為什麼AI越來越讓人失望？_風聞

ChatGPT-5終於在8月8日上線，但推出之後，不再有2.5出世四方雷動的豔羨，甚至因為它不夠人性，逼得官方不得不讓4o重新迎客。

事實上，被寄予厚望的AI正在遭遇尷尬，而全球AI產業正站在一個微妙的轉折點上。

各行各業都在追問：AI到底有什麼用？什麼時候能派上大用？

當前，傳統發展範式已達極限，全球全要素生產率增速從1996-2006年的1.5%降至2007-2017年的0.3%，包括中國在內的所有國家都對新技術引領的發展新範式翹首以待。

過去十年，AI吸引的投入累計超1萬億美元，但現實的“獲得感”卻遠低於預期——企業抱怨“AI能用但不夠好用”，大眾早已從最初接觸ChatGPT或者Deepseek的震撼中恢復了平靜，吐槽“大模型炫技多、解決少”，偶爾甚至還會來一句：就這？！

連科學家都陷入分歧：圖靈獎得主Yoshua Bengio預言“2-5年實現人類水平AI”；而另一位（楊立昆）則潑來一瓢冷水：以目前人類水平連“貓貓狗狗”級別的AI都做不出來。

這種矛盾背後，是AI從“實驗室神話”向“現實應用”躍遷時的集體迷茫。

實際上，我們可能進入了一個技術大爆發之前的靜止時刻。

今年7月，AI先驅Richard Sutton在演講中拋出“體驗時代”理論：當人類數據紅利耗盡，AI必須通過“自我體驗”實現突破——從技術進化角度看，這有點類似1780年代的蒸汽機：雖早在1698年被髮明，卻在瓦特改良前默默無聞60年，直到與紡織業、運輸業深度綁定，才真正點燃工業革命。

歷史總在押韻。今天的AI，或許正處在“蒸汽機爆發前的靜止時刻”。而打破靜止的關鍵，從來不是某家企業“一騎絕塵”的技術突破，而是讓技術像電力一樣“滲透到每個角落”，而這似乎正是中國AI敍事的起點——

此刻的問題不再是“誰能突破技術天花板”，而是誰，以及如何打破靜止，讓技術穿過千家萬户的門檻？然後，帶領人類推開新紀元的大門。

一個常識性謬誤：從技術霸權到擴散效率

如何跨越靜止時刻？

工業革命的啓示錄早已寫明，技術勝出的關鍵，從來不是“誰先造出完美機器”，而是“誰讓機器更快改變生活”。 

華盛頓大學對三次工業革命的研究印證了這一點，英國之所以能引領第一次工業革命，並非其紡織機技術絕對領先法國，而是其技術擴散效率遙遙領先——曼徹斯特的紡織廠用5年時間將蒸汽機滲透率從5%提升至40%，而法國同期僅12%。

美國在第二次工業革命中超越歐洲，核心也不是愛迪生的燈泡更亮，而是其“電力-工廠-家庭”的全鏈條擴散網絡，讓電力從實驗室到千家萬户僅用了10年，而歐洲用了25年。 

在頂級競賽中，擴散效率決定國家勝負，工業革命的贏家，從來都是那些技術創新和擴散率兩手都硬的參與者。

這一規律在AI時代正在重演。

朱恆源教授提出的“AI死亡谷”理論指出，當前AI正處於“技術供給過剩但需求尚未湧現”的尷尬期，全球每天新增100個AI模型，誰能率先跨越“四道門檻”，即技術性能達標、商業可持續、社會接受、制度適配，誰就能成為新紀元的定義者。 

但現實是殘酷的，根據麥肯錫2024報告，中國AI專利申請量全球第一，佔比超40%，但商業化率僅15%；美國大模型參數規模突破萬億，能真正落地的場景不足20%。全球Top 20大模型中，14個來自中美，但真正實現規模化商用的不足5個。

無論是中國還是美國，當技術不再是瓶頸，如何讓技術被需要、被使用、被依賴才是新的護城河。 

機器狗按照指令給盆栽澆水

AI的競爭，已從“實驗室參數競賽”轉向“場景滲透效率競賽”——就像蒸汽機不必等到足夠輕、足夠高效、足夠便宜才改變世界，能讓紡織廠效率提升30%的“半成品”，已足夠啓動工業革命。

當AI從實驗室的“炫技”走向市井的“普惠”，技術擴散效率比技術高度更能定義下一個十年。

但無論是學術界還是產業界，對AI的分歧仍在繼續。

“完美AI”終向“實用主義”低頭 

這種分歧，本質是AI路線的終極博弈。

這點在自動駕駛領域的“Waymo vs 特斯拉”之爭上表現得淋漓盡致。

Waymo的自動駕駛在技術上一直遙遙領先，但Waymo的團隊早期似乎有一種技術潔癖，什麼時候汽車駕駛位可以完全不需要方向盤的時候（屬於L4級別），才會考慮將其推向市場，因此拒絕在駕駛位仍有安全員的階段商業化。

但馬斯克則選擇“實用主義”，從L2級輔助駕駛起步，用“影子模式”（用户駕駛數據反哺訓練）快速迭代，2023年全球搭載FSD的車輛超400萬輛，累計行駛里程突破500億公里——儘管FSD至今未完全去掉人類干預，但其用户滲透率已達22%（Statista 2024），商業價值遠超仍停留在“測試階段”的Waymo。

今天，Waymo在諸多專業測評中仍然是自動駕駛領域獨一檔的存在。但Waymo的“技術完美主義”也不得不向商業化屈服，其有人監控的無人駕駛出租車將在今年開上紐約街頭。

而一輛完全自主的特斯拉，在今年6月從工廠下線後，自主行駛30分鐘，來到了訂購者家門口，完成了工業史上首次無人自動交付。

具體到更高級的大模型，路線分歧同樣尖鋭。

有人追逐“AGI（通用人工智能）的終極突破”，人工智能研究和預測組織 Epoch 在其發表的一篇論文裏預測，人類世界的高質量的文本數據會在 2023-2027 年之間消耗殆盡。那麼，當人類的數據耗盡之後怎麼辦？

人工智能教父Geoffrey Hinton的解決方案之一是，讓AI發展出自己的主觀體驗，比如通過機器人。

而更多人需要的是“能解決眼前問題的工具”——用户不需要“完美的AI”，只需要“足夠好的解決方案”。

當醫療AI能在10秒內完成肺部CT掃描並標註病灶（準確率97%），哪怕它暫時無法解釋為何這個結節是惡性；當教育AI能為鄉村教師自動生成個性化教案（覆蓋80%常見題型），哪怕它還不能像特級教師一樣與學生情感共鳴。這些“不完美但有用”的AI，才是打破靜止的關鍵。

其實大多數人對技術的要求並不複雜，提升效率，從來不是“一步達到極致”，而是“恰到好處”。

這種對技術的清醒，讓中國當下一些公司在推進AI進程時更容易做出務實且有效的選擇，比如騰訊——聚焦技術-市場適配性，不做聚光燈下的“技術明星”，而做穿透場景的“實用工具”，從而推動中國AI產業化、商業化應用。

比如海爾，直接把自己的智慧生產經驗，推廣到啤酒廠、化工廠等眾多看似差異巨大，但技術內核卻相通的工藝流程，大大提升生產效率。

比如京東，把自己的智慧倉儲、物流，從電商複製到了國家重點水利工程白鶴灘水電站的建設之中，實現了成千上百種物料的有序供應調度。

用“超級場景”重構技術擴散範式

回到今天的AI競爭現實，在技術供給上，現階段已經過剩，而我們也找到了推動AI革命的關鍵路徑，即用效率與場景推動AI的產業化與商業化，剩下的問題就只有一個了——

誰來推動？

中國社會科學院大學教授江小涓認為，在大模型的研發實力上，作為研發主體的高校在2014年還位居全球第一，但目前已經嚴重下滑，中美兩國的大型科技平台已經取代高校成為創新核心主體。

財新認為，大型科技平台在信息時代天然具有優勢，是因為它們掌握海量數據、巨量資金，具有海量的跨領域應用場景，天然具備科研轉化優勢。

傳統的技術創新範式被認為是線性的，從科研到技術轉化再到商業產品化；但大型科技平台兼具公共品供給和市場化運作能力，從而有能力打破線性創新模式，並通過系統集成和信息化整合，以數據網狀方式實現技術創新。

之後，大型科技平台又將初創技術創新進行大規模技術擴散，由此形成市場需求，實現大規模商業化，從而反哺數據網絡狀的創新活動。

這個過程循環往復，就會不斷重塑產業結構和經濟結構，進而推動新一輪的經濟發展。

這在中美兩國都已經被證明。

今年7月份發佈的《全球人工智能科研態勢報告（2015-2024）》數據顯示，中美兩國以合計近六成的全球AI研究人員佔比形成“雙強並立”的格局，美國以6.3萬餘人的人才數量居全球領先地位，其中，斯坦福大學2385人、麻省理工學院2191人，與谷歌2569人、微軟2461人形成高校企業雙引擎。

從產品與場景來看同樣如此，美國科技企業谷歌、微軟、特斯拉、Meta、openAI等公司推出的大模型產品，成為美國絕對的引領。

中國方面AI研究人員數量，傳統高校包括中國科學院（3453人）、清華大學（2667人）、北京大學（2123人）仍具有較大的優勢，但騰訊、阿里巴巴等科技企業的研發團隊分別以992人、633人的規模超越部分實力高校，更重要的是，在中國，科技企業推出的大模型在應用場景打造與效率擴散方面，具有更顯著的優勢。

以騰訊為例，在AI擴散的賽道上，騰訊的競爭力來自其不可複製的“三重壁壘”。

第一重壁壘是國民級場景構成的“天然試驗田” 。微信（14億月活）、企業微信（5億用户）、視頻號（日活超8億）構成的超級場景，既是技術落地的“沙盤”，也是數據迭代的“源頭”。

例如，工業質檢場景中，騰訊AI通過與三一重工、寧德時代的合作，積累了超1000萬張“瑕疵樣本”，讓檢測準確率從85%提升至99.2%。這種“場景即數據”的能力，讓技術迭代效率比純實驗室模式快3-5倍。

當然，這種利用自身天然優勢推進AI快速迭代的能力，在國內其他大模型中也被推廣。比如百度的文心一言立足百度APP這個月活超6億的國民級應用為入口，構建AI普惠生態，鞏固搜索入口地位；以交通、能源等垂直領域為突破口，推動大模型產業落地。阿里的千問以電商（淘天）、辦公（釘釘）為切入點，推動大模型在B端場景的規模化應用。

BAT三家正在圍繞場景深度、生態開放度、技術自主性展開競爭，推動AI大模型從“可用”向“好用、可落地、可持續”演進。

第二重壁壘是其開放生態形成的“擴散網絡”，打造超級應用場景。騰訊的邏輯不是“自己做所有事”，而是“讓所有人能用AI做事”。通過“混元大模型+API接口+工具包”的組合，騰訊打破單一行業邊界，在“數字生活共同體” 中實現技術跨域融合。

截至2025年7月，騰訊內部多款產品接入了AI能力。從用户日常工作學習高頻使用的元寶、ima、微信AI搜索、QQ瀏覽器等，到政務、教育、醫療等30+垂直行業。接入騰訊AI能力的企業超10萬家，開發者超50萬，形成了“模型迭代-場景反饋-生態擴容”的正向飛輪。

第三重壁壘是其可持續投入的“資本緩衝帶”。技術擴散需要長週期投入，2023-2025年，騰訊在AI領域的投入超1000億元，其中70%用於場景落地而非單純研發。

這種“邊投入邊變現”和“小步快跑，持續迭代”的模式更具可持續性，因為所有的應用場景都是真實需求，都能帶來效益，帶動廣告、遊戲、會議、企業微信等核心業務收入顯著增長。

根據8月13日騰訊發佈的2025年第二季度財報，公司收入達到1845.04億元人民幣，同比增長15%；淨利潤為556.3億元人民幣。

和盈利均實現雙位數同比增長的背後，是其AI戰略已從技術投入階段成功轉化為業務增長引擎。AI不僅在遊戲、廣告、社交平台等核心業務中實現了深度應用和價值創造，其自研的混元大模型，特別是3D模型，更在技術上取得了國際領先地位，並開始形成有效的商業化路徑。這標誌着騰訊的AI佈局正進入收穫期。

同樣，AI戰略對阿里的推動也明顯增強，其在2025財年的股東信中表示，要將“Al+雲”為核心的科技業務打造成阿里巴巴的第二增長曲線。2025財年年報顯示，阿里雲財年收入突破雙位數增長，AI相關產品收入連續七個季度實現三位數同比增長。

事實證明，這種“不貪頂端突破，只做全域滲透”的路徑，為騰訊構建起了“國民級場景+開放生態”的“超級擴散引擎”，從而將全球AI競爭升維為“生態效率之戰”。

技術擴散的中國答案

在“技術靜止”的時間裏，怎樣的創新是更有效率的？

這沒有標準答案。

歐洲早早就發明了效率更高的重犁來匹配耕馬，但真正讓歐洲農業超過亞洲的是馬軛的發明，它讓重犁終於有了完全施展的空間。

但在馬軛沒有被髮明出來之前，重犁並沒有被徹底拋棄，而是依然在慢慢普及着，它或許就是馬軛被髮明的催化劑。

這就是走純技術突破與邊用邊突破的差異。

事實上，中國的眾多科技企業在互聯網時代以來，都是這麼一路走過來的。

回到最初的問題：AI到底有什麼用？什麼時候能派上大用？

答案或許藏在以騰訊為代表的眾多中國科技企業的實踐中。當醫療AI讓縣域醫院的肺癌篩查準確率從60%提升至90%，當教育AI讓鄉村教師的教學效率提升50%，當工業AI讓中小工廠的良品率從85%提升至95%——這些“潤物細無聲”的改變，才是AI真正的“大用”。 

全球AI競賽的下半場，勝負手不再是“誰的技術更先進”，而是誰的技術更能滲透到普通人的生活裏。

騰訊的敍事價值，正在於此：它不追求成為聚光燈下的“AI明星”，而是甘願做照亮千萬場景的“AI路燈”——在靜止時刻，用擴散的力量，力爭去催化、點燃下一個技術紀元的星火。 

在等待“AI奇點”的靜止期，騰訊選擇做技術擴散的“馬軛”。

這不僅是騰訊的AI敍事，更是中國科技產業的“普惠創新”宣言：AI的終極目標，不是技術領先，而是讓技術成為每個人的工具。

在全球AI的“靜止時刻”，中國企業正在走出一條差異化路徑。

與歐美企業“追求技術參數領先”不同，中國模式的核心是用場景反哺技術，用生態放大價值，把AI從實驗室的電燈，變成千家萬户的電網————這將是騰訊的產業革命敍事。

“三身元我體，四智本心明。身智融無礙，應物任隨形。” 最後，借用唐詩點明中國AI終局：無界融合，隨處賦能。