AI普及为何步履维艰？专家揭示核心障碍在于风险管控缺失

眼下，人工智能技术正经历快速演进，大模型与智能应用不断涌现，但与此同时，AI在更大范围内落地应用的困难也日益突出。6月23日，2026大连夏季达沃斯论坛拉开帷幕，一场主题为"AI无处不在，却非一蹴而就"的专题讨论中，多位学术界与产业界人士共同剖析这一行业瓶颈。

清华大学苏世民书院院长薛澜指出，要让人工智能技术深度融入社会，既离不开硬件基础设施，即数据中心、能源供应等实体支撑，也需要软性基础设施，即法律法规、行业监管制度。但当前软性基础设施的完善进度，远远赶不上前沿模型的更新节奏。从政策层面看，必须加快健全配套规范，才能促进技术广泛推广。

ATT数据首席战略官Roli Agrawal认为，企业对于AI大规模部署的担忧并非投入成本，而是风险难以把控，因此明确的AI操作边界、权限管理、全链条责任追溯机制，是AI产业规模化应用的前提条件。

6月23日，2026大连夏季达沃斯论坛召开，"AI无处不在，却非一蹴而就"分论坛现场。

论坛期间，薛澜提出，当前全球对AI的叙事呈现三条脉络，其一为前沿大模型赛道的全球竞赛，这也是媒体、行业聚焦的热点，每天都有新模型发布，竞争日趋激烈。但与之形成鲜明对比的第二条脉络却少有人留意，即前沿模型性能大幅提升后，在企业、高校、医疗机构等场景中的落地推广速度却相当迟缓，因此必须追问，为何尖端技术难以快速普及。第三条脉络为AI高速发展背后隐藏的各类风险，这一议题正逐渐受到关注。

AI规模化应用为何受阻？薛澜分析，若以汽车产业发展历程作参照，早期汽车问世时，没有配套道路，使用率极低，因此必须先修筑公路，公众才会产生长途出行需求，随后配套加油站，出现不规范驾驶、安全事故后，会倒逼驾驶资质要求、监管法规的出台。同样道理，要让人工智能技术深度融入社会，两类基建缺一不可，其一为硬件基建，即数据中心、能源供应等实体支撑；其二为软性基建，即法律法规、行业监管制度。

"但当前软性基建的完善进度，远远赶不上前沿模型的更新节奏。从政策层面看，我们必须加快健全配套规范，才能促进技术广泛推广。"薛澜表示。

Roli Agrawal也认同这一观点，孤立的AI模型难以产生实际价值，犹如"密封罐中的大脑"，再强大，能发挥的作用也相当有限，无法对接真实产业。而真正的产业智能化，是一套完整闭环，需要通过传感器采集真实数据，依托低延迟网络传输，经过云端、边缘算力和智能运算，最终输出可落地的优化指令并完成生产迭代。任何一环缺失，AI都会沦为"纸面智能"。

"企业对AI大规模部署的担忧并非投入成本，而是风险难以把控。"Roli Agrawal认为，AI自主决策一旦出现偏差，带来的损失会被产业场景成倍放大。目前全球普遍明确，企业需要为AI操作结果承担主体责任，这也意味着，明确的AI操作边界、权限管理、全链条责任追溯机制，是AI产业规模化应用的前提条件。

针对业内"监管规则会阻碍AI发展"的争议，薛澜认为，AI相关企业合规分为两条路径，包括外部政府监管政策以及企业内部自主合规体系。当前技术迭代太快，很多企业甚至无法预判自身AI业务会产生哪些潜在风险，很容易忽视合规建设。因此，越来越多企业已经意识到风险，主动搭建内部管控体系规避隐患，这也是行业主流发展方向。

当前，通用大模型算力成本高、投入大，行业内部竞争激烈，但一些轻量化AI的快速成熟，让AI技术从"重资产竞赛"转向"轻量化落地"，重塑行业竞争格局。

薛澜认为，轻量化模型会催生大量细分赛道的创业公司，快速落地各类垂直应用，AI智能体也给很多小公司创造了独特的市场机会，能够发展更快，找到自己的方向。

在业界看来，相较于通用大模型，轻量化AI更适配细分行业，能够精准对接工业、民生、服务业等垂直场景的个性化需求。

不过，技术提速也带来新的治理挑战和监管需求。薛澜认为，轻量化AI的发展会催生新的监管需求，原有监管体系难以完全覆盖，各国监管政策正在跟进。但行业永远是技术先行，规则滞后，核心挑战是如何让技术真正服务社会需求。