WAIC 2025深度洞察：从人才战略到物理智能，AI进化五大关键路径
破局信息过载：重新定义AI时代的竞争逻辑
当世界人工智能大会（WAIC）的聚光灯再次亮起，我们见证的不仅是技术的迭代，更是认知范式的根本性转移。2025年的这场盛会，信息密度之高、视角之深，足以让观察者感到“过载”。但这背后隐藏的一条清晰主线是：AI正在从单纯的数字交互工具，演变为深入物理世界、重塑社会结构的基础设施。
过去我们关注大模型的参数规模与对话能力，如今，图灵奖得主、两院院士及行业领袖们将目光投向了更底层的逻辑——从人才培养的战略高度，到智能体在物理世界的落地路径，再到科学数据作为新生产要素的价值重构。这不仅仅是技术的演进，更是一场关于生产力、生产关系以及人类智能本质的深刻反思。
在这场思维碰撞中，几个核心命题逐渐浮出水面：静态数据的红利已尽，动态经验的获取成为新引擎；AI不再仅仅是替代人力的工具，而是放大个体能力的杠杆；与此同时，随着智能体自主性的提升，安全治理从“附加项”变成了“前置项”。这些观点共同勾勒出一个更复杂、更真实、也更具挑战性的AI未来图景。
人才战略重构：大学使命的回归与韧性构建
在技术狂飙突进的时代，许多人容易陷入一种误区，认为算力即权力，数据即智慧。然而，图灵奖得主、美国康奈尔大学荣休教授John Hopcroft却提出了一个看似保守实则极具远见的观点：在AI时代，人才才是唯一的、不可替代的核心竞争力。
Hopcroft教授指出，信息革命的影响远超以往任何技术变革，其不确定性也随之加剧。AI本身还在快速演变，这意味着基于当下技术栈制定的静态战略极易失效。因此，最具韧性的战略，是培养能够适应变化、探索未知领域的人才。他进一步强调，高校的根本使命应当回归教育本质，即培养下一代，而非仅仅追求短期的科研产出。
这一观点对当前高等教育体系提出了严峻挑战。Hopcroft提出了三项重构原则：一是引导发掘学生的内在志趣，而非被动接受知识灌输；二是保障科研自主空间，减轻科研人员非必要的行政负担；三是重构评价体系，从“重论文数量”转向“重教育质量”。这种回归常识的呼吁，恰恰指出了AI时代创新源头的活水所在——只有拥有独立思考能力和强烈好奇心的人才，才能在算法的黑箱之外，找到真正的突破方向。
产业演进新轴：智能体、终端与物理世界的融合
如果说人才是根基，那么应用场景则是枝繁叶茂的关键。阶跃星辰董事长印奇在大会上提出了一个极具前瞻性的判断：AI产业的下一次爆发，将源于智能体模型与下一代终端产品的深度融合。
印奇将AI产业的发展划分为三个阶段：第一阶段是预训练大模型与对话应用，第二阶段是强化学习推理与代码辅助开发，而第三阶段，即我们正在进入的“物理场景通用智能体”时代。他认为，智能体正在成为生产力的最小单元，其影响力将超越PC互联网与移动互联网的总和。这并非简单的功能叠加，而是结构性变革。
具体而言，这种变革体现在三个维度：首先是操作系统级的重构，大模型原生跨设备操作系统将统一调度算力与任务；其次是硬件终端的革新，手机成为全域中控，新能源汽车率先演化为机器人形态；最后是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。
值得注意的是，印奇强调AI是生产力工具而非单纯的人力替代者。随着智能体能力的提升，单人即可完成全业务流程的“超级个体”将成为新常态。这要求我们在设计AI产品时，必须从“人机对抗”思维转向“人机协同共生”思维，建立可信可控的约束体系，让技术真正服务于人的扩展，而非人的异化。
技术范式跃迁：从数据拟合到经验驱动
在技术底层，静态数据标注的天花板已清晰可见。图灵奖得主Richard Sutton明确指出，当前的LLM主要依赖对人类历史数据的模式拟合，这种“静态数据驱动”的路径难以根除事实偏差与逻辑缺陷。真正的智能，源于与环境交互中的自适应能力。
Sutton提出，下一代AI的核心路线必须是“经验驱动”。人工标注的资源存量正在衰减，无法支撑模型的长期迭代。相反，智能体通过与环境交互产生的观测、动作和奖励信号进行自主学习，其数据规模和能力同步扩张。AlphaGo和AlphaProof的成功已验证了这一路径的可行性。
这一论断打破了市场对“更多数据=更强智能”的线性迷信。它要求AI系统具备目标感和奖惩反馈机制，通过环境反馈持续校正认知。这种从“即时反馈”到“长程自主”，从“模仿正确”到“善用失败”的转变，标志着AI正在从被动的数据消费者，进化为主动的知识探索者。强化学习作为贯通人类、生物与机器智能的方法论，其地位将再次被抬升至核心位置。
科学智能深化：物理锚点与数据原生
如何解决大模型常见的“幻觉”问题？复旦大学苏昊教授给出的答案是：物理智能。语言是世界的投影，大模型仅从语言中学习到的知识，只是现实世界的影子，缺乏可校验的锚点。破局的关键在于让模型进入真实世界，通过预测、行动、反馈修正的实验过程，积累实体经验。
苏昊将物理知识分为六层阶梯，从基础的物体、状态、动力学知识，到功能、目标、行为知识。越往上层，可记录的内容越少，越依赖物理交互。这意味着，AI行业的评价维度将从“演示有多惊艳”转向“运行有多可靠”。通用性是重点，可靠性是起点。AI将从科学的“读者”变成知识的“创造者”。
与此同时，中国工程院院士王坚强调了“科学数据原生化”的重要性。他指出，AI正在成为像数学一样的基础学科，而这一转折的基础是科学数据。科学基础模型需要整合数据、论文和代码，为科学家提供统一获取科学数据、论文及计算工具的基础设施。
从退役卫星数据中发现新天体的案例表明，旧数据中蕴含着新问题的钥匙。王坚主张，大模型不应仅是问答工具，而应成为科研基础设施的一部分。通过重构认知，AI将推动科学研究从假设驱动走向验证驱动，形成新的能力增长飞轮。上海AI Lab发布的“书生·端砚”平台，正是这一理念的实践尝试，旨在推动AI从理解科学走向真实世界的实验验证。
边界与伦理：个体放大与安全底线
在技术狂飙之余，理性的回归同样重要。商汤科技徐立提出了“普惠AI”的概念，认为AI的核心价值在于放大个体能力，而非制造工具依赖。当AI推进到“超级个体”层面时，计费模式将从Token转向Task。更重要的是，徐立强调“无”的价值——治理框架虽不可见，却是AI向善的基石。只有“有”（技术突破）与“无”（治理框架）并行，才能实现AI的良性发展。
深度学习先驱Yoshua Bengio则从安全角度发出了警示。他指出，智能体的实用性与风险同源——即“自主性”。自主程度越高，人类越难及时发现和制止危险行为。前沿AI面临两大灾难性风险：恶意使用与模型自身失控。Bengio强调，不能默认更强模型会自动服从人类，高风险AI应实行“先证明安全，再允许部署”。
全球治理需要可验证的技术基础，不能仅靠企业自律。这要求我们在追求智能提升的同时，必须构建跨国的、可量化的安全验证体系。在WAIC的舞台上，这些声音交织在一起，形成了一幅复杂而真实的画卷：我们既欣喜于智能的无限可能，也清醒地意识到其背后的巨大责任与挑战。
结语：在不确定性中锚定确定性
纵观WAIC 2025的全场发言，我们可以发现一条清晰的脉络：AI正在告别野蛮生长的初级阶段，进入精细化、深层化、物理化的新周期。从Hopcroft的人才战略到Sutton的经验驱动，从印奇的智能体终端融合到苏昊的物理智能聚合，再到Bengio的安全治理警示，每一位专家都在试图在巨大的不确定性中锚定确定性。
这个确定性就是：技术最终服务于人。无论是通过人才培养提升人类的适应力，还是通过智能体扩展个体的能力边界，亦或是通过物理交互增强知识的可靠性，AI的终极指向依然是人的进化与社会的福祉。
面对即将到来AGI临界点，企业、学术界与政策制定者需要超越短期的技术炒作，回归长期主义。培养适应变化的人才、重构数据价值、建立可信治理，这些看似慢功夫，实则是穿越周期的核心竞争力。在这个智能涌现的时代，唯有保持敬畏、坚持创新、拥抱协同，我们才能驾驭这股浪潮，驶向未知的广阔海域。