“算力閑置、Agent同質化，AI還有哪些泡沫？”

作者丨張嘉敏

編輯丨徐曉飛

“美國2025年人工智能產業到底有多少是正向收益？MIT調查結果顯示，95%都是負向的，非常爛尾，只有5%是成功的，令人吃驚。”

在2025 GAIR主論壇“人工智能產業化的挑戰和機遇”圓桌對話中，大會主席、加拿大皇家科學院院士楊強教授又一次對人工智能的落地現狀“潑冷水”。

在席卷而來的技術浪潮中，人工智能產業化面臨哪些嚴峻的挑戰？作為方興未艾的產業，人工智能有哪些泡沫和陷阱？展望未來，人工智能產業化還有哪些值得“押注”的方向？

面對AI時代的多重拷問，這場圓桌論壇通過四位科學家、一線研究者的深度對話，提供了可供參考的思考方向。參與本次圓桌論壇的嘉賓有：

鄭宇（主持人）：KDD China主席，京東集團副總裁，IEEE Fellow

楊強：加拿大皇家科學院院士

胡俠：上海人工智能實驗室主任助理，領軍科學家

薛貴榮：之江實驗室科學模型總體部技術總師

四位“老朋友”齊聚一堂論道，激蕩產業思潮。

鄭宇教授開門見山，指出人工智能產業化的困境：大語言模型出來之后，在某些應用場景取得了成功，但并沒有大規模的商業應用和成熟的商業模式。

究其原因，楊強教授認為人工智能產業化面臨三個維度的挑戰：一是預期維度，尤其是企業老板的預期；二是系統維度，人工智能技術引入企業后，無法與原有傳統系統適配；三是數據維度，人工智能產業化落地僅靠語言模型遠遠不夠。

“人工智能現在還做不到的，系統往往等著人類投喂數據。就像我們家里的貓一樣，坐等你去喂它，否則它不會自己去抓老鼠，因為它根本不知道什么是老鼠。”楊強教授用生動的比喻，描述AI落地中亟待攻破的系統維度難題。

胡俠教授從“小切口”談起，結合機器人的感知、理解、規劃、學習等技術卡點，闡述人工智能產業化之難——“機器人離落地還相當遠”。

如果把“機器人”類比為“人類”，從感知層面來講，還差得很遠。人類不僅是靠說話，不僅是靠眼睛在看、靠耳朵在聽、靠鼻子在聞，我們的手上也有非常多的傳感器，像溫度傳感器、濕度傳感器、壓力傳感器，人的手還有很多維度，有自由度。很多傳感器多年來都沒有質的突破，沒有（以上提到的）這些，會導致一個非常簡單的感知問題：人將手伸進書包撿乒乓球，這是非常容易的操作，但如果機器人用手伸進一個黑書包，它看不見，加上手上沒有皮膚傳感器，沒有自由度，很難完成從書包里拿乒乓球這個簡單的操作。

在企業實戰中，人工智能的落地應用如何？薛貴榮直呼“這一行最倒霉的就是CTO或CIO”。他談到，決策人和AI團隊往往初期滿懷信心，實操后卻信心盡失，陷入“啥都能做”到“啥都做不了”的極端認知搖擺。預期、認知的問題導致人工智能的泡沫快速膨脹，“本來是好機會，但如果預期拔得很高，最后沒做出來，干掉了一批CTO，整個行業破滅了。”

楊強教授也表達了類似的擔憂：“全世界對人工智能不合適的預期，會把我們引向災難，引向一個巨大的泡沫。”

但在眼下如火如荼的人工智能產業化進程中，已涌現出不少“小泡沫”。

薛貴榮教授指出了其中的兩個泡沫：一是算力領域，現有算力建設投入多為推理卡算力、競爭激烈，大量算力資源閑置，投入與產出嚴重不匹配；二是AI應用領域，多數應用“人工成分”過高，本質是“人工AI”，并未達到真正的AI應用水平，市場上Agent框架等相關產品同質化嚴重。

人工智能到底應該做“人擅長的事情”，還是應該做“人不擅長的事情”？鄭宇教授在現場拋出關鍵性問題。他認為，人形機器人在諸多場景中未必具有明顯優勢，其“爆火”在于能夠拉動經濟消費和產能，但我們應清醒區分何為“短期自救”、何為真正的“長遠目標”。

泡沫之外，AI浪潮仍催生出新的時代機遇。在圓桌論壇最后的環節，嘉賓們紛紛“押注”值得未來多投入、多鉆研、多花時間的方向。

楊強教授提到，在醫療等數據稀缺領域，數百例甚至幾十例數據無法支撐深度學習，只能依靠傳統回歸模型，這類小數據場景廣泛存在。他目前的一個研究領域，正是如何在保護隱私的前提下，整合各領域專家的小數據模型，構建全局模型讓大家都受益。

胡俠教授認為，安全可控是值得關注的重點方向。他提到，很多實驗表明AI已經在尋求權力，在不久的將來可能會與人類爭權力、爭資源，形成一系列問題。

“國內的模型參數可能才達到1萬億，國外現在已經快達到7萬億了，這之間存在著差距。”薛貴榮教授認為，當前最重要的是提升大語言模型規模，大模型規模會帶動底層基礎設施到上層的算法、數據等的一系列革新。

圓桌論壇完整視頻，詳見鏈接：https://www.youtube.com/watch?v=rqBl-ciWBA0

以下是圓桌對話的精彩內容，雷峰網作了不改變原意的整理與編輯：

01

全美95%人工智能項目爛尾

鄭宇（主持人）：這個環節，當時林軍跟我說，KDD是很有知名度的組織，這個圈子里面的很多老朋友，也是伴隨著雷峰網一路走過來的，所以設置了這樣一個論壇。我們先講講故事，為什么是我們這幾位坐在這里？

楊老師是我們多年的好朋友，對我們每個人的幫助都非常大。有多大？KDD在中國的組織叫KDD China，楊老師是第一任主席，我有幸接班做了第二任主席。其次，楊老師創始了ACM TIST人工智能旗艦刊物，他是第一任主編，特別有幸，我又做了第二任主編，一路上我都是跟著楊老師在學習和進步，所以跟對人還是很重要的。第三任主編是胡俠的老師，現在是劉歡老師在做主編，這也是我們中國人自己創始的雜志。貴榮，原來是阿里媽媽的首席科學家，后來出來創業，做了天壤科技，現在又在之江實驗室做大模型；胡俠，之前在美國KDD圈子里非常有名，現在回到上海人工智能實驗室做主任助理。

今天，我們要談論一下人工智能產業化面臨的挑戰和機遇。首先從挑戰開始講，大語言模型出來之后，確實在某些應用場景取得了成功，也在行業引起了很大的熱點。但到目前為止，可能只有個別標桿項目成功了，并沒有大規模的商業應用和成熟的商業模式。所以“挑戰”到底在什么地方？為什么還有不足？到底有哪些問題？我們要客觀冷靜看待。首先有請楊老師講講他的觀點。

鄭宇教授

楊強：謝謝鄭宇，今天特別高興跟我們的老朋友——合作至少都有20年了，一起參加圓桌討論。剛才鄭宇問了一個非常好的問題，不是說人工智能會增長多快，而是問挑戰在哪里，尤其是和業界的合作。就這個問題，我最近關注特別多，因為我有時候也給商學院講課，我跟他們說“我是來潑冷水的”：美國2025年人工智能產業到底有多少是正向收益？最近我看了MIT的報道，調查結果顯示，95%都是負向的，非常爛尾，只有5%是成功的，非常令人吃驚。我們就問，這95%的共性是什么，這5%的共性又是什么？

回答鄭宇的問題，我覺得有三個維度目前面臨著巨大的挑戰。

第一是預期維度，尤其是老板的預期。比如老板每天看自媒體、看新聞，覺得人工智能已經不得了了，在別人的企業中已經取代人類了，取得了這個成功、那個成功，然后回來說“咱們為什么還做不到？”“為什么我們的程序員還在工作？為什么不是AI在工作？”“為什么今年的收益沒有double？”我覺得這個預期是媒體以及全世界不合適的預期，這會把我們引向災難，引向一個巨大的泡沫。不是說人工智能做不到其中的一些點，而是說我們的預期一定要實際。

第二是系統維度，來自系統的挑戰。回到MIT的報告，這95%不成功的共性在于，人工智能作為新技術，引入到企業里和原有傳統的、已經在工作的系統不和，“就像夫妻，其中一人非常先進，另一人很落后，還處在清朝階段，那這兩個人肯定長久不了”。就像這個例子，往往是人工智能不知道怎么幫忙，傳統企業不知道怎么讓人工智能來幫助自己。我也想過為什么會這樣，其中一個原因是人工智能還沒有做到100%。何謂100%？假設我的企業有1萬個數據集，都是五花八門異構的數據，人工智能技術進來之后，它是否自己就能知道哪些數據可以用，哪些數據可以整合，哪些數據可以做訓練？它知道自己需要什么以及知道自己能做什么，從而改變現有的系統？人工智能現在做不到的，系統往往等著人類投喂數據，就像我們家里的貓一樣，坐等你去喂它，否則它不會自己去抓老鼠，因為它根本不知道什么是老鼠。

第三是數據維度，跟我現在的工作非常相關。現在用的基本都是公開數據以及語言類數據，所以我們說的都是大語言模型。但是人工智能如果要走到落地、幫助企業的階段，僅僅只有語言模型是不夠的。其實多模態很多也是人類幫助它變成語言模型之后喂給大模型的，一個沒有經過人類處理的RAG Data，大模型是不會處理的，像圖像、視頻以及很多非感知數據，都是非語言類的數據。

楊強教授

胡俠：楊老師從特別高的高度講得很好，下午鄭宇跟我講，講得越激烈越好，我也在想怎么才能講得比較激烈。我想了很久，準備從一個特別小的點講起。在座有很多做機器人的，因為這是在深圳，也有很多機器人產業的投資人，我想從技術的角度談談我對機器人產業的看法。至少在國內，AI可能是最火的領域之一，是不是“最火”的那個我不知道，但肯定是“之一”。大面來說，我覺得機器人離落地還相當遠，包括以下幾方面：

首先是感知層面。大家知道這一輪的AI浪潮，更多是由大語言模型或多模態大模型推動的，大模型能夠比較好地理解語言，能夠做出很好的詩和文章，甚至分析圖片。但如果把“機器人”類比為“人類”，從感知層面來講，還差得很遠。人類不僅是靠說話，不僅是靠眼睛在看、靠耳朵在聽、靠鼻子在聞，我們的手上也有非常多的傳感器，像溫度傳感器、濕度傳感器、壓力傳感器，人的手還有很多維度，有自由度。很多傳感器多年來都沒有質的突破，沒有（以上提到的）這些，會導致一個非常簡單的感知問題：人將手伸進書包撿乒乓球，這是非常容易的操作，但如果機器人用手伸進一個黑書包，它看不見，加上手上沒有皮膚傳感器，沒有自由度，很難完成從書包里拿乒乓球這個簡單的操作。

第二是理解層面。不管是大模型、多模態還是具身，大家都談了很多。從數據來講，我們可以給機器人看很多書本知識，也可以給它看很多video知識，但沒辦法很輕易就把一些物理學知識傳遞給機器人。機器人不知道球被扔出去以后會因為牛頓定律呈拋物線下降，不知道桌子應該要比地面高，不知道“水往低處流”等簡單的物理學現象，也沒辦法很好地理解。

第三是規劃層面。大家想想，把樂高積木拼起來，小孩可以做得很好，但對機器人來說，把上百個東西變成一系列的操作是很難的。紙上得來終覺淺，把樂高的說明書給孩子，孩子可以拼出來一個玩具；把一個零件說明書給熟練的工人，工人可以理解、規劃、組建這些部件。但現在來講，我還沒有看到機器人有這個能力。

第四是學習能力。大家都知道，人從出生一直到七八歲，就有非常強的智能，遠比現在的機器人強很多。它們有那么多的數據嗎？實際并沒有。機器人現在缺乏的是小樣本學習、持續學習的能力，它沒有基本的學習能力。雖然我們給它灌了很多數據，但這些數據究竟怎么樣？不管是1T的數據、1P的數據甚至是更多數據，這些數據中有多少重復的知識？把這些數據變成知識的能力，包括持續學習的能力以及小樣本學習的能力，我還沒有在現在的機器人或具身領域看到很大的突破。

從感知到理解、規劃、學習，在機器人領域還有很長的路要走。雖然現在的公司估值都很高，但我覺得這里面的泡沫還是蠻大的。

薛貴榮：大家一開始看到外面關于AI的報道，會充滿信心，干了一段時間，會感覺什么信心都沒有了，在兩個極端之間游蕩，搞得決策人和AI團隊都在懷疑“我們能干嗎？我們能干好嗎？”最后連耐心都沒有了。

這是IT部門決定的事嗎？如果是的話，基本干不下去，因為老板會跟你說，你的KPI要再設得高一點，都用AI了，應該再裁掉30%的人。搞到最后，做事的人沒辦法承諾成果。我覺得，大家在認知上的差異，導致我們所有人干這個事的決心和信心都會有動搖。到最后我能不能干好？我要不要花這么大的力氣來做數據整理的工作？最后大家都不想做整理數據的活，就希望外面有一個現成的模型，拿來就能用，“拿來主義”的思想會重一點。

如果是這樣的話，我覺得基本干不下去。因為外面的模型跟你家里的數據融合肯定是要做的，否則模型放在家里也只能寫寫報告、辦辦公，或者再用點大家討論到的RAG。其實RAG也不是很容易的事，有的人覺得RAG一做，幻覺就能解決，其實是搞不定的，也許能解決60%～70%的問題，但還有30%～40%的挑戰。因為幻覺的問題還是存在，導致你覺得就不應該做這個事情。

所以我們這個行業最倒霉的是什么？最倒霉的是CTO，或者CIO。一輪一輪換，因為沒產出，就被淘汰掉了。大家要么過度樂觀，要么過度悲觀。模型效率再好一點，智力再強一點，可能會做得很好，但這一步走過去需要時間。我覺得這是有挑戰的事。

鄭宇（主持人）：觀點都非常犀利，正好貴榮提到CTO的事情，前段時間有一個CTO Club閉門會議，當今國內都在做這些的大廠CTO，關起門來在里面討論。這里面的聲音跟外面媒體的聲音完全不一樣：這里面是人間清醒，不能說哀聲一片，但大家都覺得人人自危，最怕老板出去開會、培訓，一培訓就跟你說，人家做出來了，你沒做出來。預期的問題、認知的問題，導致這個行業的泡沫快速膨脹。本來確實有進展，是好機會，但如果大家覺得兩年就能做完，預期拔得很高，到兩年之后沒做出來，干掉了一批CTO，整個行業破滅了。這是人間清醒的真話。

02

人工智能賽道有哪些泡沫？

鄭宇（主持人）：剛剛說了人工智能產業化的挑戰，從不同的維度來講，有預期、系統、數據的維度，有感知、理解、規劃、學習的維度，有實戰經驗的維度——認知、決策、責任、技術隊伍、時間管理、成本管理等等，很多東西都是真實存在的。問一下楊老師和貴榮，你們覺得在人工智能賽道，目前最大的泡沫和陷阱在哪里？你們可以指出來一下，讓大家可以有一些預警。

楊強：我覺得小泡沫很多。第一個泡沫是現在的人工智能利用公開數據，比方說用Twitter訓練出大模型，就有人認為，對于所有的數據都可以訓練出大模型。比如說大家會有一個預期：機器人已經能做雙足，那它是不是可以跟大模型相結合，把它的數據輸入給大模型，就可以輸出一系列的行為，機器人就變得更智能了。這就是一個泡沫，也就是說，它把一個地方的成功，遷移到了很多其他的地方，不看這兩個地方的重大區別。這里說到的重大區別包括兩個維度：

一方面，數據是異構的。公開數據是語言數據，但是我們想遷移到的地方，比如行為數據、圖像數據，比如各種各樣的多模態數據，其實是非語言數據，所以我們并不知道現在怎么用非語言數據作為輸入，訓練出一個智能的大模型。

另一方面，很多公開數據已經快用完了，世界上所有數據的總量，4%是公開數據，96%是非公開的。也就是說，人工智能依靠大語言模型突飛猛進，但馬上就要戛然而止了，因為我們沒有新的數據。新的數據在哪里？在私有數據，在手機上，在醫院里，在銀行里，在大學里，在學生的課程上。如何利用私有數據繼續賦能給大模型，這是一個巨大的挑戰。如果解決不了，這就是一個巨大的泡沫。

鄭宇（主持人）：楊老師從數據層面講到了異構的問題，能夠在語言層面訓練出大模型，不代表其他條件都能訓練出大模型；現在的數據顯然不夠，還要持續推進大模型的進展。請貴榮談談你的想法，你感覺什么領域泡沫最大？

薛貴榮：我感覺現在算力的泡沫也比較大。各個地方都在做大的智算中心，原來是IDC，現在都成了AIDC，但現在推理的AIDC太多，而訓練的AIDC很少。大家可能都知道，美國模型的參數規模現在在6萬億到7萬億之間，對算力的要求要達到10萬張卡，這個系統要求非常高。我們現在建設的智算中心基本都是推理集群，而真正的訓練集群太少，導致大量的推理智算中心的機器掛在機柜里，都不開機，這本身也是非常大的投入風險。

另外，我最近也參加了很多會，會場上的Agent遍地都是。只要你到一個展位，基本都有一兩個Agent在那里，感覺好像做Agent的越來越多，但Agent定制的成分也很少，還沒到所謂真正的Agent智能化程度。今天的Agent，人工involve的程度太高。

所以兩方面，一個是算力的建設，一個是重復建設類似的Agent框架。

薛貴榮教授

鄭宇（主持人）：剛剛胡俠提到人形機器人，很多人心中都有困惑：人工智能到底應該做“人擅長的事情”，還是應該做“人不擅長的事情”？我相信大部分人認為，它應該做“人不擅長的事情”——人能干的事情，不需要它來干，自己就干得很好；人不能干的事情，讓它來干。

什么叫“人不能干的事情”？有幾個方向，比如：

（1）高風險，像爆炸、挖礦、塌礦，人不能去； （2）高強度，背500斤背不動，要讓機器人來干這樣的事情； （3）高精度，0.1μm的東西，人手有時候抖，控制不住； （4）高惡劣環境，不危險但很惡心，人一干就想吐，比如下水道。

在這四個場景中，人體結構沒有任何優勢，比如在戰場上或者在淤泥里，履帶肯定比四足或兩足要好很多。這個時候原先的基本假設就不成立：為什么要做人形機器人？人形機器人一旦學會了之后，人的通用能力自然就可以擴展。但機器人的定位，應該是做“人不擅長的事情”，人體結構在這個時候沒有任何優勢，不應該用這個方法來做，應該用別的方法。

其次，我們對人自身的理解，真的很深了嗎？人對自身的了解，還是非常少的，都不確定是否有1%。如果人對自身的機理都搞不明白，能否設置出模型機理？就像人工智能不能無師自通一樣。請問，誰能說得清楚人是怎么思考的？怎么用大腦控制小腦的？很多東西說不清楚，很抽象，我們經常講的是大腦、小腦互相做配合，但機理并不清楚，從原理上也做不出來。

回過頭來講，國家為什么要鼓勵人形機器人的發展？這是從拉動經濟消費和產能的角度說的。一方面，人形機器人，康養的、陪伴的，人手一個，量很大，資本很喜歡；另一方面，造機器人，我們的產能能夠被拉動起來，很多的鋼和材料都能用起來，就能帶動這一波經濟循環。短期之內我們還沒有找到更好的經濟增長點，也許有一天會有突破，即使沒突破，這也是一個很好的銜接。所以要分清楚什么是真正的“長遠目標”和“短期自救”，找好這個平衡。

03

垂域小模型是“押注”方向

鄭宇（主持人）：既然有挑戰，肯定也有機遇。請幾位老師簡短說一下，你們認為人工智能應該在哪些方面發力，做什么比較適合？以及是未來有希望的，雖然時間會長一點，但我們應該多投入、多鉆研、多花時間去搞的東西？

楊強：現在我們已經離不開人工智能了。我們手機上都有大模型APP，尤其是學生，如果離開了，可能分數就降低了；程序員也離不開大模型；再就是門禁、人臉識別、指紋識別，也離不開人工智能。現在人工智能已經變成了我們生活的一部分，很多都是深度學習的人工智能。

但是到了醫療領域，數據非常少。最近我跟一些醫生和教授聊天，他們手里的數據，幾百例都算多的，也許就幾十例，這種數據用深度學習都不行，只能用回歸模型，也就是特別傳統、特別簡單的模型。但這種數據集特別多，教授也特別多，所以我現在研究的領域就是如何把這些數據集、教授聚集起來，既保護隱私，又讓他們共享知識，建立一個全局模型，讓大家都受益。像我現在所做的遷移學習或聯邦學習，就是在這個方向發力。未來也許我們會看到很多垂域的小模型——這些小模型有無數個，在任何一個領域——可能我們能夠把這些小模型匯聚起來、串起來，完成一個復雜的任務。

胡俠：我還是接著聊幾句機器人。剛才抨擊得比較激烈，接著鄭宇剛才講的，我多說幾句。現在國家在大力投入機器人行業，很多VC熱錢也進入機器人行業。我跟這些投資人深度聊過，當時我有這個疑惑：大家明明知道機器人的泡沫這么大，短期內不敢說一定做不成，但做成的希望值還挺小，但為什么大家還愿意投入這么多的錢？

剛剛鄭宇談了一點。另外，從國家的層面來講，大家希望把這個生態做起來以后，用機器人行業的火爆倒逼技術的發展。剛剛我談的很多技術缺陷實際上還沒有解決，比如感知、傳感器、自由度的問題，如果這些基礎問題解決了，可以衍生一大批機器狗、無人機、掃地機器人……whatever機器人，都可以基于這套技術實現非常大的發展。它本身是否成功，我個人覺得不要緊，但是從技術布局的角度來講，如果能夠把這一批生態帶成功了，國家的投資、產業的投資將會非常成功。

胡俠教授

回答鄭宇剛剛提問的“機遇”問題，我想說一下中國的機遇有哪些：首先我看到了很多自主可控的機遇，雖然這一波AI發展得這么火，深圳各種各樣的產業、各種各樣的機器人應用鋪天蓋地，包括馬上在Las Vegas要舉辦的新一屆CES（International Consumer Electronics Show，國際消費類電子產品展覽會），可能過半的廠商都來自中國。

但是我們要意識到，Fundamentally，咱們國家的基礎軟硬件系統，實際被“卡脖子”卡得非常厲害。從非常底層的芯片來說，現在N卡絕對還是遙遙領先的。數字智能方面，要訓練一個規模更大的模型，極大的數量都是高度依賴N卡的芯片，CUDA系統把數字智能完全壟斷了；物理智能方面，如果要訓練一個具身機器人或具身系統，還是要高度依賴英偉達Omniverse整個生態。我國還沒有形成獨立自主可控的一套軟硬件協同系統for數字智能、物理智能，所以我覺得對咱們的產業和技術人員來說，都是非常好的機會。

其次，我非常認同剛剛提到的科學大模型。我們可以看到，過去專有的科學大模型，比如AlphaGo、AlphaFold，在通用的大模型，比如通義千問、ChatGPT、DeepSeek，都已經取得了非常大的成功。但怎么做“通專融合”的科學大模型？通用性能還不錯，又能夠做專業的事情，我個人覺得這是蠻大的機會。現在更多是做一些微調，但我看到之江實驗室做了一些努力，我覺得這是很有潛力的方向。

第三，安全可控的方向。從短期來講，涉及到幻覺等各種各樣的問題；從中期來講，讓語言大模型、多模態大模型、具身大模型真正在高價值、高敏感行業落地。比如大家還沒有在醫院，沒有在金融行業或其他高價值、高敏感行業看到特別多的大模型應用落地，這是因為安全可控做不好。從遠期來講，從政界最高層到學界最高層，他們都關心AI會不會有擬人化的風險。因為有很多實驗表明，AI已經在尋求權力了：首先，它尋求自己要survive，然后尋求權力、尋求資源，在不久的將來與人類爭權力、爭資源，形成一系列問題。

從短中長期來講，安全可控一定是AI最有潛力的發展方向。安全這個方向，雖然大家多多少少都有提及，但還遠沒有形成生態，遠沒有形成產業。怎樣把safety as a service（安全即服務）做起來還是很重要的。

薛貴榮：第一，我們的大語言模型的參數量還不夠大。國內的模型參數可能才達到1萬億，國外現在已經快達到7萬億了，這之間存在著差距。大模型規模會帶動底層基礎設施到上層的算法、數據等的一系列革新。

模型好了以后，可以做的東西太多了，這件事迫在眉睫。所以無論是通義千問也好，DeepSeek也好，還是其他的國產大模型，能力要追趕上去。在這個基礎上，企業的AI應用可能才有機會。再談到人工智能+科學，數學是科學的哲學，首先我們要把數學搞好，同時增強對物理世界的感知。所以用人工智能把數學學得很好、把物理世界理解好，這兩件事情也非常重要。

鄭宇（主持人）：其實我們還想繼續聊，但因為時間問題，我們要結束這個panel了。一方面，大家以后聽到“人工智能過去是以年為進展，現在是以周為進展”的觀點，要小心、要冷靜；另一方面，要保持對人工智能長遠發展的信心，選擇正確的方向，堅持做該做的事情，這樣人工智能才能有一個美好的未來。謝謝大家。