为什么AI越来越让人失望？_风闻

ChatGPT-5终于在8月8日上线，但推出之后，不再有2.5出世四方雷动的艳羡，甚至因为它不够人性，逼得官方不得不让4o重新迎客。

事实上，被寄予厚望的AI正在遭遇尴尬，而全球AI产业正站在一个微妙的转折点上。

各行各业都在追问：AI到底有什么用？什么时候能派上大用？

当前，传统发展范式已达极限，全球全要素生产率增速从1996-2006年的1.5%降至2007-2017年的0.3%，包括中国在内的所有国家都对新技术引领的发展新范式翘首以待。

过去十年，AI吸引的投入累计超1万亿美元，但现实的“获得感”却远低于预期——企业抱怨“AI能用但不够好用”，大众早已从最初接触ChatGPT或者Deepseek的震撼中恢复了平静，吐槽“大模型炫技多、解决少”，偶尔甚至还会来一句：就这？！

连科学家都陷入分歧：图灵奖得主Yoshua Bengio预言“2-5年实现人类水平AI”；而另一位（杨立昆）则泼来一瓢冷水：以目前人类水平连“猫猫狗狗”级别的AI都做不出来。

这种矛盾背后，是AI从“实验室神话”向“现实应用”跃迁时的集体迷茫。

实际上，我们可能进入了一个技术大爆发之前的静止时刻。

今年7月，AI先驱Richard Sutton在演讲中抛出“体验时代”理论：当人类数据红利耗尽，AI必须通过“自我体验”实现突破——从技术进化角度看，这有点类似1780年代的蒸汽机：虽早在1698年被发明，却在瓦特改良前默默无闻60年，直到与纺织业、运输业深度绑定，才真正点燃工业革命。

历史总在押韵。今天的AI，或许正处在“蒸汽机爆发前的静止时刻”。而打破静止的关键，从来不是某家企业“一骑绝尘”的技术突破，而是让技术像电力一样“渗透到每个角落”，而这似乎正是中国AI叙事的起点——

此刻的问题不再是“谁能突破技术天花板”，而是谁，以及如何打破静止，让技术穿过千家万户的门槛？然后，带领人类推开新纪元的大门。

一个常识性谬误：从技术霸权到扩散效率

如何跨越静止时刻？

工业革命的启示录早已写明，技术胜出的关键，从来不是“谁先造出完美机器”，而是“谁让机器更快改变生活”。 

华盛顿大学对三次工业革命的研究印证了这一点，英国之所以能引领第一次工业革命，并非其纺织机技术绝对领先法国，而是其技术扩散效率遥遥领先——曼彻斯特的纺织厂用5年时间将蒸汽机渗透率从5%提升至40%，而法国同期仅12%。

美国在第二次工业革命中超越欧洲，核心也不是爱迪生的灯泡更亮，而是其“电力-工厂-家庭”的全链条扩散网络，让电力从实验室到千家万户仅用了10年，而欧洲用了25年。 

在顶级竞赛中，扩散效率决定国家胜负，工业革命的赢家，从来都是那些技术创新和扩散率两手都硬的参与者。

这一规律在AI时代正在重演。

朱恒源教授提出的“AI死亡谷”理论指出，当前AI正处于“技术供给过剩但需求尚未涌现”的尴尬期，全球每天新增100个AI模型，谁能率先跨越“四道门槛”，即技术性能达标、商业可持续、社会接受、制度适配，谁就能成为新纪元的定义者。 

但现实是残酷的，根据麦肯锡2024报告，中国AI专利申请量全球第一，占比超40%，但商业化率仅15%；美国大模型参数规模突破万亿，能真正落地的场景不足20%。全球Top 20大模型中，14个来自中美，但真正实现规模化商用的不足5个。

无论是中国还是美国，当技术不再是瓶颈，如何让技术被需要、被使用、被依赖才是新的护城河。 

机器狗按照指令给盆栽浇水

AI的竞争，已从“实验室参数竞赛”转向“场景渗透效率竞赛”——就像蒸汽机不必等到足够轻、足够高效、足够便宜才改变世界，能让纺织厂效率提升30%的“半成品”，已足够启动工业革命。

当AI从实验室的“炫技”走向市井的“普惠”，技术扩散效率比技术高度更能定义下一个十年。

但无论是学术界还是产业界，对AI的分歧仍在继续。

“完美AI”终向“实用主义”低头 

这种分歧，本质是AI路线的终极博弈。

这点在自动驾驶领域的“Waymo vs 特斯拉”之争上表现得淋漓尽致。

Waymo的自动驾驶在技术上一直遥遥领先，但Waymo的团队早期似乎有一种技术洁癖，什么时候汽车驾驶位可以完全不需要方向盘的时候（属于L4级别），才会考虑将其推向市场，因此拒绝在驾驶位仍有安全员的阶段商业化。

但马斯克则选择“实用主义”，从L2级辅助驾驶起步，用“影子模式”（用户驾驶数据反哺训练）快速迭代，2023年全球搭载FSD的车辆超400万辆，累计行驶里程突破500亿公里——尽管FSD至今未完全去掉人类干预，但其用户渗透率已达22%（Statista 2024），商业价值远超仍停留在“测试阶段”的Waymo。

今天，Waymo在诸多专业测评中仍然是自动驾驶领域独一档的存在。但Waymo的“技术完美主义”也不得不向商业化屈服，其有人监控的无人驾驶出租车将在今年开上纽约街头。

而一辆完全自主的特斯拉，在今年6月从工厂下线后，自主行驶30分钟，来到了订购者家门口，完成了工业史上首次无人自动交付。

具体到更高级的大模型，路线分歧同样尖锐。

有人追逐“AGI（通用人工智能）的终极突破”，人工智能研究和预测组织 Epoch 在其发表的一篇论文里预测，人类世界的高质量的文本数据会在 2023-2027 年之间消耗殆尽。那么，当人类的数据耗尽之后怎么办？

人工智能教父Geoffrey Hinton的解决方案之一是，让AI发展出自己的主观体验，比如通过机器人。

而更多人需要的是“能解决眼前问题的工具”——用户不需要“完美的AI”，只需要“足够好的解决方案”。

当医疗AI能在10秒内完成肺部CT扫描并标注病灶（准确率97%），哪怕它暂时无法解释为何这个结节是恶性；当教育AI能为乡村教师自动生成个性化教案（覆盖80%常见题型），哪怕它还不能像特级教师一样与学生情感共鸣。这些“不完美但有用”的AI，才是打破静止的关键。

其实大多数人对技术的要求并不复杂，提升效率，从来不是“一步达到极致”，而是“恰到好处”。

这种对技术的清醒，让中国当下一些公司在推进AI进程时更容易做出务实且有效的选择，比如腾讯——聚焦技术-市场适配性，不做聚光灯下的“技术明星”，而做穿透场景的“实用工具”，从而推动中国AI产业化、商业化应用。

比如海尔，直接把自己的智慧生产经验，推广到啤酒厂、化工厂等众多看似差异巨大，但技术内核却相通的工艺流程，大大提升生产效率。

比如京东，把自己的智慧仓储、物流，从电商复制到了国家重点水利工程白鹤滩水电站的建设之中，实现了成千上百种物料的有序供应调度。

用“超级场景”重构技术扩散范式

回到今天的AI竞争现实，在技术供给上，现阶段已经过剩，而我们也找到了推动AI革命的关键路径，即用效率与场景推动AI的产业化与商业化，剩下的问题就只有一个了——

谁来推动？

中国社会科学院大学教授江小涓认为，在大模型的研发实力上，作为研发主体的高校在2014年还位居全球第一，但目前已经严重下滑，中美两国的大型科技平台已经取代高校成为创新核心主体。

财新认为，大型科技平台在信息时代天然具有优势，是因为它们掌握海量数据、巨量资金，具有海量的跨领域应用场景，天然具备科研转化优势。

传统的技术创新范式被认为是线性的，从科研到技术转化再到商业产品化；但大型科技平台兼具公共品供给和市场化运作能力，从而有能力打破线性创新模式，并通过系统集成和信息化整合，以数据网状方式实现技术创新。

之后，大型科技平台又将初创技术创新进行大规模技术扩散，由此形成市场需求，实现大规模商业化，从而反哺数据网络状的创新活动。

这个过程循环往复，就会不断重塑产业结构和经济结构，进而推动新一轮的经济发展。

这在中美两国都已经被证明。

今年7月份发布的《全球人工智能科研态势报告（2015-2024）》数据显示，中美两国以合计近六成的全球AI研究人员占比形成“双强并立”的格局，美国以6.3万余人的人才数量居全球领先地位，其中，斯坦福大学2385人、麻省理工学院2191人，与谷歌2569人、微软2461人形成高校企业双引擎。

从产品与场景来看同样如此，美国科技企业谷歌、微软、特斯拉、Meta、openAI等公司推出的大模型产品，成为美国绝对的引领。

中国方面AI研究人员数量，传统高校包括中国科学院（3453人）、清华大学（2667人）、北京大学（2123人）仍具有较大的优势，但腾讯、阿里巴巴等科技企业的研发团队分别以992人、633人的规模超越部分实力高校，更重要的是，在中国，科技企业推出的大模型在应用场景打造与效率扩散方面，具有更显著的优势。

以腾讯为例，在AI扩散的赛道上，腾讯的竞争力来自其不可复制的“三重壁垒”。

第一重壁垒是国民级场景构成的“天然试验田” 。微信（14亿月活）、企业微信（5亿用户）、视频号（日活超8亿）构成的超级场景，既是技术落地的“沙盘”，也是数据迭代的“源头”。

例如，工业质检场景中，腾讯AI通过与三一重工、宁德时代的合作，积累了超1000万张“瑕疵样本”，让检测准确率从85%提升至99.2%。这种“场景即数据”的能力，让技术迭代效率比纯实验室模式快3-5倍。

当然，这种利用自身天然优势推进AI快速迭代的能力，在国内其他大模型中也被推广。比如百度的文心一言立足百度APP这个月活超6亿的国民级应用为入口，构建AI普惠生态，巩固搜索入口地位；以交通、能源等垂直领域为突破口，推动大模型产业落地。阿里的千问以电商（淘天）、办公（钉钉）为切入点，推动大模型在B端场景的规模化应用。

BAT三家正在围绕场景深度、生态开放度、技术自主性展开竞争，推动AI大模型从“可用”向“好用、可落地、可持续”演进。

第二重壁垒是其开放生态形成的“扩散网络”，打造超级应用场景。腾讯的逻辑不是“自己做所有事”，而是“让所有人能用AI做事”。通过“混元大模型+API接口+工具包”的组合，腾讯打破单一行业边界，在“数字生活共同体” 中实现技术跨域融合。

截至2025年7月，腾讯内部多款产品接入了AI能力。从用户日常工作学习高频使用的元宝、ima、微信AI搜索、QQ浏览器等，到政务、教育、医疗等30+垂直行业。接入腾讯AI能力的企业超10万家，开发者超50万，形成了“模型迭代-场景反馈-生态扩容”的正向飞轮。

第三重壁垒是其可持续投入的“资本缓冲带”。技术扩散需要长周期投入，2023-2025年，腾讯在AI领域的投入超1000亿元，其中70%用于场景落地而非单纯研发。

这种“边投入边变现”和“小步快跑，持续迭代”的模式更具可持续性，因为所有的应用场景都是真实需求，都能带来效益，带动广告、游戏、会议、企业微信等核心业务收入显著增长。

根据8月13日腾讯发布的2025年第二季度财报，公司收入达到1845.04亿元人民币，同比增长15%；净利润为556.3亿元人民币。

和盈利均实现双位数同比增长的背后，是其AI战略已从技术投入阶段成功转化为业务增长引擎。AI不仅在游戏、广告、社交平台等核心业务中实现了深度应用和价值创造，其自研的混元大模型，特别是3D模型，更在技术上取得了国际领先地位，并开始形成有效的商业化路径。这标志着腾讯的AI布局正进入收获期。

同样，AI战略对阿里的推动也明显增强，其在2025财年的股东信中表示，要将“Al+云”为核心的科技业务打造成阿里巴巴的第二增长曲线。2025财年年报显示，阿里云财年收入突破双位数增长，AI相关产品收入连续七个季度实现三位数同比增长。

事实证明，这种“不贪顶端突破，只做全域渗透”的路径，为腾讯构建起了“国民级场景+开放生态”的“超级扩散引擎”，从而将全球AI竞争升维为“生态效率之战”。

技术扩散的中国答案

在“技术静止”的时间里，怎样的创新是更有效率的？

这没有标准答案。

欧洲早早就发明了效率更高的重犁来匹配耕马，但真正让欧洲农业超过亚洲的是马轭的发明，它让重犁终于有了完全施展的空间。

但在马轭没有被发明出来之前，重犁并没有被彻底抛弃，而是依然在慢慢普及着，它或许就是马轭被发明的催化剂。

这就是走纯技术突破与边用边突破的差异。

事实上，中国的众多科技企业在互联网时代以来，都是这么一路走过来的。

回到最初的问题：AI到底有什么用？什么时候能派上大用？

答案或许藏在以腾讯为代表的众多中国科技企业的实践中。当医疗AI让县域医院的肺癌筛查准确率从60%提升至90%，当教育AI让乡村教师的教学效率提升50%，当工业AI让中小工厂的良品率从85%提升至95%——这些“润物细无声”的改变，才是AI真正的“大用”。 

全球AI竞赛的下半场，胜负手不再是“谁的技术更先进”，而是谁的技术更能渗透到普通人的生活里。

腾讯的叙事价值，正在于此：它不追求成为聚光灯下的“AI明星”，而是甘愿做照亮千万场景的“AI路灯”——在静止时刻，用扩散的力量，力争去催化、点燃下一个技术纪元的星火。 

在等待“AI奇点”的静止期，腾讯选择做技术扩散的“马轭”。

这不仅是腾讯的AI叙事，更是中国科技产业的“普惠创新”宣言：AI的终极目标，不是技术领先，而是让技术成为每个人的工具。

在全球AI的“静止时刻”，中国企业正在走出一条差异化路径。

与欧美企业“追求技术参数领先”不同，中国模式的核心是用场景反哺技术，用生态放大价值，把AI从实验室的电灯，变成千家万户的电网————这将是腾讯的产业革命叙事。

“三身元我体，四智本心明。身智融无碍，应物任随形。” 最后，借用唐诗点明中国AI终局：无界融合，随处赋能。