【文/观察者网专栏作者 谢耘】 今年七月初，在上海一所著名高校任教的一位资深软件工程学者收到我新出版的《工具的苏醒——智 能，理解与人工智能的本质》书后，我们有了下面这样一段在微信上的对话。 教授："感谢您的大作，很多观点我认同。我属于AI悲观派，只认为AI做了简单重复劳动， 复杂的话还是要人来解决，虽然可以做软件编程，但是对于它没见过的问题编码错误极 大。" 我："总有人出于其它目的去神话它。" 教授："计算机界研究偏理论的乐观派多，偏 工程的较现实。" 我："但是偏理论的人也拿不出什么科学理论依据。都是他们个人的信 念、猜测而已。我在书中对AI的'理解'能力做了比较深入系统的剖析，至少我没有见到他们 做过什么类似的理论分析来支撑他们的观点。" 看了辛顿讲演的材料后，我与这个朋友交流了感想。 我："他这里经不起推敲的内容有点多。首先'智能本质在于推理'就是有问题的。这是典型 的西方文化唯理性论的思维，以偏概全。而且人工智能靠统计方法和暴力计算在工匠技艺上 有再大的突破，也不等于科学原理的突破。" 朋友："辛顿现在是走场专家，他的讲稿与刚 刚前几天在英国讲的内容一模一样，内容不重要；同时，邀请他来的机构/组织 ...

人工智能理论争议 - 乐观派认为人工智能本质在于推理，但这一观点被批评为西方文化唯理性论的思维局限[4][11] - 悲观派指出大语言模型仅懂概率计算而非概念推理，缺乏真正理解能力[5] - 中间立场认为大语言模型具有文字符号层面的统计性理解能力，但与人类理解存在本质差异[7][8] 人工智能技术现状 - 当前人工智能主要依赖统计方法和暴力计算，属于应用层面的工匠技艺而非理论突破[14] - 2024年OpenAI发布的Sora视频生成模型被过度解读为"世界模拟器"，实际未突破物理定律发现[15] - 计算机在特定智能活动(如计算)上已超越人类，但整体仍无法替代人类意识活动[20] 行业发展阶段 - 人工智能领域缺乏符合现代科学规范的基础理论，仍处于技术积累阶段[10][11] - 2024年诺贝尔物理学奖授予AI学者被视为基础科学进入停滞期的标志[12] - 信息技术应用应超越单纯替代人类劳动，聚焦拓展人类活动深度与广度[19][21] 历史发展规律 - 现代科学经过400年发展已遇到"止境"，进入"后科学"时代面临理论突破瓶颈[24] - 传统工匠技艺发展缓慢且不可预测，现代信息工匠技艺可能更灵活但同样受限[22] - 制造具有人类意识的机器在可预见未来仍不可实现，因缺乏相关科学理论支持[23]

深入剖析苹果"掉队"根源，内部技术路线分歧是关键。公司内部长期存在两股力量的角力：一方致力于 探索通用人工智能（AGI）的"超级智能"愿景，追求科技突破；另一方则聚焦文本摘要、图像生成等实 用功能的快速落地。这种战略内耗导致决策低效与关键机遇错失。例如，早在2022年，苹果团队就已构 建起好几个大语言模型，却因公司高层质疑"实用性不足"而被搁置，错失先机。伴随战略摇摆而来的是 核心人才流失，OpenAI、Anthropic等新锐企业不断"挖角"苹果顶尖人才。 2025年，全球人工智能（AI）竞技场浪潮奔涌。微软、谷歌、亚马逊等科技巨头以及中国领军企业百 度、华为等，纷纷重金布局这场技术革命。然而，曾以颠覆性创新引领行业发展的苹果，近年来却异常 沉寂，显露出"掉队"迹象。 资本市场的风向标清晰可见。截至7月25日，凭借在AI算力芯片上的强势表现，英伟达以4.24万亿美元 市值登顶全球，微软以3.8万亿美元紧随其后。而昔日的行业王者苹果，市值已滑落至3.19万亿美元，与 英伟达的差距高达万亿美元。这一数字变化，不仅反映了资本的选择，更折射出AI时代产业格局的深 刻变革。 回望过去，苹果曾是AI领域的先行者。201 ...

行业格局与公司战略 - 美的集团通过2016年收购库卡机器人实现To B转型 布局四大板块：楼宇科技 工业技术 机器人与自动化 新兴AI业务[4] - 美的2023年启动人形机器人规划 凭借核心零部件技术积累和完整产品线切入赛道 2024年加速产品开发与应用尝试[4] - 库卡机器人主要服务汽车制造 3C 船舶 飞机制造等行业 在美的灯塔工厂应用广泛[5] - 格灵深瞳作为首家科创板AI计算机视觉上市公司 深耕金融安防领域 近期拓展体育考试训练和AI PC大模型一体机业务[5] - 真格基金重点布局AI与机器人早期项目 已投资月之暗面 Manus Genspark等具身智能企业[6][57] 技术演进路线 - 人形机器人关节数量从传统200+缩减至40个左右 强化学习算法显著降低调试难度[8][9] - 技术路线从液压传动转向电动传动 控制方式从rule-base转向learning-base 中国供应链优势推动成本下降[12] - 双足形态在动态平衡性上具优势 轮式更适合标准化场景 智元创新的轮足折叠设计尝试融合两者优势[13][16][19] - 五指灵巧手在70%场景可被两指夹具替代 但数据采集和复杂操作仍需五指结构[27][28] - 视频模型和world model成为具身智能关键技术 需解决物理世界数字化重建的高成本难题[37][43] 应用场景展望 - 工业场景将率先落地 上汽计划引入500台人形机器人进厂 聚焦搬运 装配等六大核心工序[9][15] - 家庭场景面临安全隐私等挑战 需分阶段从工业→商业→家庭推进 预计5-10年实现普及[13][66][67] - 家电机器人化成为新方向 如智能烤箱通过视觉识别和自动调节实现主动服务[64] - 高人力成本场景优先突破 如美国餐厅后厨等海外市场更具商业化潜力[58][73] 中美竞争态势 - 中国占据全球40%人形机器人专利 机电产业链优势显著 核心部件价格快速下降[69][72] - 美国在AI基础技术领先 中国在场景落地和政策支持方面占优[70][71] - 人才储备呈现"中美华人竞争"格局 中国需突破算力瓶颈并拓展全球化市场[72][73]

具身智能与人形机器人发展现状 - 具身智能被视为通往AGI的必经之路 特斯拉Optimus和波士顿动力Atlas的进展引发全球关注 [1] - 中国在具身智能领域已从"跟跑"转向与美国"并跑"甚至寻求"弯道超车" [1] - 行业讨论焦点集中在电机供应链 强化学习算法 落地场景与资本路径 [1] 美的集团机器人战略布局 - 2016年起通过收购库卡等企业布局To B业务 形成四大板块：楼宇科技 工业技术 机器人与自动化 新兴AI业务 [3][4] - 人形机器人业务2023年启动规划 2024年加速发展 依托电机 减速机等核心零部件技术积累 [4] - 库卡机器人主要服务汽车制造(60%) 3C(20%) 船舶/航空(15%)等工业领域 [4] 格灵深瞳技术路线 - 中国首家科创板AI上市公司 深耕计算机视觉12年 覆盖金融安防 智慧体育等场景 [5] - 推出视觉基础大模型MVT 1.5版本 实现图像到视觉token的转换 [5][32] - 探索视频模型技术 提升机器人对动态场景的理解能力 [36] 人形机器人技术演进 - 关节数量从传统200+缩减至现代40个(全身30个) 强化学习使复杂控制成为可能 [8][9] - 技术路线从液压传动(波士顿动力)转向电动传动(中国供应链优势) [12] - 控制方式从rule-base转向learning-base 提升任务泛化能力 [11][12] 形态路线争议 - 双足形态：适合动态复杂场景(工厂阶梯 火星移民) 具备动力学平衡优势 [16][18] - 轮式形态：平坦场景效率更高(家庭 标准工厂) 安全性更优 [13][15] - 混合形态：智元推出可折叠轮足机器人 尝试平衡效率与适应性 [20] 灵巧手发展路径 - 五指灵巧手：符合人机交互直觉 数据采集便利 但成本高达数万元 [22][25] - 两指夹爪：满足70%基础任务 成本优势明显 成为当前主流方案 [25][26] - 美的认为通用人形机器人必须配备五指手 工业场景则倾向专用末端 [22][23] 技术概念解析 - 具身智能：实现感知-决策-执行的完整闭环 需与物理世界持续交互 [30][33] - World Model：物理世界的数字重建 面临数据采集成本高难题 [40] - 强化学习：具身智能必备组件 但reward函数设计仍是关键挑战 [42][46] 中美产业对比 - 中国优势：机电产业链成熟(占全球人形机器人专利40%) 人才储备充足 政策支持力度大 [63][64] - 美国优势：AI基础研究领先 人力成本推动场景落地更快 [63][66] - 硬件创新中国占优(蔚小理等) 软件创新美国领先 全球市场成为共同目标 [66] 商业化落地展望 - 工业场景优先：上汽计划引入500台人形机器人 分阶段实现自动化 [9][60] - 家庭场景需突破：安全标准 隐私保护 个性化交互等核心问题 [61] - 数据采集瓶颈：需建立类似特斯拉FSD的规模化数据获取机制 [57]

行业与公司发展 - 2012年Hinton团队在ImageNet竞赛中以15.3%错误率夺冠，标志深度学习在图像分类领域的重大突破 [30][31] - 深度学习复兴的两大前提：2010年前后计算能力与大数据成熟 [34] - Hinton团队开发的神经网络技术使机器识别常见物体的准确度达到前所未有的水平 [33] 关键技术突破 - Hinton与搭档提出玻尔兹曼机和反向传播算法，解决机器"从数据中自动提炼内部表征"的核心难题 [20] - ChatGPT底层架构采用Transformer，属于神经网络的一种特殊形式 [13] - 2012年深度学习从纯学术研究转向产业应用，成为科技巨头战略核心 [42][43] 重大商业事件 - 2013年谷歌以4400万美元收购Hinton创立的DNNResearch公司 [40][41] - 谷歌随后以6.5亿美元收购DeepMind，该交易被视为谷歌最值得的投资之一 [54] - DeepMind被收购后开发出AlphaGo、AlphaFold、Gemini等里程碑式AI产品 [55][57] 行业影响与趋势 - 2019年Hinton与LeCun、Bengio共获图灵奖，表彰其推动神经网络成为科技产业核心 [59][60] - 2023年Hinton预警AI风险，提出"AI30年内导致人类灭绝概率10%-20%"的观点 [76] - AI发展速度超预期，Hinton修正预测认为"AI5年内可能比人类更聪明" [76] 行业应用前景 - Hinton认为AI将颠覆所有行业，仅水管工等需要高度创造力的职业暂时安全 [76] - 谷歌通过整合DeepMind与谷歌大脑部门，持续产出尖端AI产品 [57] - 全球科技巨头围绕深度学习重构业务，涵盖搜索、语音、图像识别、自动驾驶等领域 [43]

GPT-5技术进展 - OpenAI正在开发名为"通用验证器"的技术，可能是GPT-5的核心组件之一[1] - 该技术源于OpenAI去年发表的论文，通过小模型验证大模型的推理链并反馈奖励信号[1] - 验证者模型设计轻量化，适合大规模部署，明确为未来GPT部署准备[4] 证明者-验证者机制 - 采用双人格架构：证明者生成严谨推理，欺骗者植入错误逻辑[6] - 通过左右脑互搏游戏提升模型输出质量，类似GAN的对抗训练模式[5] - 训练方法使模型逐步产生结构清晰、逻辑严密的答案[9] 技术突破意义 - 代表AI发展从数据堆料转向架构创新的新阶段[11] - 可能突破当前数据瓶颈，实现更高级别的通用人工智能[11] - 系统将整合到未来主流模型的RLHF流程中[11] GPT-5实际表现 - 泄露版本显示存在GPT-5和5 Pro两个子版本[15] - 已具备生成动态效果丝滑的动画内容能力[17] - 可还原复杂游戏场景如Doom片段，展示强大生成能力[19] 行业影响 - 技术来自OpenAI已解散的超级对齐团队，显示持续研发路径[13] - 行业期待值达到新高，普遍认为将开启AI新时代[20][22] - OpenAI此前已在GPT-4代码助手中测试类似"批评家"机制[10]

未来产业发展规划 - 北京将建立健全要素联动投入、集成转化、合理增长机制，促进未来产业从研发创新到集群化规模化发展 [1] - 鼓励市区两级政府投资基金、国企基金加强对未来产业的投入，并引导社保基金、保险资金等长期资本投资 [1] - 聚焦城市交通、医疗健康、绿色能源、公共服务等领域，开放一批代表性强、影响力大的应用示范场景 [1] 技术创新与成果转化 - 完善工程化成果转化体系，鼓励高校、科研院所联合企业开展实验室技术验证与工艺优化 [2] - 建立覆盖"原型设计-概念验证-中试样品"的梯度开发机制，促进产品迭代熟化 [2] - 对在全国范围内首次试用的创新产品给予一定补贴 [2] 产业链与国际化布局 - 支持大型企业通过"新投资""新并购"推动产业链上下游裂变式创业，促进产业"强链""补链" [2] - 支持企业拓展海外市场，汇聚国际优质资源要素 [2] 重点技术领域 - 聚焦通用人工智能、人形机器人、6G、量子信息等领域，加强新场景谋划 [1]

当业界探讨智能体功能、开发环境时，近日北京智谱华章科技股份有限公司（以下简称"智谱"）低调发布新一代旗舰 大模型GLM-4.5，这是一款专为智能体应用打造的基础模型，在复杂推理、代码生成及智能体交互等通用能力上实现 能力融合与技术突破。OpenAI"跳票"多次的GPT-5也强调融合，并在6月底将智谱列入全球竞争对手，没想到智谱率先 登场，GLM-4.5的综合得分位列全球第三、国产第一。 在资本市场，智谱也是"沉默的领跑者"，4月已在北京证监局办理上市辅导备案，由中金公司担任辅导机构，成为第 一家启动IPO上市的"大模型六小虎"。根据辅导备案报告，8月智谱将进入正式辅导期第二阶段，在这期间，这家脱胎 于清华的大模型公司还密集收获多地国资的战略投资。从实验室到产业，智谱走出了中国通向AGI（通用人工智能） 的另一条路径。 全球第三，国产第一 最近的开源浪潮中，智谱的GLM-4.5发布仅2小时，就被X平台推荐上了首页，发布12小时后，它已经位列国际开源社 区Hugging-Face榜单全球第二，创增速纪录。 在涵盖研究生水平推理和复杂软件工程解题等12项全球公认的硬核测试中，GLM-4.5的综合得分位列全球第三，在 ...

刘嘉/文 编者按："深度学习之父"杰弗里·辛顿近日首次来到中国，出席2025世界人工智能大会，受到社会广泛关注。辛顿是一位颇具传 奇色彩的科学家，2024年，他因在使用人工神经网络进行机器学习的基础性发现和发明，被授予诺贝尔物理学奖。但他曾多次 变换学习和研究的领域，甚至一度离开学术界，他投身人工神经网络研究时，正值人工智能跌入谷底，他的研究被认为没有出 路，甚至当时多伦多大学校长曾说过："我们学校一个疯子就够了，绝对不能进第二个搞人工神经网络的人。"但最终，人工智 能因辛顿等人引领性的贡献走出停滞，进入大模型时代。 近日，清华大学基础科学讲席教授、心理与认知科学系主任刘嘉出版了新书《通用人工智能：认知、教育与生存方式的重 构》。在新书的跋里，刘嘉向读者讲述了辛顿的故事。作者为何专门介绍辛顿？这与作者自身的经历和本书的写作目的有关。 刘嘉在1994年读大学时就接触到人工神经网络，但当他1997年慕名拜访人工智能之父马文·明斯基后，却备受打击，明斯基对人 工智能的态度不算积极，刘嘉和他聊人工神经网络，但由于当时的人工智能正在经历第二次寒冬，所以连他也说不清未来走向 何方。因此他鼓励刘嘉留在麻省理工学院脑与认知科 ...