AI发展的核心驱动力 - AI飞跃的关键并非算法突破，而是数据规模与算力基础设施的长期积累[6][9] - 数据匮乏曾是核心瓶颈，ImageNet数据集的创建（1500万张图片）成为深度学习黄金时代的起点[7][8] - 算力等待期长达40年，早期理论（如1984年的微型语言模型）因缺乏算力与数据而无法实现[9][10][32] AI技术范式的现状与分歧 - 当前AI热潮与互联网泡沫存在本质区别，几乎所有GPU都处于全负载运行状态，需求真实且持续增长[16][49] - 算力繁荣具备坚实基础，但大语言模型范式能否通向人类级智能存在显著分歧，需要全新科学突破而非简单扩展[17][18] - 模型能力持续进化，已从记忆概括向推理分析及智能体特征演进，技术演化速度惊人[49][53] 下一代AI的发展方向 - 大语言模型主要处理语言而非世界，下一次飞跃将源于机器对物理世界的理解与互动能力[20][22] - 空间智能（连接感知与行动的能力）是当前模型的核心短板，也是未来机器人与具身智能的关键突破点[21][56] - 自监督学习重新成为重要方向，将从语言数据扩展至视频、传感器等非语言数据领域[44][48] AI的产业影响与基础设施需求 - AI正在从工具向"智能工厂"演进，GPU集群成为生产智能的基础设施，需要上万亿美元投资支撑数万亿美元产业[50] - AI应用仅开发了1%潜力，几乎人类生活的每个方面都将因AI提升效率，使用量呈指数增长[55][52] - 传统软件是预编译的，而AI必须实时计算生成智能，这种生产方式本身创造了庞大的算力需求[50] 对智能本质的重新定义 - AI的目标不是超越或取代人类，而是增强人类能力，让机器承担人类不擅长的任务（如识别上万种物体）[12][13] - 机器智能与人类智能是两种并行、互补的存在，如同飞机与鸟类的飞行方式差异[14][60] - 行业应关注AI如何增强人类在创造力、共情力等独特领域的优势，而非单纯追求"人类级智能"指标[13][15]