人工智能如何重塑社会？陈小平谈双智革命

当前人工智能迅猛演进，大模型与智能技术深度渗透社会各领域，不再局限于科研实验室，正系统性重构产业形态、生活模式与社会运行逻辑。人工智能究竟在颠覆什么？机遇背后潜藏哪些风险与伦理挑战？

5月8日晚，智酷 465 期，「智能体对行业用户的影响、风险与对策」系列讲座NO.3，中国科学技术大学机器人实验室主任、广东省科学院人工智能首席科学家陈小平主讲《从技术到社会：人工智能正在颠覆什么？》，山西大学哲学学院教授梅剑华点评，北京信息社会研究所所长王俊秀主持。

本次讲座立足技术前沿与社会现实，突破纯技术视角，由技术演进延伸至社会变革，深入剖析AI带来的结构性冲击，解析智能时代的发展趋势、行业重构与人机协同的未来图景，引导公众理性认知AI、主动适应变革。

以下为陈小平老师发言内容：

大家晚上好！今天很荣幸能在线上做这个分享。正如主持人王老师所说，当前智能体对社会影响深远，前两期已作相关探讨。今天我想站得更远些，重新审视这个问题。

当前主流智能体基于大模型构建。有观点认为，其能力上限由大模型决定。但并非所有方面都如此。从技术角度看，本轮智能体发展确实受益于大模型的突破，而大模型的技术特性也深刻塑造了其应用边界与社会影响。我的分享将从大模型切入，但不止于技术，而是基于对技术颠覆的理解，进一步探讨其对社会的深层影响。

本次讲座内容分为四部分，对应四大颠覆方向，旨在引发共同思考。

第一，从单智假设到双智假设。我认为当前正在发生的根本性颠覆，是双智假设取代单智假设。

第二，在生成式AI乃至整个信息AI范畴内，实例性正在挑战概括性。概括性是科学自古以来的世界观与方法论。如今，在AI领域，概括性正遭遇实例性的强力冲击，甚至可能被颠覆。这引发深层疑问：整个科学体系是否也将被实例性重构？

第三，从信息化思维到第一性原理。AI若要真正融入生活与实体经济，必须进入物理世界，而不再局限于信息空间。信息AI建立在信息化基础上，而当AI走向物理世界，新的趋势浮现：以物理世界的第一性原理为起点，而非以信息化的可计算性为前提。这将引发一场更大范围的根本性变革——第一性原理可能颠覆信息化思维。

第四，以上三点从技术层面分析AI的颠覆性力量。在此基础上，探讨第四个维度：由技术变革引发的社会转型——从工业社会迈向智能社会。

关于机器智能，存在两种基本假设。虽少被明言，但它们始终在运作，并常发生冲突。

第一种是单智假设：认为世界只有一种智能——人类智能。所谓机器智能，不过是用机器模拟人类智能的运行机制。除硬件差异外，二者无本质区别。换言之，它们是同一种智能，只是载体不同。因此，单智假设意味着AI的拟人化：以人类为原型判断其优劣，本质上假设世界只存在一种智能——人类智能。

尽管此观点流行，我并不认同。早在2004年首届“心灵与机器”学术研讨会，我就探讨了“Artificial Intelligence”的翻译问题。我提出，“Artificial Intelligence”应译为“人造智能”，指区别于人类智能的另一种智能类型。这一观点的前提正是“双智假设”——假定存在两种不同智能，否则无法区分“人工”与“人造”。

近年，我在多场演讲与论文中持续阐释双智假设。需说明：该假设源于我对图灵思想的解读，图灵本人未明确使用此术语。这是我基于理解提出的观点，供学界检验。

近年我进一步提出：人类社会正步入“双智社会”，即两种智能并立的社会。

图1 原始PPT节选

图1是2004年会议使用的原始PPT，探讨了“人工”与“人造”的区别。我发现汉语“人工”与英语“artificial”语义几乎完全一致。语言的核心在于用例，典型用例决定词义。例如：人工降雨、人工繁殖，英文均有对应表达。其核心含义是：产物真实，与自然存在物一致，但生成过程非自然——非自然方式制造出真实之物。

而“人造”则不同。如“人造革”“人造海蜇皮”“人造棉”等，其产物本身并非原物：人造革不是真皮，人造棉不是天然棉。其过程与产物皆非自然。这才是“人造”的本质。

当时我观察到：国际AI研究，包括中国，约90%实际研究的是“人造”智能，仅不到10%的研究者认为自己在研究“人工”智能。这一现象在中国尤为突出。许多人认为，“人工”智能才是真AI，“人造”智能只是伪AI。

现在，或许是时候转变这种认知了。

图2 图灵测试（1950）

回到图灵1950年提出的“模仿游戏”——后称“图灵测试”（图2）。其核心构想：一室为机器，一室为人，外部裁判通过问答判断哪个是人、哪个是机器。若无法区分，则判定机器“有智能”。

对图灵测试的批评众多，但关键在于：图灵所说的“机器有智能”，与大众理解的智能不同。多数人持单智假设，心中AI是“人工”智能。而我认为，图灵秉持双智假设。最有力证据藏于他1948年的内部报告（后收录于图灵图书馆）。报告隐含一个观点：机器智能的机制可与人类相同，也可不同——他接受两种可能性。

我进一步区分：机制相同为“原理模拟”，机制不同为“功能模仿”。功能模仿即“人造”智能，是实现非人类原理机器智能的方法论。图灵在1948年报告中，具体探讨了功能模仿的实现路径。他不仅提出全新可能，更首次探索了技术路径。

功能模仿颠覆了人类对“智能”的固有认知，堪称科技思想史上的划时代突破。

1950年图灵在《Mind》发表论文，聚焦1948年报告的部分内容。其背后隐含一个我称之为“图灵假说”的观点：计算机可模仿人类智能的部分行为。

请注意，是“模仿”而非“模拟”。图灵指出，可模仿推理、决策、学习、理解，甚至“创造”。这些行为可集成，形成“集成智能”。

模仿的标准是什么？图灵认为：若机器行为与人类行为无法被分辨，则模仿成功。这是图灵假说的核心，他相信这可行。该假说的前提是：无需区分机器与人类智能的内部机制是否相同。

图灵测试的作用，是替代图灵假说。图灵追求科学严谨，设计实验而非依赖语言描述。通过测试，可间接验证假说——通过即成立，未通过即不成立。这使科学实践得以在“智能”定义尚未明确前展开。

至今，人类仍未找到能精确描述“智能”的科学语言。图灵测试让我们在语言缺失时，仍能推进AI研究。事实上，这种语言和定义，是AI实践的产物，而非前提。

回顾70余年，AI发展始终延续图灵思想，局部被实践修正，新技术层出不穷。但多数人仍固守单智假设。

有趣的是，中美普遍倾向单智假设，欧洲则相对较少。受此影响，“Artificial Intelligence”被译为“人工智能”，许多人误以为其本意是“人工”智能，应与人类智能机制一致。

图灵是AI奠基人，之后出现四大领袖，John McCarthy是其一。他提出“Artificial Intelligence”一词。后人常问他其含义，他整理回答并发布于个人主页（现由斯坦福大学维护）。其中第四个问题：“人工智能不就是模拟人类智能吗？”——这正是单智假设的拟人化观点。

McCarthy如何回答？他说：“有时是，但并不总是，甚至通常不是。”一句话定调。他解释：我们常教机器人类方法，但AI主要研究智能如何应对世界问题，而非研究人或动物。AI研究者可自由使用人类未观察到的方法，或计算量远超人类的方法——这正是大模型的现状。

可见，AI奠基者从一开始就清晰认知：他们不认同拟人化。McCarthy的“Artificial Intelligence”并非“人工”智能，其观点与图灵高度一致，我推测他读过图灵1948年报告。

再看数学界变化。菲尔兹奖得主陶哲轩于2026年3月20日提出新观点：过去我们视人类智能为宇宙中心，这正是单智假设。现在我们看到，存在完全不同类型的智能，各有优势与劣势——这正是双智假设。他进一步指出：AI擅长广度，人类擅长深度。国际数学界正转向双智假设。

为何说陶哲轩代表数学界？他与Timothy Gowers共同领导AI重构数学研究的全球行动。在所有学科中，数学界是最大规模、最系统地用AI改造自身生产方式的领域。陶哲轩的观点源于实践，非泛泛而谈。

再看《人工智能时代与人类未来》一书，作者为基辛格等三人。基辛格晚年专注AI研究，召集一线团队座谈，整理成文，最终成书。

书中关键观点：第一，“图灵认为，重要的不是智能机制，而是智能表现。”——这正是图灵1948年报告的核心。第二，“自那时起，图灵和McCarthy对AI的判断成为业界基准。”——这并非作者观点，而是参会团队的真实认知。令人深思：他们私下表达的，与公开言论截然不同。

书中还说：“AI不仅处理数据更快，更关键的是，它觉察到了人类未察觉、甚至无法觉察的现实。”若AI与人类智能同源，为何人类做不到？唯有双智假设下，此现象才可能成立。

书中进一步指出：“数字化与AI产生了真正的新现象，而非以往事物的升级版。”——这直接否定单智假设。AI不是人类智能的复制，而是本质不同的新现象。什么是“本质不同”？书中未解，我将在后续阐述。

回到我的观点：双智假设认为，两种智能原理不同，各有先天局限；正因局限不同，才构成不同种类，但表现常难区分。核心结论是：第一，人类智能不会被完全取代，二者可长期共存；而单智假设下，人类智能无未来——这是好消息，也有坏消息。第二，人类不再是唯一智力霸主，将进入双智社会。

过去我们理所当然认为，人是社会的主宰。但在单智社会中形成的社会机制，能否有效引导双智社会？我认为不能。我们面临全新挑战：应发明何种机器智能？所有科学上可行的技术都该开发吗？哪些技术不该发明或使用？机器智能将如何影响人类？带来哪些科学、伦理与安全问题？

这看似宏大，实则关乎每个人。我后续将说明为何如此。

总结第一部分：第一，图灵思想正引发科技史上的“新哥白尼革命”。单智假设如地心说，双智假设如日心说。我们凭经验仍信地心说，科学却证明日心说正确——双智假设亦然。

第二，符合双智假设的AI是新智能；符合单智假设的AI是旧智能，与人类无本质区别。若想世界更有趣，应支持双智假设。否则，只是复制人类，再由机器取代，世界将无趣且无情。

第三，双智假设下，机器智能将带来从科学到社会、从物质到精神的全面颠覆。因此，我们必须具体了解：当前AI技术正发生哪些颠覆性变革？

什么是概括？中英文定义相近：从个别对象的特殊属性，推广至全体对象，形成普遍性认知。

以牛顿力学为例。其四大基本原理均为概括性公式：运动三定律与万有引力定律。从这些公式出发，通过逻辑推导，可得出所有定理，如第一、第二宇宙速度。这些定理指导人造卫星设计：若速度介于两者之间，必成卫星。若无此概括体系，人类无法预知卫星运行规律。

概括性自此成为科学世界观与方法论。各学科皆试图寻找本领域的概括性原理，因其蕴含可解释性、普遍性、可预测性——缺此则无科学。

然而，大语言模型（LLMs）的出现，首次对这一根基构成重大冲击。以下分两节说明，技术不感兴趣者可跳过（一），直接看（二）。

（一）大模型底层机制的数学模型

大模型含三大模块：预训练、后训练、激发。我发现预训练与激发共享基础：关联度预测。2023年7月，我在《智能系统学报》论文中形式化了关联度预测，用类LC系统描述，使其从黑箱变为灰箱。类LC系统也可部分描述后训练，但尚不完整。

类LC系统刻画了预训练与激发的底层机制——关联度预测，并获实验验证。今日讨论聚焦于此。

类LC系统含三条公理（图3），其最大特点是：同时拥有概括性与实例性两个版本——这是科学史上首次。

图3 关联度预测的数学描述：类LC系统

先看实例性版本语法：(1)基本符号：C为关联度函数，ai、b、c为具体词符，a1n为词符序列（语境）；(2)关联度实例：2元C(ai,b|a1n)表示在语境a1n下ai与b的关联度；n+1元C(a1n,b)表示语境a1n与b的关联度；(3)公理实例：由关联度实例与≤、⊃、∧、argmaxb组合而成。例如，公理1的实例即2元实例本身；公理2规定2元与n+1元关系；公理3取argmaxb中值最大的b。注意：实例性版本无变元，词符、语境、C是载体。

但语法不决定值。严格说，前述为“实例表达式”。当表达式被赋予具体值（如C(ai,b|a1n)=0.6），才构成真实实例。

值如何确定？通过训练。预训练中，语料被切为词符与序列，通过统计提取关联度实例值（图4）。

图4 类LC系统的实例性

在实例性版本中，所有实例均带值，构成公理实例集合，即类LC系统的实例性版本。

关联度预测（即生成下一词符）被抽象为类LC系统的推衍（图5）：比较n+1元实例值，依公理3选b。

但训练不保证满足公理2。类LC公理2有时成立，有时不成立。以x+y=z为例：若训练产生0+0=0、0+1=0、0+2=2，则第二式不成立。类LC公理2类似，若实例违背公理，推衍可能出错。

图5 类LC理论的双重角色：概括性和实例性

此外，训练值有时真实，有时虚假。因真实语料不足，需算法“放大”，但放大语料未必真实，含噪声。结果，部分关联度实例值失真，导致“幻觉”。

再看概括性版本：C仍为关联度函数，ai、b、c、a1n为变元。代入具体词符即得实例。语法与以往数学理论一致。

若用训练赋值，概括性版本即与实例性版本无异。因此，概括性版本中，值保持不确定，无法用于推衍。那它有何意义？

它表达一个理论假设：存在一个关联度函数C，使所有语料满足LC公理。这隐含：关联度预测遵守基本约束。公理1：2元值在0-1；公理2：2元与n+1元关系；公理3：选b规则。虽难完全满足，但作为训练依据仍有效。

更重要的是，基于概括性版本，可推导出关联度预测的若干性质。例如：关联度预测不遵守经典传递性。而传递性是逻辑基本要求，故大模型不完全遵守逻辑，必然出现逻辑矛盾。同理，它也不完全遵守数学规律。这些性质已被大量实验验证，间接证明类LC公理刻画了大模型内在规律。

进一步分析表明，这些性质源于更深层基础——实例性：大模型“学会”的不是概括性机制，而是一个个带值的实例，这些实例与真实、与理论均不完全一致。因此，关联度预测基于实例性，非概括性。

前文说，概括性原理用有限公式推导全部规律。但关联度预测不满足此要求。不过，借助类LC的两个版本，仍可获得弱化的普遍性、可解释性与可预测性。

（二）大模型的奇异表现及其科学解释

大量测试揭示大模型的奇异表现：既能解专业难题，又犯低级错误。单智假设下，这不可解释。但实例性可解释，甚至预言了这些现象。

例一：泛化能力测试（图6）。预训练后，用新数学题后训练，如：⌊n²/4⌋-⌊n/2⌋²=2，求整数n。模型学会后，对题做微扰：⌊n²/9⌋-⌊n/3⌋²=2，求最小整数n。结果，18个模型均答10和13。但最小整数应唯一，应为10。

这表明：模型具备泛化能力（10、13代入均成立），但未掌握“最小整数”概念，否则不会选两个。

例二：视频中人走路“换腿”，右腿变左腿。类似案例频现。说明模型不掌握“腿”等概念。

“会说”≠“真懂”≠“会用”。考试考的是会不会用知识解决问题，而非复述定义。

为何无概念能力？因关联度预测是实例性，只用单个实例，而概念是概括能力——用统一机制处理所有实例。正确实例得正确结果，错误实例得错误结果。

图7 深度测试：计数？

例三：计数。公式含27个否定词~，模型数出28个。一张伪造六指手掌图，除Gemini外，所有模型答五指。提示“5只灰狼崽”，生成视频中狼崽非五只。说明模型不会数数。

这仅是细节缺陷？否。2024年谷歌团队论文明确：Transformer算法本质不会数数。原理上，数数是抽象运算，需概括性能力；而类LC只掌握实例，真假混杂，故有时对、有时错。

再看规划：有人认为大模型可直接规划机器人行为。但清华与Gowers测试证明其规划能力不足。如“农民带两只鸡过河”，一次即可，模型却答需5次。因模型未理解“农民=人”“鸡=动物”等基本逻辑关系。再次证明其缺乏逻辑能力。

总结第二部分：第一，大模型通过训练获得海量实例，部分正确、部分错误。对人类易想的实例，模型表现好；其他则难言。这解释为何大众评价高。同时，模型未建立概括机制，实例性正大规模进入生活、科研，对科学传统构成颠覆性威胁。实例性是突破，也是局限——不会数数、无概念、无抽象能力，但某些方面极强。引发疑虑：实例性会取代概括性吗？科学世界观会被颠覆吗？

第二，实例性在认知上有何意义？概念、逻辑、数学存在于人脑；文字只保留其实例。大模型将文字实例转为关联度实例，用于回答问题。它掌握的是“实例”，而非“机制”。人类认知内核未被迁移。因此，人类不会被完全替代。我提出两项重大判断：一、人类认知机制本质上是概括性的，大模型未获得；二、人类部分认知的海量实例正快速迁移至机器——人类史上首次。

第三，任何通用大模型，若基于类LC理论，即为实例性系统，无法彻底消除幻觉，也无法独立高可靠。根本突破需根本创新。

信息人工智能在信息空间解决问题，加上传感器与执行器，可处理物理世界部分任务。但其依赖“信息化假设”：外部信息可被传感器获取，据此决策并执行。此假设极强，多数情况不成立。

物理人工智能基于物理世界第一性原理，通过物理改变、交互与规律决策完成任务。它无需信息化假设，立足物理规律，通过创造条件、控制时机实现目标。

二者皆可解决物理问题，核心区别：信息AI靠计算，受限于图灵可计算性；物理AI靠物理规律，超越图灵可计算性。原理根本不同，适用范围迥异。扰动是物理世界非封闭性的典型表现。物理AI适用于有扰动场景；信息AI仅适用于无扰动、封闭、完全信息化场景。

实践中，二者常集成使用，称“集成智能”。虽称“具身智能”，但对中国制造业升级而言，物理AI作用更大——无扰动场景已基本自动化，亟需智能化的场景多具扰动、非封闭。

例：中科大2017-2018年柔性机器人实验。关键部件为刚柔合一手爪，可抓起整块软豆腐（人两指抓不起）。传送带上方仅低成本摄像头，仅知物体大小、朝向、位置，无法区分豆腐与木块。无传感器，未调参数，仍能抓起不损。信息AI认为信息不足；物理AI却能完成。

为何能抓？回归第一性原理：抓取需满足三条件：1. 重力 < 摩擦力；2. 摩擦力 = 夹持力 × 摩擦系数；3. 压强 < 屈服压强。若任一不满足，抓不起或损坏。

信息AI只考虑夹持力，因无法感知摩擦系数。但物理AI同时考虑两者，可通过物理改变（如表面处理）提高摩擦系数，从而减小夹持力，实现“抓得稳、不压坏”。

物理AI突破在产业上价值巨大。全球制造业中，自动化成熟，但柔性对象（柔软、易变、易损、不规则）仍是难点。国家“十五五”规划重点产业：钢铁、石化、船舶、电子信息、机械装备、军工、纺织、建筑，均含柔性对象与非封闭场景。医药、农业、电子元器件亦然。这些行业无法完全信息化，能否升级，关键在能否应对柔性对象——这正是物理AI的用武之地。因此，物理AI是制造业提质升级的突破性技术。

总结第三部分：物理AI与信息AI是AI两大方向，分别基于第一性原理与信息化。信息AI中，实例性是颠覆性变革；物理AI是整个人工智能的颠覆性变革。信息化思维源于第三次工业革命。此后，我们默认一切皆可归结为信息。物理AI让我们回归物理世界，超越信息化思维，引发自第三次工业革命以来最深刻的思想与技术变革，具重大科学意义与产业前景，是中国制造业升级的关键技术。

最后，前述三大颠覆映射到社会，将产生何种影响？

从大模型切入。大模型用公域数据训练后，可回答普遍问题。随着用户使用其回答私有问题，模型逐步积累私域数据，用于再训练。初始回答不佳，但通过实例学习，性能提升，带来全面减人增效。

对研究者，AGI/ASI理想实现，但社会后果呢？程序员担忧：未来我做什么？服务业中低层亦忧。趋势：大批专业人员转向制造业。但疑问仍在：除约10%高级岗位，其他人岗位会被AI取代吗？

原因在于：大模型以实例到实例方式，掌握了白领岗位的常规技能。凡被文字记录的人类技能，皆为文字实例；大模型可从中提取关联度实例，将人类经验大规模迁移至机器。虽人类认知内核未迁移，但白领工作多为可文字化技能，正快速被机器接管。即便出现新岗位，只要依赖这些技能，仍属AI优势区。

全球AI应用现两条路径：

第一条：高成本+闭源+通用AI的超级垄断路径，由美国头部公司推动。将催生“巨角兽企业”——人均盈利超10亿美元。进一步发展，社会进入“巨角兽经济”——少数企业承担全部生产。我提出“巨角兽”，因“独角兽”已不足以描述AI时代商业逻辑。

第二条：低成本+开源+专精AI路径，由DeepSeek等中国开源公司推动。预期形成数百万企业共享AI成果。若每家数十人，则数亿人共享红利，避免巨角兽经济。但开源不能解决所有问题。

当前态势：全球多数企业站队中国路径。2025年底，两份权威报告一致认为：中国正引领全球开源AI。数据支撑：前十开源模型中，中国占七家；前五占四家。2024年2月我预测：中国AI工程创新将百花齐放，引领全球——现已成真。

若美国继续垄断路径，后果如何？看Medvi公司：一人，2025年投入2万美元，营收4亿美元。计划2026年营收18亿美元——妥妥巨角兽雏形。

再看内容生态：网民生成内容平均展现率仅2%-5%，95%-98%无人可见。为何？供给远超阅读能力。

有人称：AI使内容生产力提升10倍，收入也升10倍。真如此？不。网民阅读能力不变，内容增10倍，展现率降为1/10，即0.2%-0.5%。你原来有一篇文章被看到，现在只有0.1篇。市场容量固定，供给增加，必然稀释曝光。

据此，需重新认识“AI平权”。

若美国继续此路径，未来“有工族”不足三万，“投资族”仅数十人，“无工族”占全国人口减三万，依赖全民基本收入，沦为社会旁观者。

美国大众是否接受？《纽约时报》称“硅谷堕落”，《华尔街日报》也质疑AI社会意义。为何？因巨角兽经济下，华尔街数十万人将仅剩几十人——利益受损者自然不满。

问题浮现：此路径似乎不对。工业革命究竟是什么？流行说法：“机器取代手工劳动”。过去我信，如今觉得不全。更准确说法：工业革命创立大批增人增效的新产业，使消费力与生产力同步提升、相互拉动。生产力提升，消费力随之提升，产品卖得出去，消费又拉动生产，形成良性循环——这才是“增人增效”实质。

有人称：工业革命用汽车取代马车，岗位未减。为何？因汽车产业创造远超马车的运输能力与更多岗位：驾驶员、工人、4S店、筑路工、交警——典型增人增效。

第一次工业革命是纺织革命：手工业转大工业，用工大增。其他产业亦然，普遍具增人增效特征。

但后工业社会转向“减人增效”：旧产业持续减人（如中国制造业十年减员超50%），新产业效率高、新增岗位少。总体呈减人增效趋势。

现出现“AI生产力悖论”：若无止境减人增效，生产力越强，消费力越弱，差距拉大，产品滞销，产生“幽灵GDP”，反而降低大众福祉。

如何应对？欧洲方案：高福利+休闲+借债——“躺平”。

美国三种动向：一、高福利+借债；二、开发伦理争议新需求，如性别觉醒。马斯克儿子变性，可口可乐、迪士尼纳入医保，国防部报销手术费——年轻人参军为获此福利。工业革命时代无此，为何现在？新需求枯竭？

三、更关键：美国经济主导思想从“创造性破坏”转向“创造性垄断”。证据：一、1984年拆分AT&T后，42年未拆分任何垄断企业；二、生成式AI正推动美国走向巨角兽经济。

中国怎么办？我认为，中国提出的“高质量发展”指明方向：未来重点不是单纯提效，而是提“质”。如餐饮业效率已高，质量仍有巨大空间；其他行业亦然。

2012年以来，我调研制造业13个行业，均在搞减人增效。中国重大课题是落实高质量发展，而非固守过时路径。高质量发展含五词：创新、协调、绿色、开放、共享。“共享”意味着拒绝超级垄断与创造性垄断。

最后总结：

第一，工业革命中，机器替代体力劳动，早期中期是增人增效，后期转向减人增效？我们是否需重新认识工业革命？是否应基于更全面认知，重新判断智能革命？

第二，工业革命早中期，机器依赖人类智力，机器越多，岗位越多，增人增效。如今，人类常规技能正史无前例地向机器迁移，覆盖白领岗位。若未来新岗位仍依赖这些技能，则仍属AI优势区。若智能革命无法延续增人增效，有何理由称其为第四次工业革命？

第三，在新条件下，我们是否仍应无条件相信“伟大技术必然造福人类”？工业革命时代，短期问题可事后治理，故可无条件推广。智能革命时代，是否依然如此？

我讲得较快，部分未展开，尤其制造业智能化部分，可参考我在《学习时报》2025年11月26日第06版文章《加快推动传统制造业智能化升级》（https://paper.studytimes.cn/cntheory/2025-11/26/content_9954800.html）。

谢谢大家！

根据点评回应部分

谢谢梅老师。梅老师作为哲学家，对认知科学深入研究，现也关注AI。其观点多与我一致，我再补充几点，主要关于AI未来发展，也是大家关心的。

我今天聚焦大模型、生成式AI等实例性系统。因实例性，AI有时处理好，有时处理差。头部公司会实时监控反馈，发现错误即改进。这让人误以为所有缺陷都可修复，但实例性决定了缺陷无法根除，总有些例子出错。

这引出深层问题：科研最终需走向概括性，因概括性意味着理解。但对大模型，尚无几条原理作为根基，无法彻底说清规律。若仅停留在超大神经网络，未达“理解”层次。考虑到AI正渗透科技界，疑问浮现：要么科技世界观彻底改变，要么必须发展AI基础理论。

AI有不同赛道。传统AI，我称“规划式AI”，专注推理、规划、知识图谱、本体等，以某种方式把握概括性。但应用苛刻，实用性差。如推理机强大，若将数学转为逻辑语言，其功效胜大模型。但转写过程痛苦，仅极少数人能承受，故几十年未普及。

如何缩小AI与用户距离？陶哲轩等人正探索。若成功，AI将进入新天地：兼具实例性与概括性，能力更强。这是一种可能。

大模型公司有两种路径：一种类似数学界；另一种试图在后训练中“一锅端”实例性与概括性。2024年上半年前，模型毛病多，后训练弱。后加强后训练，如DeepSeek投入巨大，情况更复杂。后训练可能融入部分概括性，但根基仍是实例性，变得极其复杂。

未来可能：纯实例性大模型简单，易控制；若后训练融合概括性，能力增强，但更难控制。这是另一可能。未来充满不确定性。

关于物理AI，梅老师表示理解与支持。过去AI界内外少提物理AI，多关注信息AI。信息AI必须发展，但需加强物理AI。

梅老师提到动物智能与物理AI相关。动物智能非通用，但借身体高效实用。一些动物神经细胞极少，能耗低，环境要求低，却在生存环境中高效达成目标。此现象值得重视。

过去重信息AI，轻动物智能。我同意梅老师：智能具广谱性。在人机关系高度，我们坚持双智假设；但在智能研究内部，需考虑谱系的复杂性与丰富性，大量课题待挖掘。AI进展对人类认知有启发，但回答人类认知问题的主力仍是认知科学、神经科学。如麦卡锡所言：AI不是研究人类或动物智能的。

最后，梅老师呼应了从工业社会到智能社会的新挑战：技术彻底改变，社会是否要变？我演讲中提到，美国正从“创造性破坏”转向“创造性垄断”，苗头已现。这是社会问题。创造性垄断有优势：集中资源，加速技术；但后果是社会极不公平，难持续。

中国该怎么走？我不贴标签，梅老师也没贴。我们不贴标签，聚焦问题分析，寻找解决办法。应探索适合中国路径，愿与哲学社会科学界深入交流。AI界可从技术角度说明“怎么回事”，在此基础上找对策。我相信，我们一定能找到办法。

希望未来有机会与梅老师、王老师及各位进一步交流。

（本文根据速记稿整理加工而成）

■ 扩展阅读

大模型为什么不会数数？陈小平深入解析大模型的发展和关键问题 | 锚点

机器人为何还没推开你家门？——陈小平谈机器人的发展 | 锚点

人类智能与人工智能的根本差别与相对优劣——兼论双智社会的最大陷阱 | 陈小平

风云之声

科学 · 爱国· 价值