薛澜谈AI下半场：构建新型社会技术系统是关键
2026年7月3日，清华大学举办了中国数字经济发展和治理学术年会。清华大学苏世民书院院长、文科资深教授薛澜发表了题为《人工智能技术的社会应用——治理挑战》的主旨演讲。以下内容基于薛澜教授的现场发言整理。
薛澜：人工智能技术的社会应用——治理挑战
很荣幸参与今日的会议。我主要探讨人工智能如何在社会层面发挥更大价值。近年来AI进步神速，继语言大模型后涌现出具身智能，业界普遍认为今年是具身智能的元年。从技术视角看，过去两年的发展日新月异。相比之下，社会技术体系的构建显得滞后。可以说AI已步入下半场，构建适应社会需求的技术体系迫在眉睫。接下来我将就此展开论述。
目前关于AI的讨论多集中在大模型上。大模型能力突飞猛进，从ChatGPT到Gemini再到Mythos，一代比一代强。这无形中形成了一种认知：算法优化、模型迭代、算力增强会推动产业升级和社会进步。有人预测两三年内实现通用人工智能，万亿级经济增长将成定局。这背后的逻辑是“技术决定论”——只要技术向前，社会价值必然同步增长。然而，若深入分析AI对各行业的实际影响，除了少数行业外，多数行业呈现“雷声大、雨点小”的局面，大规模应用成功多为特例。咨询公司的报告也显示，许多企业在AI应用上投入巨大，但收益远低于预期。
造成这一现象的原因复杂。例如医疗领域，AI影像判断曾报道比医生更准，但责任归属问题让决策难以落地。再如自动驾驶，技术层面虽已成熟，但在美国调研时发现，尽管高速公路长途运输场景适合，但卡车司机工会强烈反对，阻碍了落地。这些案例揭示了技术预期与社会应用之间的巨大鸿沟，挑战了技术决定论。如果说上半场重点是技术突破，那么下半场的核心问题便是如何实现有效应用。
优化AI社会应用的关键，在于构建一个技术与社会深度融合的新型系统。传统技术决定论认为技术独立发展，社会需被动适应。虽然这在科技社会学中仍有流派，但更多人认为技术创新与社会变迁并非简单的线性关系。尤其是AI这种影响深远的技术，必须置于广阔的社会背景中，考察其与组织、制度、文化的结合方式。
科技社会学对技术决定论进行了反思，指出了单向影响的局限，发展了技术社会构建论、大型技术系统理论、行动者网络理论等，强调技术是嵌入社会关系的存在。近期提出的“共同演化”理论认为，技术与社会相互影响、双向适应，涉及微观、中观、宏观多个层面。
微观层面看，技术改变组织结构，组织反向塑造技术。例如AI在垂直领域应用时，不同公司引导技术向不同方向演进：谷歌侧重信息检索，金融机构强调风控等。每类公司的特定需求形成了对技术发展的选择性压力。
宏观层面，制度与文化对技术边界的外部重构至关重要。欧盟《数据保护法规》严格界定了数据应用边界，这背后是欧盟特定的文化环境。
综合来看，汽车在人类社会的演化史是技术与社会互动的最佳例证。从卡尔·本茨的早期原型到成为推动社会发展的核心力量，背后是一段曲折的历程。
第一阶段是本茨发明内燃机后的十余年，技术孤立发展，汽车仅是少数富人的身份象征，未在大众中普及，配套社会体系缺失。
第二阶段（约1910-1945年）是技术社会系统形成期。福特推出T型车，将售价降至300美元，中产阶级得以负担。同时，配套体系建立：政府系统性建设公路网，加油站和金融服务应运而生，交通法规（驾照、红绿灯）也同步完善。这些软硬设施的完善刺激了购车需求，促进了汽车的应用与扩散。
第三阶段是社会重构期。汽车普及推动了美国郊区化，城市结构因通勤需求改变。郊区兴起购物中心和超市，城市-郊区空间形态被汽车深度重塑。此外，汽车消耗大量石油，催生了以石油为核心的全球地缘政治体系，深刻影响了国际政治格局。
可见，汽车发展并非单纯的技术进步，而是与技术、文化、产业网络、国家空间及国际政治深度互动，形成了以汽车为核心的社会技术系统。
对比当下，我们需要构建以AI为核心的新型社会技术系统。目前AI（大模型）相当于汽车时代的发动机。AI面临的问题不仅是技术成熟度，更是配套系统是否完整，如同汽车时代是否建好了道路、规则和文化。
综合各方观点，构建AI社会技术系统需发展相互嵌套的三层软硬件基础设施：硬件基础设施、制度与治理结构、组织与文化体系。学者将其称为“智能社会技术系统”（iSTS）。与传统的不同，智能时代的AI代理是人机团队的合作者，系统需具备应对动态环境和不确定性的敏捷性与自适应能力，设计目标从“控制变化”转向“应对变化”。
AI时代的硬基础设施相当于汽车时代的公路系统。目前各国重点投资算力基础设施（智算中心）。产业层面已形成涵盖芯片、服务器、数据中心的多层次市场。底层是半导体芯片（GPU、CPU、NPU、TPU）作为计算引擎，英特尔、AMD、英伟达及华为、寒武纪等厂商竞争激烈。上层是AI服务器和超大规模数据中心，支持高密度机架和先进冷却。此外，数据存储中心也不再是简单的仓库，而是驱动AI进化的核心引擎，数据的质量、代表性和可靠性直接影响AI系统的训练和推理效果，数据