朱松纯：对AI认知不足或产生“技术投机”的不良氛围

当下，大模型公司如DeepSeek、Manus等频频成为市场与媒体的关注焦点。随着各种前沿技术不断涌现，各方资本纷纷涌入，几乎形成了“押宝大模型即押宝未来”的共识。然而，AI(人工智能)行业发展背后也存在一定认知偏差。

当前，关于AI的讨论几乎都被大模型能力所占据，而对基础学科、原始创新以及对智能本质的深入研究，关注度却显得不足。这种认知不足可能产生“技术投机”的不良氛围。而对“AI for Science”(人工智能驱动的科学研究)也存在认知的偏差。AI的研究方向主要集中在视觉、语言、机器人等智能感知和行动能力上，而真正的科学研究是依靠Deep Learning for Science，即利用深度学习等工具辅助科学建模和数据分析。如果混淆了这些概念，就容易在科研的方向和资源投入上出现失误。

对AI的认知水平关乎AI创新与战略，认知AI可以从创新层次结构入手。AI的创新可分为五个层次：第一层也即最底层的，是哲学层面，即探讨“智能”的本质，智能的本质是“主观的”，每个人的决策都基于自己对世界的认知与价值体系，这些认识决定了行为。第二层是理论层面，也是建立认知的数学框架，如逻辑学、统计建模、概率计算等。第三层是模型层面，根据框架构建具体模型，如判别模型、生成模型、大模型等。第四层是算法层面，即在具体模型下，开发优化算法，提高计算、推理、训练的效率。第五层是工程与部署层面，把模型落地到硬件、平台，优化存储、计算，形成可用的产品和系统。

然而，目前AI领域的一些创新主要局限于算法或部署层面，缺乏基本的科学框架，如对智能本质、认知建模等方面的原创性突破。美国的AI创新很多集中在最底层的硬件(芯片、架构)、大模型以及算法优化，那么中国AI企业想要弯道超车应在更高的哲学与理论层面实现创新。未来，解决人工智能的核心难题——比如认知建模、智能理论、学习机制等，仍是推动AI发展的核心动力。

应当注意到，最难解决的问题，恰恰在于文科所关心的社会复杂系统，比如人口、政策、文明演化、价值体系。这些问题目前无法建模、无法实验，学界长期靠“口头解释”和“事后分析”。但如今，大规模仿真(模拟)实验和智能体(Agent)建模的能力可能让文科变成一门可实验的科学。AI的真正前沿技术，是通过模拟与建模，让文明、社会、经济与政策等可以进入可验证的科学范畴，而非止步于图像、语音和对话的优化。

当下，我们已经在智能哲学、理论框架、模型构建等方面取得了初步成果，正朝着算法优化和工程部署迈进。接下来，要完成模型的工程化和商业化，与行业、应用深度适配，建立通用智能体工厂等。我们和大模型是共生共荣的关系，大模型为我们提供了基础，我们要在其上构建通用智能体的认知与决策体系。