富拓外汇：博鳌观察｜“养小龙虾”、视频生成AI火爆出圈后，博鳌热议这些人工智能话题

“一个国家需要获得人民的信任。作为机器人，我们想服务人类，我们要做什么才能获得普通人的信任呢？”在博鳌亚洲论坛上，一个具身机器人“记者”举起话筒向新西兰前总理希普利提问。

希普利回答：“我希望你能说服我，你是稳定的、可适应环境的，负责任的。”

这一问一答，成为博鳌亚洲论坛上AI技术深度介入的一个缩影。数字人以“嘉宾”身份参与讨论，刚问世不久的人形机器人进行“自我介绍”，“机器人记者”举起话筒提问……本届论坛上，AI与机器人的“含量”明显高于往届，应用场景也更加丰富多元。多场分论坛聚焦人工智能，讨论热度空前。不少场次前排起长队、一度“限流”，场内更是座无虚席。

（论坛现场的机器人 摄影/吴军）

热度背后，更值得关注的是AI如何走向成熟。中国工程院外籍院士、清华大学讲席教授、清华大学智能产业研究院（AIR）创始院长张亚勤的总结颇为精辟“人类有三种智慧：发明技术的智慧、应用技术的智慧、管理技术的智慧。”

这恰好对应目前业内最关切的三个问题：人工智能技术是否突破、商业化进展如何、存在哪些风险。多位参会及受访嘉宾在博鳌论坛上分享了他们的观察与思考。

vivo机器人Lab首席科学家邵浩对第一财经表示，关于人形机器人领域的盈亏平衡点，具体的时间可能不太好预测。该领域正处于快速发展期，速度超过预期。

技术：AI正在加速进化

近年来，人工智能领域正在加速进化，出现诸多新趋势：小龙虾、Seedance 2.0视频生成AI模型等新产品不断涌现，宇树科技机器人等一批人形机器人企业引发社会关注。

从技术层面看，AI有哪些新的进化趋势？

张亚勤分享，今年AI有三个大的趋势。第一，智能体AI正从概念走向落地，涵盖工业、消费、制药等多个领域。尤其是消费者智能体的爆发，标志着今年成为智能体AI的元年。第二，当前发展正从信息智能，向具身化的物理智能（如人形机器人、自动驾驶）和生物智能加速延伸，工业应用场景日益丰富。第三，AI不再只是关键技术工具，更演变为“AI+”的思维范式。

（中国工程院外籍院士、清华大学讲席教授、清华大学智能产业研究院（AIR）创始院长张亚勤 摄影/吴军）

作为具身化的物理智能，人形机器人也在“进化”。

“机器人大小脑协同进化的趋势越发显著。”北京人形机器人创新中心CEO熊友军认为，当前人形机器人技术可分为三个维度：本体、小脑与大脑，分别对应泛化能力、智能决策与智能学习方面。

熊友军进一步表示，本体技术路线逐步收敛，随着大模型能力外溢，运动控制能力快速提升；大小脑协同成为主流趋势，世界模型、多模态大模型、语言行为大模型等多种技术路线并行探索，推动机器人从被动执行走向自主决策、自主学习。

这种进化或来源于数据采集的突破。商汤联合创始人、执行董事、大晓机器人董事长王晓刚分享了一个生动的案例：一个机器人在收拾房间时，因手被占用，便将毛巾搭在肩上，用胳膊夹住桶。这种行为并非人为定义，而是高度拟人化，显然是从人类行为中学习而来。

王晓刚认为，当前的一个趋势是，借助真机数据采集与人体穿戴传感器等设备，观察人在真实生产生活环境中的行为，从而训练大模型及世界模型。这一方向带来了两大优势：一是机器人可跨本体实现“一脑多形”，不再受限于特定硬件；二是机器人的行为更接近人类。

王晓刚同时分析称，一个重要趋势是OpenClaw的出现，赋予人形机器人自我进化的能力。机器人具备多种能力，一个平台可控制多个机器人，实现自我调用、自我反思与记忆。这使得机器人从单体具身走向群体协同，在探索环境与执行操作中不断“变聪明”。同时，也推动了从数字员工向物理执行的跨越，成为值得关注的重要方向。

应用：人形机器人进入商业化仍有挑战

集邦咨询（TrendForce）日前发布的趋势预测称，2026年将是人形机器人迈向商用化的关键一年，全球出货量预估年增逾7倍、突破5万台。第一财经注意到，不少中国机器人企业也纷纷计划递表上市。

那么人形机器人离商业化还有多远？

“过去人形机器人多偏重表演式炫技，如今正加速向产业应用转型。”熊友军表示，目前人形机器人已在部分场景实现落地。同时，在泛工业领域，如汽车、家电生产等方向，搬运、分拣、物流等环节的渗透也在不断加深。

他透露，去年中国人形机器人发货量接近2万台，预计今年将迎来显著增长，明年增速有望进一步扩大。“在应用场景落地的速度比大家预想的可能更快。”

但与会者普遍认为，目前阶段要实现大规模商业化，还存在诸多难点。

邵浩表示，机器人所需数据维度远高于文本数据，文本仅为一维，而机器人数据可达六十多维，如何低成本获取海量高维数据是当前研究的核心方向，人类视频数据或成为重要突破口。

星动纪元科技有限公司创始人陈建宇认为，当前挑战主要来自两个方面。一是工业场景对效率、成功率及可靠性要求极高，需要打造具备持续稳定运行能力的工业级产品，不仅要求单次任务完成，更要实现可靠、持续、低成本地运行，每一项都难度不小。二是模型的泛化能力仍显不足，距离“机器人的ChatGPT时刻”尚有差距。

基于这一背景，从难度较小的B端（工业场景）落地，再探索C端（家用场景）可能更合适。

“在家庭场景中，环境布局千差万别，无法为每个家庭单独采集数据训练模型，必须依靠模型实现零样本泛化，才能在全新环境中执行任意指令。”陈建宇称。

王晓刚认为，机器人一旦进入家庭，就必须直接达到L4级别，无法像自动驾驶那样经历L2的人机共驾阶段，因此安全伦理与法律法规问题尤为重要。

他建议，应先在to B受限场景中大规模落地，通过压力测试积累安全性信心，再逐步向消费端拓展。

模式：创新的机制正在迭代

人工智能技术迅速发展，背后的创新机制也在悄然生变。

国务院原副秘书长、国家数据专家咨询委员会主任、中国工业经济学会名誉会长江小涓表示，传统的创新是线性模式：科学家发现规律，技术部门研发成果，产业负责转化。但在数字时代，创新的逻辑被彻底改写：新规律、新技术的发现，越来越依赖算法、数据、平台和海量资源的汇聚。

江小涓援引一则数据称，2014年之前，全球最前沿的大模型约60%来自高校；而2014年之后，这一比例反转。90%的前沿大模型由平台大企业提出。

（国务院原副秘书长、国家数据专家咨询委员会主任、中国工业经济学会名誉会长江小涓 摄影/吴军）

张亚勤也持类似观点。他认为，传统“研究→专利→产品→市场”的线性循环，在人工智能领域已被打破。新一轮AI是数据驱动、场景驱动的，需要大量芯片和算力，大学难以独立支撑。这意味着，学生做博士论文就必须与企业合作，使用真实场景、真实数据。

除平台赋能外，顶层设计的作用也在显现。京东集团副总裁、首席经济学家沈建光称，中国政府率先将数据确立为生产要素，并围绕促进数字经济发展出台了大量政策，涵盖电商发展、技术拓展等方方面面，尤其是对电力的大规模投资。中国去年的电力装机容量是美国的8到10倍。

“如果没有国家在战略思维上首先把数据作为生产要素、把人工智能作为新质生产力来推动，就难以实现如此大规模的投资。”沈建光说。

安全：风险与解法

多位与会专家直言，人工智能的狂飙突进之下，新的风险仍在不断出现。

张亚勤表示，当前风险已处于相当高的水平，暂且不论物理AI或生物AI，仅在数字AI领域就已暴露出诸多问题。例如，目前互联网上65%的内容由AI生成，而这些内容本身已受到污染。用这样的内容训练模型，模型也必然被污染，进而导致输出的参数权重、开源内容同样受到牵连。

风险不止于技术层面。江小涓认为，在社会公平层面，它目前并不算“善”。它带来了大量就业变化，财富向少数创新者集中，衍生出诸多问题。其次，AI对人的心理层面也存在影响，它可能引导人们沉溺于某些内容。

风险清单越拉越长，如何破局？张亚勤给出了三条具体建议：所有智能体，无论是机器人还是数字智能体，都必须有实体归属，能够追溯到具体的主体，由其承担相应责任；AI生成内容必须有明确标识；智能体不能自我复制或自我生成。

中国信息通信研究院院长余晓晖则从企业端给出具体路径。在他看来，AI安全治理不能只靠顶层设计，企业自身的“安全治理能力”建设同样关键。“无论是改善生产、学习还是工作，都必须同步考虑安全底线是否守得住。”