WAIC 2025深度解码：从数据瓶颈到物理智能的范式跃迁与人才重塑
认知重构：AI产业的新坐标与旧解法
2025年世界人工智能大会（WAIC）不仅是一场技术的狂欢，更是一次行业认知的集体校准。当Kimi K3等新一代模型在推理能力上搅动风云时，真正引发深层思考的，是来自学术界与产业界顶尖大脑对于“AI本质”与“未来形态”的重新定义。从单纯追求算力堆叠到回归智能本源，从封闭的数据孤岛到开放的物理世界交互，大会上的核心观点正在重塑我们对人工智能发展路径的理解。
当前，AI行业正处于一个关键的转折期。过去的增长逻辑主要依赖于静态数据的规模效应，但正如多位院士与图灵奖得主所言，这一路径已逼近天花板。行业共识逐渐从“如何获取更多数据”转向“如何让智能体在动态环境中自主学习”。这种转变不仅关乎技术路线的迭代，更预示着生产力单元的根本性变化。智能体正在成为新的生产力最小单元，而大模型正从被动的知识仓库，进化为具备自主探索能力的探索者。在这一背景下，重新审视人才、数据与物理世界的关系，成为理解未来50年科技演进的关键钥匙。
数据与进化的瓶颈：从静态拟合到动态交互
理查德·萨顿（Richard Sutton）在大会上的发言直指当前大模型发展的痛点：静态数据标注已触及天花板。长期以来，行业普遍混淆了算力规模与原生智能的概念。大模型通过海量人类历史数据进行模式拟合，本质上是在复刻既有知识，而非自主发现新知。这种基于静态数据的训练方式，导致模型在处理事实偏差、逻辑缺陷以及长程推理任务时存在固有局限。
萨顿提出的“经验驱动”路线，强调了动态行为适配环境的重要性。他认为，智能的核心在于依靠动态行为完成目标的自适应能力，而强化学习是贯通生物智能与机器智能的核心方法论。与静态标注不同，智能体通过自身与环境的交互，产生观测、动作和奖励信号，实现数据的自我扩张与认知的持续校正。AlphaGo和AlphaProof的成功正是这一路径的佐证：模型不再仅仅依赖预设的正确答案，而是通过在复杂环境中的试错与反馈，构建起对世界更深层的理解。
这一观点也为解决“大模型幻觉”提供了新思路。复旦大学苏昊教授指出，语言只是世界的投影，大模型从文本中学习到的只是现实世界的影子，缺乏可校验的锚点。要解决幻觉问题，关键在于引入物理智能，让模型进入真实世界完成端到端的交互。通过预测、行动、反馈修正的实验过程，模型可以积累实体经验，从而建立更可靠的知识体系。物理智能将把AI从科学的“读者”转变为知识的“创造者”，这也是通用人工智能（AGI）突破的关键所在。
科研范式的跃迁：当科研成为“下一个Coding”
如果说编程推动了模型推理能力的跃升，那么科学研究可能就是AI进化的下一个“Coding”。上海人工智能实验室主任周伯文提出了这一极具前瞻性的观点。在AI for Science领域，虽然模型在闭环任务上进步迅速，但科学原创能力仍然有限。科学研究不仅是AI的一个应用场景，更是检验AGI终极能力的试金石。
为了实现这一突破，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”的三项根本性转变。目前的AI科研缺少完整的反馈链，关键在于通过可信验证重构认知，而非单纯增加知识供给。上海AI Lab发布的书生·端砚科学发现平台，正是旨在推动AI从理解科学、规划研究，走向真实世界的实验验证和认知迭代。
中国工程院院士王坚进一步强调了科学数据的基础性作用。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。从旧数据中发现新问题，是科学变革的基本逻辑。例如，利用退役卫星数据发现大量未编目太空物体的案例，证明了科学数据蕴含的巨大潜力。未来的科学基础模型，需要整合数据、论文和代码，为科学家提供统一获取知识、验证假设的基础设施。这种基础设施的建立，将在未来50年对科研范式产生深远影响。
产业形态的重塑：智能体、终端与超级个体
随着技术底层逻辑的变化，AI产业的爆发点也在发生转移。阶跃星辰董事长印奇明确指出，AI产业下一轮爆发将来自智能体模型与下一代终端产品的结合。智能正走出数字屏幕，进入真实物理世界，这将推动产业形成新系统、新载体、新网络三大结构性变化。
AI产业的演进可分为三个阶段：预训练大模型+对话应用、强化学习推理+代码开发辅助，以及当前的第三波具身智能体带来的产业变革。这一波变革的影响力预计将超过PC互联网与移动互联网之和。在这个阶段，智能体成为通用AI时代的最优产品载体，编程语言也成为人机通用交互的媒介。
随之而来的是硬件终端的重构。PC将转变为个人算力工作站，手机成为全域设备中控，新能源汽车则率先落地机器人形态。更重要的是，产业设计逻辑将从人力替代转向人机协同共生。AI将催生“超级个体”的出现，一个人即可完成全业务流程。计费模式也从Token转向Task，AI的核心价值在于放大个体能力，而非简单替代人力。商汤科技董事长徐立强调，优质AI产品应赋能每个人，同时在“有”（模型发展）与“无”（治理框架）之间找到平衡，确保AI向善。
安全与伦理：自主性带来的双刃剑
随着智能体自主性的增强，安全风险也随之上升。深度学习三巨头之一的Yoshua Bengio指出，智能体的实用性与风险源于同一个特征：自主性。为了完成长程任务，智能体必须减少人类监督，但这同时也增加了人类及时发现和制止危险行为的难度。
Bengio警告称，不能默认更强的模型会自然服从人类。前沿AI面临两类灾难性风险：一是被恶意使用，二是模型自身行为引发的失控风险。他主张高风险AI应实行“先证明安全，再允许部署”的原则，且风险治理不能仅由企业自行决定，需要全球协作的可验证技术基础。
与此同时，人才战略成为应对这一复杂局面的根本基石。图灵奖得主John Hopcroft强调，AI时代最核心的竞争力不是算力或数据，而是人才。大学最根本的使命是培养下一代人才，而非仅仅关注研究产出。高校应引导学生发掘志趣，保障科研自主空间，并重构评价体系，从“重论文”转向“重教育质量”。只有培养出能够探索并应对全新发展方向的人才，国家才能在全球AI竞争中保持韧性。
结语
2025年WAIC传递出的信号清晰而强烈：AI的下半场，不再是单纯的数据竞赛，而是关于交互、物理实体、自主进化与人才素养的综合博弈。从静态数据到经验驱动，从数字虚拟到物理智能，从工具替代到能力放大，这一系列范式的转变正在重新定义人工智能的边界。对于从业者而言，理解这些深层逻辑，比追逐短期模型指标更为重要。未来已来，唯有拥抱变化、深耕基础、重视人才，方能在这一轮技术浪潮中立于不败之地。