就是利用深度學習等工具輔助科學建模和數據分析，而不是 AI 本身作為科學的内在組成部分。
我曾經寫過一篇文章，提到了 " 烏鴉與鹦鹉的範式 "（指當前 AI 多停留在 " 鹦鹉式 " 的大規模模仿，距離 " 烏鴉式 " 的認知與推理仍存在本質差距），批評過這種 " 泡沫化的融資神話 "，今天看，很多現象依然在重演。
AI 熱潮下，很容易在 AI 平台、算力中心上形成過剩。很多平台根本租不出去，實際使用率只有 15%~20%。更荒誕的是，現在在一些區網域，電價都已經負了，電都賣不出去，怎麼會有能源危機呢？
但當時，為何還有那麼多地方 " 跟風上馬 "？根本原因是輿論叙事的問題，可能有的地方決策者會受到一些受輿論壓力，加上媒體的 " 過度渲染 " 起到了推波助瀾的作用。
國内人工智能的現狀與困惑
這就是現在國内 AI 領網域的現狀：表面熱鬧，實質混亂。
中國這幾年成立了大量 " 人工智能學院 "，但諷刺的是，很多 AI 學院的院長甚至都不是搞人工智能的。例如，某高校人工智能學院請了一位頗具名望的計算機理論專家擔任兼職院長，卻從未在人工智能領網域有過正式論文發表。還有的學校幹脆由數學、藝術學院的老師 " 兼職 "AI 學院院長。
類似前幾年，" 納米 " 概念泛濫，什麼納米鞋墊、納米壓力鍋，現在又出現了 " 偽 AI 熱潮 "。再比如一些大模型公司自诩 " 六小龍 "，但很多根本無法盈利，估值虛高，風險巨大。
常有人說，我們 " 被卡脖子了 "，但我認為，真正 " 卡住 " 我們的，是我們自己的認知。
當下，政府機構、公眾、甚至媒體，對人工智能的理解嚴重不足，跟着西方叙事亦步亦趨，最後只能得出 " 我們被卡了脖子 " 的結論。而實際問題是，我們的認知水平遠不足以指導正确的創新與戰略。
什麼才是人工智能的創新？
我長期總結，AI 的創新有 5 個層次：
最下面底層的是，哲學層面：探讨 " 智能 " 的本質。事實上，智能的本質是 " 主觀的 "，每個人的決策都基于自己對世界的認知與價值體系。這些認知未必客觀，卻決定了行為。
第二層，理論層面：建立認知的數學框架，如邏輯學、統計建模、概率計算。
第三層，模型層面：根據框架構建具體模型，如判别模型、生成模型、大模型等。
第四層，算法層面：在具體模型下，開發優化算法，提高計算、推理、訓練的效率。
第五層，工程與部署：把模型落地到硬體、平台，優化存儲、計算，形成可用的產品和系統。
目前很多所謂的創新，僅僅停留在第 4 層（算法）或第 5 層（部署）層面，連理論框架都不具備，卻在吹噓 " 颠覆 "。而我們現在真正缺的是對智能本質、認知建模的原創性突破。
當前社會存在嚴重誤區，仿佛只有 DeepSeek 等這樣的企業做出了成果，甚至有人極端認為，學術界、研究機構的工作都是 " 吃白飯 "，這種情緒化、非理性的輿論正在誤導大眾。
我們必須澄清，DeepSeek 在工程落地、API 產品化、算力優化等方面确實取得了成績，但主要集中在工程部署層面，并未解決人工智能的核心難題——比如認知建模、智能理論、學習機制等。
支撐今天所有 AI 應用的底座，正是學術界數十年在哲學、理論、建模、算法等基礎層面的持續投入。若因短期的產品化成效，就否定基礎研究，甚至鼓吹 " 學術無用論 "，不僅荒謬，也極其危險。
以美國的創新為例，很多集中在最底層的硬體（芯片、架構）、大模型，以及算法優化。我們如果想在中美競争中取得突破，關鍵要在于第四層和更高的哲學與理論創新。
如果只是重復美國的老路——算力、算法、部署，我們永遠都是追随者。
未來 AI 的前沿在文科
未來最難解決的問題，恰恰在于文科所關心的社會復雜系統，比如人口、政策、文明演化、價值體系。這些問題目前無法建模，無法實驗，學界長期靠 " 口頭解釋 " 和 " 事後分析 " 在 " 事後諸葛亮 "，預測能力接近于零。
但今天，大規模仿真（模拟）實驗和智能體（Agent）建模的能力讓我們有可能讓文科第一次變成一門可實驗的科學。AI 的真正前沿，是通過模拟與建模，讓文明、社會、經濟與政策等可以進入可驗證的科學範疇，而非止步于影像、語音和對話的優化。
我們真正的工作重點
我們現在已經基本完成了在智能哲學、理論框架、模型的初步構建，正在向算法優化和工程部署推進。
下一步的重點是：
快速規模化。
完成模型的工程化和商業化。
與行業、應用深度适配。
建立通用智能體（AGIAgent）工廠。
我們和大模型的關系并不是 " 對抗 "，而是共生。大模型像人類的潛意識，為我們提供了感知和記憶的底座；而我們要做的，是在其上構建通用智能體的認知與決策體系。
總結和呼籲
人工智能不是 " 神話 "，更不是 " 安全危機 "" 生存危機 " 的代名詞。它是真正關系到人類文明未來演化的工具。
而認知的欠缺、叙事的誤導，才是真正的 " 卡脖子 "。
我呼籲媒體、政府機構、研究者們，尤其要關注 AI 的頂層邏輯與原始創新，不要盲目跟随已有叙事，而要思考：中國，到底要怎樣的人工智能？
