AI 狂飙背后的冷思考：五大深层审视

近年来，生成式人工智能的爆发式增长深刻重塑了全球科技版图与国际政治架构，它不仅是创新竞赛的排头兵，更是资本市场的助推器和舆论焦点，甚至演变为大国战略博弈的关键筹码。然而，随着 AI 热潮持续升温，各类技术、商业及意识形态叙事相互交织，使得这项原本属于科技产业范畴的进步，迅速转化为全球秩序重构的核心议题。

面对此局，保持理性至关重要，因为人工智能浪潮越汹涌，越需对其底层逻辑与长远影响做出审慎研判。无论是生成式 AI 的技术路径，还是美国 AI 生态的潜在风险，抑或是全球治理的前景，都远比表面复杂，其未来走向或许完全超出当下的预期。

短短两年间，生成式人工智能从实验室的技术突破一跃成为全球焦点，其势之猛，足可与互联网及智能手机诞生时的技术革命比肩。特别是 ChatGPT 的公开，让人类首次以近乎直觉的方式接触能对话、创作、推理甚至模拟情感的系统，这种震撼体验让许多人确信“通用智能”时代即将来临。技术叙事与资本叙事此刻高度重合，形成了一种宿命论般的判断：AI 不仅将改变人类社会，且这种改变已不可逆转。

然而，越是身处热潮，越需冷静审视。生成式人工智能虽展现跨时代能力，但其本质仍基于深度学习与统计模式识别。它通过海量数据学习与语言序列预测，构建出“无所不知、无所不能”的假象。迄今为止，几乎所有顶尖 AI 学者都承认，这种看似“通晓世界、能言善辩”的能力，仅是基于语言预测的模拟，而非真正的“认知”或“意识”。这意味着，需理性看待所谓“AI 正逼近通用智能”的论调，避免盲目乐观，不被表象迷惑。

科学史上，对突破性技术的误读屡见不鲜，许多技术在早期常被赋予过高期望。例如，20 世纪 60 年代后，连接主义、符号主义等方向曾被寄予厚望，却因路径受限未能实现通用化；量子计算也在“即将突破”与“仍需积累”的叙事中摇摆。今天的生成式 AI 同样需经历历史检验，其未来不取决于当下的惊艳表现，而在于能否实现可持续且实质性的扩展。

更重要的是，AI 未来的突破路径未必局限于单一路线。尽管大模型目前占据主导，但其可持续性仍存争议。例如，模型规模是否有极限、算力能否应对指数级需求、数据资源是否枯竭、算法黑箱能否破解，这些都关乎大模型路线能否持续推动技术进步。事实上，AI 社区内部正探讨多路径共存的可能，包括更高效的算法、新计算架构、符号推理与深度学习融合、具身智能等。历史通常不偏爱路径锁定，更倾向于在多种路线的竞争中推动真正突破。

AI 浪潮在全球迅速升温，与美国强势推动密不可分。美国拥有全球最完备的创新生态，技术人才高度集中，资本市场逐利热情高涨，科研与产业协作机制成熟。在此结构下，美国天然成为 AI 发展中心，并通过技术扩散、资本流动、叙事构建等方式，对全球产生溢出效应。

然而，美国 AI 的繁荣并非单纯科技创新成果，更带有明显的资本驱动特征。特别是生成式 AI 出现后，资本市场对 AI 预期不断膨胀，形成“技术革命将至”的强叙事。这种叙事强化了资本投机动力，使得估值脱离实际商业能力的现象愈发普遍。一些 AI 公司甚至借“通用智能即将实现”的口号推动融资，导致 AI 生态短期呈现“过度金融化”倾向。

在美国，AI 产业发展高度依赖大型科技公司。指数级增长的模型训练成本使中小企业难以竞争，创新活动愈发集中于少数巨头。数据资源、算力设施、训练算法均向头部企业集中，导致 AI 行业向技术寡头体系演化。这种结构与美国原有的“科技民主化”叙事不符，反映了资本力量与技术门槛共同作用下的新格局。创新能力未必带来开放竞争，资本集中反而可能加剧垄断。

在此生态中，美国 AI 繁荣背后存在明显的社会结构性问题。AI 带来的财富未均等分配，反而进一步向资本端与高技能阶层集中。对普通民众而言，AI 并未显著改善生活质量，中产阶级甚至感到更强的职业不安全感，底层劳动者则面临被自动化取代的风险。AI 在美国社会造成的这种技术红利“马太效应”，正加剧其国内贫富差距与社会紧张。

资本力量在 AI 领域的高度活跃，使美国技术革命呈现强烈的周期性特征。过去四十年，美国科技行业经历过数次由泡沫而非技术突破推动的爆发，其中既有创新也有投机。AI 领域是否重蹈覆辙，是影响未来几年美国 AI 产业走向的重要不确定性因素。

如果说前文讨论的美国 AI 热潮，在资本驱动与技术叙事交织下，已显现寡头化、金融化及资源配置失衡风险，那么对中国而言，更现实的问题在于：在全球 AI 竞争升温背景下，如何在积极发展的同时避免失衡。换言之，中国不仅需要回答是否发展 AI，更需回答如何在不过度依赖单一技术路径的前提下推进发展。

从中国实践看，结合“十五五”政策取向，一种更系统化的思路正在形成，即在突出 AI 重要性的同时，更强调科技发展的结构均衡与体系协同。正如“十五五”规划强调的，“加强原始创新和关键核心技术攻关”，“提高体系化创新能力”，这些导向意味着 AI 发展并非孤立推进，而是嵌入国家科技整体结构之中。

首先，中国科技发展路径正从“单点突破”转向“体系推进”。AI 虽被列为战略前沿，但未被置于压倒性优先或唯一位置，而是与能源、新材料、量子信息、生物技术等领域并行。这背后体现的是更审慎的判断：未来国际竞争关键，不在于某项技术的短期领先，而在于技术体系的完整性与稳定性。AI 可放大既有产业优势，但无法替代能源与材料体系的基础支撑。若资源过度集中于单一技术，反而可能削弱国家整体科技能力的韧性。

其次，中国 AI 发展路径更突出“应用导向”而非单纯“技术导向”。与美国以模型规模和算力竞争为核心、由资本叙事放大的模式相比，中国更强调 AI 与实体经济、社会治理等的深度融合。“十五五”规划提出，“全面实施‘人工智能+'行动，加强人工智能同科技创新、产业发展、文化建设、民生保障、社会治理相结合，抢占人工智能产业应用制高点，全方位赋能千行百业”，反映出 AI 在中国发展逻辑中的工具属性。

再次，在资源配置层面，中国正强化对 AI 发展的结构性约束。近年来，数据中心与算力设施全球快速扩张，其能源与资源消耗问题日益凸显，而美国相关发展已呈现对能源与社会资源的挤占效应。在此背景下，中国相关部署明显加强了对能效、区域布局及资源约束的考量。整体看，中国规划体现清晰战略取向：既不否认 AI 重要性，也避免将其上升为唯一主线，而是纳入国家现代化进程整体框架。这种选择，本质上是对技术不确定性的制度性回应——在无法确定哪条路径最终胜出时，通过多领域并进与结构均衡，降低单一路径失误带来的系统性风险。

在 AI 迅速扩散并深刻影响全球未来的背景下，国际社会普遍呼吁建立某种全球治理体系，以防范风险、加强伦理约束并提升安全可控水平。然而，从现实看，AI 治理进程仍受当前国际政治结构深刻影响，对其前景不宜过度乐观。

中美作为全球 AI 两大重要中心，在科研能力、产业规模与应用场景等方面均具显著影响力。理论上，全球 AI 治理若要具备实质性约束力，离不开主要技术大国间的协调合作。近年来，中美在 AI 相关议题上并非缺乏互动基础，例如双方均参与《布莱切利宣言》等多边倡议，并维持一定科技沟通渠道。

但也应看到，当前 AI 议题正日益嵌入大国竞争与国家安全框架。在此背景下，各国在技术路径、产业利益及制度理念上的差异，使得围绕 AI 的规则协调面临较高复杂性。尤其在关键技术、核心要素与规则制定等方面，各方更倾向于从自身发展与安全需求出发设计制度，这客观上提高了形成统一规则体系的难度。

因此，当前全球 AI 治理呈现“多轨并行、时分时合”特征：一方面，在风险防控、伦理原则等共识度较高领域，多边对话与原则性文件仍在推进；另一方面，在技术标准、产业规则及核心能力配置等关键领域，各国分歧仍较明显，短期难形成高度统一制度安排。这种结构性特征决定了全球 AI 治理在相当长时期内，可能更多体现为框架性协调与有限合作，而非全面统一的规则体系。

在此现实背景下，对中国而言，关键不在于单纯期待外部合作条件成熟，而在于在开放与自主间形成更稳健的发展路径。具体看，一方面，中国仍有必要积极参与现有多边机制与国际对话，在风险治理、伦理规范等领域推动更具包容性的国际共识，维护全球技术发展的基本稳定；另一方面，也需在关键技术能力、产业体系与制度供给等方面持续提升自身能力，以增强在全球治理中的实际参与度与规则塑造力。从长远看，AI 治理演进很可能并非一蹴而就的制度建构，而是在竞争与合作交织中逐步形成的动态调整机制。在此过程中，能否在保持开放合作的同时提升自身发展能力，将成为影响各国未来在 AI 治理格局中地位的重要因素。

如果说当前 AI 热潮主要集中在技术突破与资本叙事层面，那么其能否产生真正的决定性影响，最终仍取决于能否顺利嵌入现实制度结构与产业运行体系。从历史经验看，任何具通用性潜力的技术，只有在完成与既有制度体系、产业组织形式及社会运行逻辑的深度融合后，才能真正释放长期价值。而这一过程，往往远比技术突破本身更复杂、更缓慢。

首先，AI 与既有制度体系存在显著不匹配。现代国家法律体系、监管机制与责任结构，主要建立在“可解释性”“可追责性”与“主体明确性”基础上。然而，当前主流生成式 AI 系统普遍存在“黑箱化”特征，其决策过程难以完全解释，输出结果具有概率性与不确定性。在此情况下，一旦 AI 系统在医疗、金融、交通等关键领域造成损害，责任归属将变得极为复杂：责任究竟应由算法开发者、模型提供方、应用企业承担，还是由最终用户承担？这一问题在现有法律体系中尚无清晰答案。

其次，AI 规模化应用正在重塑传统产业组织方式，但这种重塑未必转化为效率提升。理论上，AI 可通过自动化与智能决策提高生产效率，但在实际运行中，企业往往需投入大量资源用于系统集成、数据治理、人员培训与流程再造。这种转型成本在短期内甚至可能抵消 AI 带来的效率收益，特别是在中小企业层面，由于缺乏足够资金与技术能力，其数字化转型往往面临投入高、回报慢的困境，导致 AI 红利进一步向大型企业集中。

再次，AI 对劳动力市场的影响具有高度不确定性。当前主流观点常在“技术创造就业”与“技术替代就业”间摇摆，但现实更可能是结构性再分配：一方面，高技能岗位需求上升，数据科学、算法工程、系统运维等领域人才供不应求；另一方面，大量中等技能岗位面临被压缩甚至消失的风险。这种“中间层空心化”趋势，可能对社会稳定产生深远影响。历史上，技术革命常伴随社会结构重塑，但若缺乏有效制度调节，往往会引发广泛不满与反弹。

又次，AI 广泛应用正在改变信息生态与认知结构。一方面，生成式 AI 能以极低成本生产文本、图像与视频内容；另一方面，AI 在内容生产中的应用，在提高信息供给效率的同时，也显著增加了虚假信息与操纵性内容的传播风险。在社交媒体高度发达环境下，AI 可能被用于放大既有认知偏见，甚至用于系统性信息操控，从而对公共讨论空间与科学决策机制产生冲击。换言之，AI 不仅是生产工具，也正在成为影响认知秩序的重要变量。

最后，从更深层次看，AI 的制度嵌入还涉及国家治理能力的再塑造。政府不仅需要对 AI 进行监管，还需在公共服务、社会治理与国家安全等领域有效运用 AI 技术。这对国家能力提出更高要求：既要避免过度监管抑制创新，又要防止技术失控带来的系统性风险。在此过程中，不同国家的制度优势与治理传统将产生重要影响。一些国家可能通过灵活制度安排实现技术与治理良性互动，而另一些国家则可能因制度僵化或治理能力不足而错失发展机遇。

因此，从长远看，AI 的真正挑战，不在于其技术能力是否足够强大，而在于能否与现实世界的制度结构、产业体系及社会运行逻辑形成稳定的耦合关系。在此意义上，当前 AI 热潮或许只是起点，而非终点。真正决定 AI 未来走向的，将是这一技术在复杂现实中的落地能力，而这一能力，远比模型参数规模或算力水平更难以衡量，也更值得审慎观察。

基金资助：国家社会科学基金重点项目“中美科技竞争背景下美国对华数字产业遏制动向及反制策略研究”（项目编号：22AGJ007）；山东省人才工程专项项目（编号：tsqn202507077）。

戚凯，山东大学杰出中青年学者（第一层次），大国关系与周边外交研究中心主任，东北亚学院教授、博士生导师。

原文刊发于《现代金融导刊》2026 年第 6 期