2026-10-17 04:49:53 网络安全文章来源：ZONE.CI 全球网 0 阅读模式

南京大学党委书记谭铁牛院士：付出多少人工，才有多少智能

内生安全联盟

2026年9月3日 15:44
江苏

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

以下文章来源于i少数派
，作者知本家X知本主义

i少数派
.

三秒一个高潮，几分钟一次逆袭，这个时代替你下结论。可战略往哪走、组织怎么进化、AI能不能变成新底座，这些问题三分钟很难有答案。长，不是我们的风格，是问题的形状。不消费情绪，只拆解结构。少数不是骄傲，是清醒后的孤独。i少数派，是彼此认出的光。

2015 年，中国人工智能大会。一位院士在主报告里说了一句话：\"现有的人工智能系统，可以说有智能没智慧，有智商没有情商，会计算不会算计。\"十年后的 2025 年 11 月，同一个人在中国科学院大学的讲台上，把这句话压缩成了八个字：\"多知\"\"少智\"\"无谋\"\"缺情\"。

中间隔着什么？隔着 AlphaGo，隔着 Transformer，隔着 ChatGPT，隔着整个大模型狂潮，隔着无数次\"AGI 就在两年后\"的预言。而他的判断结构，一个字没变。他叫谭铁牛。中国科学院院士，英国皇家工程院外籍院士，2022 年国际模式识别领域最高奖傅京孙奖得主，中国虹膜识别技术的开拓者。他曾任中国科学院自动化研究所所长、中国科学院副院长，现任南京大学党委书记。

这篇文章想问的是：一个判断，在技术范式已经彻底改朝换代的十年里没有被推翻，这件事本身意味着什么？是他固执，还是他抓住了一个比技术范式更底层的东西？

一、那把十年没变的尺子

先把这件事说清楚，因为它是全文的地基。2015 年那个版本是三句话，2025 年那个版本是四个词。表面上是措辞变了，实质上是同一套结构：


2015 年表述	2025 年表述	说的是什么
有智能没智慧	多知、少智	有知识，缺乏对规律的把握
会计算不会算计	无谋	会求解，不会博弈与谋划
有智商没情商	缺情	会推理，不懂人

十年里，AI 在\"多知\"这一列上取得了人类史上最惊人的进展——今天的模型掌握的知识总量，早已超过任何一个人类个体。但后面三列，进展远没有那么大。

这是本文第一个判断，也是理解谭铁牛全部工作的钥匙：他给出的从来不是一个关于\"技术能做到什么\"的判断，而是一个关于\"智能这个概念包含几个层次\"的判断。而层次的划分，不随技术进步而改变——这就是为什么他的尺子十年没坏。

而这把尺子的真正价值，在于它是一把有刻度、且刻度单调的尺子。我把它称为\"知—智—谋—情\"四层量表：
第一层，知。能不能记住、检索、复述、归纳。这一层，AI 已经全面超越人类个体。
第二层，智。能不能把零散的知识上升为对规律的认识，并在新情境中正确调用。这一层，AI 有部分能力，但极不稳定。
第三层，谋。能不能在有对手、有不确定、有长时间跨度的局面中做出决策，并为决策的后果负责。这一层很弱。
第四层，情。能不能理解一个具体的人此刻的处境、动机与情绪，并据此调整行为。这一层基本是空的——今天的\"共情\"更多是风格模仿，不是理解。

推论，也是本文认为对企业最有用的一条：评估任何一个 AI 应用，先问它真正需要的是哪一层。需要\"知\"的，今天就能上，且回报确定；需要\"智\"的，要做大量场景约束；需要\"谋\"的，别急，先把人留在决策位上；需要\"情\"的，慎重——因为在这一层上，做得\"像\"和做得\"对\"之间的差距最大，而且这个差距最伤人。

大多数 AI 项目失败，不是因为模型不够强，是因为立项时把一个\"谋\"层的需求，当成了\"知\"层的需求来采购。

二、他为什么能提出这把尺子：一段被技术封锁逼出来的学脉

要理解一个人的判断，得先看他是从哪条路上走过来的。谭铁牛，1964 年生，湖南人。1984 年获西安交通大学学士学位，1986 年和 1989 年分别在英国帝国理工学院获硕士与博士学位，此后在英国雷丁大学计算机科学系工作任教八年。1998 年回国，进入中国科学院自动化研究所。他的研究领域是图像处理、计算机视觉和模式识别——这是一个比\"人工智能\"这个词更老、也更朴素的学科。而他做的最重要的一件具体的事，是虹膜识别。这件事的分量，在他自己 2025 年的讲课里被点出来了：突破国外技术封锁，实现虹膜识别自主创新。这一段经历，我认为是理解他全部思想气质的关键。

为什么？因为模式识别是一门有硬指标的学科。
一个虹膜识别系统好不好，不看它的演示多惊艳，看它在真实场景下的错误率——识别错一个人，就是一次真实的事故。他在 2015 年提到，虹膜识别当时已大规模用在煤矿；智能视频分析从 2007 年开始就在北京城铁领域应用；步态识别也在研发中。这些场景有一个共同点：出了错，是要出事的。

这是本文第二个判断：一个人对技术的敬畏，通常不来自他读过多少论文，而来自他有没有做过\"错了要负责\"的东西。谭铁牛整个职业生涯做的，都是必须给出错误率、必须通过验收、必须在真实场景里跑几年的系统。这类经历会在一个人身上留下永久的痕迹——他会本能地不相信任何没有给出边界的能力宣称。

这也解释了他与很多 AI 意见领袖最大的气质差别：他讲 AI，总是先讲\"到哪一步了\"，再讲\"下一步去哪\"；而不是反过来。他的荣誉序列也值得记一笔：2013 年当选中国科学院院士，2014 年当选英国皇家工程院外籍院士和发展中国家科学院院士，2016 年当选巴西科学院通讯院士，2022 年获国际模式识别领域最高奖——傅京孙奖。他是 IEEE 和国际模式识别学会 Fellow。

在学术之外，他历任中国科学院自动化研究所所长、中国科学院副秘书长、中国科学院副院长，后任中央人民政府驻香港特别行政区联络办公室副主任，现任南京大学党委书记。这个双重身份——既是一线技术出身的院士，又长期在科研管理与教育体系中任职——直接决定了他关注的问题域比纯技术专家宽得多。这一点后面会讲到。

三、\"智\"字里的秘密：大模型有\"知\"，没有\"日\"

这是他最独特、也最中国化的一个原创论述。2025 年，在中国具身智能大会上，他从一个汉字讲起。他说，祖先造\"智\"这个字时，其造字逻辑隐含着具身思想——\"智\"是上下结构，上面是\"知\"，下面是\"日\"。他引了《荀子·正名》里的一句：\"所以知之在人者谓之知。\"——通过学习获得的对外部世界的认识，叫\"知\"。然后是他的解读：

\"只有把这些知识通过相应的思考和跟外部的验证，才能上升为对外部世界规律性的认识……知就是知识，日就是表示知道，意味着时间、经验和经历，也就是'智'是由知识和时间经历的积累构成的，这里面就包含了具身的概念。\"

这个解读的精妙之处在于：它用一个字，把\"知\"和\"智\"的差别说清楚了。\"知\"是可以被传输的——一本书、一段语料、一次训练，都能把知识从一个地方搬到另一个地方。\"日\"不能。时间、经验、经历，这三样东西没有办法被别人代替。你只能自己走过去。

这是本文第三个判断：大模型拿到了人类几乎全部的\"知\"，但它没有\"日\"。它读过所有关于游泳的书，但从没下过水。而\"智\"这个字告诉我们的是——知识加上时间和经历，才是智慧；缺了后半截，知识再多也停在原地。

而这正是他主张研究具身智能的根本理由。他的原话是：

\"人工智能下一步怎么发展？还是要多借鉴生物智能，所以要研究具身智能。\"

\"具身智能既是人工智能的一种形态，更是人工智能可持续发展的必由之路……因为人类智能就是这样形成的，通过自己的感官跟外部交互，在摸爬滚打中形成的。\"

他还举了一个很朴素的例子：婴儿是通过触摸、摔倒等交互行为学会走路的，而不是被预先编程的。这个立场值得放进坐标系里看——它其实是对\"数据规模决定一切\"这条主流路线的一个温和但根本的质疑：如果智能的一半来自与物理世界的交互，那么无论你把互联网上的文本读多少遍，都拿不到那一半。

四、最锋利的一刀：付出多少人工，才有多少智能

如果要在他所有的话里挑一句最有杀伤力的，是这句：

\"人工智能 = 人工 + 智能，付出多少人工才有多少智能。\"

这句话听起来像个文字游戏，但它是对整个行业最流行的那个幻觉的正面一击。那个幻觉是：AI 意味着不再需要人。而这句话说的是：AI 的每一分能力，背后都对应着一份人工投入。这一点，如果你回顾 AI 的实际发展史，会发现它几乎精确成立——只不过人工投入的形态一直在变：

第一阶段，人工写规则。专家系统时代，人类专家把知识一条条编码进系统。这是最显性的人工。

第二阶段，人工标注数据。深度学习时代，需要数以百万计的人工标注样本。人工没有减少，只是从\"写规则\"变成了\"贴标签\"，而且转移给了成本更低的人群。

第三阶段，人工对齐与评测。大模型时代，需要人做偏好排序、写评测集、设计安全规则、构造训练任务。人工进一步变得专业化和隐形。

第四阶段，人工设计工作流。智能体时代，需要人把任务拆解成步骤、定义工具、设定边界、处理异常。这份人工往往不被计入\"AI 成本\"，因为它以\"产品设计\"和\"实施服务\"的名义出现。

这是本文第四个判断，我称之为\"人工的迁移律\"：AI 从不消灭人工，它只是让人工换个位置，并且每换一次，就变得更隐形一点。而当人工足隐形时，人们就会产生\"智能是自动涌现的\"这种错觉。

这条判断对企业的用法极其直接：当有人向你推销一个\"不需要人\"的 AI 方案时，正确的问题不是\"它有多聪明\"，而是——这个方案里的人工，跑哪去了？是被真正消除了，还是被转移给了你？很多企业在 AI 项目上超支，不是因为算力贵，是因为把隐形的人工成本，全部算成了自己的实施成本。

五、第二刀：不能为了机器像人，却让人沦为机器

这句话同样是他 2025 年在国科大讲的原话，我认为它是他全部社会关切的浓缩。

\"不能为了机器像人，却让人沦为机器。\"

这句话为什么重要？因为它指出了一个在实践中极难分辨的岔路口。
AI 在企业里落地，其实有两条完全不同的路径：
第一条：让机器承担那些人不该做的重复劳动，把人释放出来做判断、做创造、做需要负责的事。

第二条：把人的工作切碎、标准化、可度量化，直到它足够简单，能被机器监督和调度。

第二条路也会带来效率提升——而且往往在短期内提升得更快、更可测量。

这是本文第五个判断：效率提升有两个方向，一个向上一个向下，而它们在报表上长得一模一样。向上的那条，人的工作变得更完整、更需要判断；向下的那条，人的工作变得更碎、更可替换、更像一个执行单元。区分它们的方法只有一个——看这个岗位上的人，三年以后是变得更值钱了，还是更容易被替换了。

这也解释了为什么他从 2015 年就开始呼吁\"人工智能社会学应提上议事日程\"。那一年他说：

\"'水能载舟，亦能覆舟'。人工智能应用得好、把握得好，魔鬼就不会出现。\"

在 2015 年，也就是 ChatGPT 出现的七年前，就把\"技术的社会影响\"当作一个必须与技术研发同步推进的议题——这在当时是相当超前的。

六、他的七条基本假设

把上面的判断反推回去，可以还原出一组支撑他判断的底层假设。
假设一：智能是分层的，且层级之间不可跳跃。
知、智、谋、情四层，是本文对他表述的结构化提炼。这条假设的推论是：在第一层上取得再大的进展，也不会自动兑换成第三层的能力。

假设二：通用智能的本质特征是\"一脑万用\"。
他 2015 年的原话就是：\"我觉得人工智能机器很难说比人聪明，因为人的大脑是一脑万用。\"十年后他仍然认为通用人工智能任重道远。

假设三：智能的形成依赖与物理环境的交互，因此具身是必由之路。
这是他与纯数据驱动路线最根本的分歧点。

假设四：AI 的每一分能力提升，都对应等量的人工投入迁移。

假设五：技术发展有其内在规律，违背规律必然回调。
他反复讲人工智能的\"三起两落\"，并从中总结了五点启示：\"第一，尊重科技发展规律是推动科技健康发展的前提；第二，基础研究是科学技术可持续发展的基石；第三，应用需求是科技创新的不竭之源；第四，学科交叉是创新突破的'捷径'；第五，宽容失败应是鼓励与支持创新的题中应有之义。\"

这五条里，第五条最容易被忽略，也最难做到——一个不宽容失败的体系，会系统性地把资源推向确定性高但价值低的方向。

假设六：社会影响必须与技术研发同步考虑，不能事后补。

假设七：中国有独特的路径条件，但短板必须被直视。

他 2025 年的判断是：应充分发挥新型举国体制、海量数据、丰富应用场景等优势；同时明确指出，在原创成果、关键芯片、高端人才、数据共享与顶层设计等方面仍面临挑战。

这个\"优势—挑战\"并列的表述方式，是他一贯的风格：从不只说一半。他 2015 年对中国 AI 的十六字概括，今天读来仍然精准：\"国家重视，态势喜人，差距不小，前景看好。\"

七、趋势判断：从\"蛮力\"到\"灵巧\"

他在 2025 年 11 月给出了一个八条趋势的判断，这是他最新的完整框架：从专用走向多用、人机混合智能崛起、迈向自主智能系统、从\"蛮力\"到\"灵巧\"、从\"呆板\"到\"温情\"、追求可信的人工智能、深度赋能各行各业、全球治理议题凸显。

这八条里，我认为第四条最值得单独拎出来讲——\"从蛮力到灵巧\"。因为它直指当下这一轮的核心矛盾。过去几年 AI 的进步路径，本质上是\"蛮力\"的：更多参数、更多数据、更多算力。这条路走通了，也确实带来了质变。但\"蛮力\"这条路有一个内在的问题：它的边际收益是递减的，而它的成本是线性甚至超线性增长的。而\"灵巧\"意味着什么？意味着用更少的资源做同样的事——更好的架构、更好的数据配比、更好的推理策略。把这一条与他在具身智能大会上的另一段话放在一起看，会更清楚：他指出，传统人工智能依赖\"算力+数据\"的堆砌模式，存在性能提升瓶颈和场景适应性不足问题，可以转向生物启发式创新。

推论：一项技术从\"蛮力\"转向\"灵巧\"，通常不是因为人变聪明了，是因为蛮力这条路的成本终于高到了让人不得不动脑筋。而这个转折点一旦到来，行业的竞争规则会整体改变——从\"谁的资源多\"变成\"谁的效率高\"。对资源相对不足的一方来说，这个转折点是唯一的机会窗口。

而在这一整套趋势判断的旁边，他给了一条明确的警告——他提醒对人工智能领域存在的炒作要保持警惕，比如声称智能水平即将全面超越人类、两年内将实现通用人工智能等说法。

在具身智能大会上，他给业界的建议更直白：

\"不要设定不切实际的发展目标，不要一哄而上大家都搞具身智能。\"

八、产业与体系影响：从一只眼睛到一门通识课

他的影响力可以分成三层来看，而这三层的时间跨度越来越长。

第一层，技术层：虹膜识别的自主化。
虹膜识别是生物特征识别中精度最高的一类，也是长期被国外技术垄断的一类。他带领团队做的事，是在这个方向上建立起中国自主的技术体系。在他的讲述中，这段经历被概括为\"突破国外技术封锁实现虹膜识别自主创新\"。

这类工作的特点是：周期极长，见效极慢，且一旦做成，它的价值就变成\"看不见\"的——因为没有人会为\"我们没有被卡脖子\"这件事鼓掌。

他还提到过智能视频分析在 2007 年就已进入北京城铁应用，以及步态识别的研发。这些都是模式识别在真实公共场景中的早期落地。

第二层，机构层：中科院自动化所与国家层面的技术判断。

他历任自动化所所长、中科院副秘书长、副院长。在这个位置上，一个人对技术趋势的判断会通过资源配置放大很多倍。

第三层，也是我认为最值得注意的一层——教育层。

在南京大学，他推动建设了人工智能通识核心课程体系，并亲自讲授第一讲。他在国科大回答学生提问时，给出的人才培养理念是\"适配国家需求、适配时代特点、适配学生发展\"，并从实践能力培养、课程体系优化、研究方向整合、实践平台构建、国际视野拓展和人文素养提升多个维度阐述路径。

这是本文第六个判断：一个技术判断能影响多少人，取决于它被写进了什么载体。写进论文，影响同行；写进产品，影响用户；写进课程体系，影响的是一整代人的默认认知。而\"知—智—谋—情\"这样的判断框架，恰恰最适合被写进通识课——因为它不需要技术背景就能理解，却能让一个非技术专业的学生，一辈子不会被\"AI 马上就要超过人类\"这类说法轻易带走。

九、三条应该被说出来的边界

只讲成就的文章不值得写。这里给四条我认为真实存在的边界。

第一，一把十年不变的尺子，既是优点也是风险。
如果刻度本身有偏差，它会一直偏下去。具体来说，\"情\"是否应该被列为智能的必要层级，本身是可争论的——也许\"缺情\"不是缺陷，而是一个我们应该主动保留的设计选择。一个能精准理解并回应人类情绪的系统，在提供陪伴的同时，也具备了极强的影响力。这一层\"补上\"之后是不是更好，并不是一个技术问题。

第二，四层判断是描述性的，不是可测量的。
它给了方向，但没有给判据。每一层\"到了几分\"，如何测量？两个系统在\"谋\"上的差距，怎么比较？

做个对照会更清楚：同样是指出大模型的能力边界，有的学者用一个具体实验来划线——比如用一个五件物品的背包问题，让模型当场答错，边界就精确地显形了。而\"多知少智无谋缺情\"给的是一幅全景图，全景图的好处是不会看错方向，代价是不能用来做严格的能力评估。

第三，\"具身是必由之路\"是一个强判断，反方论证也存在。
一种有力的反驳是：人类语言本身，可能已经把大量关于物理世界的结构编码进去了——我们描述重力、摩擦、因果的方式，携带着交互的痕迹。如果这个说法成立，那么语言模型或许能间接获得一部分\"日\"。这个争论目前没有定论，而他的立场是明确站在具身一侧的。

十、在 AI 思想坐标系中的位置：他是参照系，不是路线

这是本文最想给出的定位。回顾这个系列一路搭起来的坐标：有人主张智能需要被设计，有人主张它会在规模中涌现；有人守着优化与搜索这条更古老的路；有人把 AI 当作一件解高维方程的数学工具；有人追问在数据不可汇集时智能如何被生产。这些人的共同点是：他们每个人都在推一条路线。谭铁牛院士不推路线。

这是本文的定位结论：在这张图谱上，他占据的不是某条路线的位置，而是参照系的位置。十一年来他做的其实是同一件事——在每一次热潮里，把\"我们现在到底在哪\"这个问题重新校准一遍。

2015 年，别人在说机器很快会超过人，他说\"有智能没智慧，会计算不会算计\"。2025 年，别人在说两年内实现 AGI，他说\"多知、少智、无谋、缺情\"，并明确点名这类说法属于需要警惕的炒作。而校准现在，其实比预测未来难得多。因为预测错了，要等很多年才会被发现，中间还有无数次修正的机会；而校准错了，当场就会露馅。

这里我想给一个跨界对标探讨：计量学里的基准器。任何一个高速演进的技术体系，都需要一个不随演进而漂移的基准。没有米原器，所有的长度测量都会在传递中失真；没有一个稳定的能力判据，整个行业对\"我们到哪了\"的集体认知就会被最响亮的那个声音带走。

在一个高速膨胀的系统里，最稀缺的从来不是加速度，是参照系。加速度可以靠资源堆出来，参照系不能——它只能靠一个人在十年里反复说同一句不讨喜的话来维持。

而这个角色是有代价的：说\"还早着呢\"的人，永远不如说\"就要来了\"的人受欢迎。他的判断在每一次热潮的顶点都显得保守，只有在潮水退下去之后，才会有人回头发现他一直站在那里。

尾声

回到开头那个问题：一个判断在十年里没被推翻，意味着什么？我的答案是：意味着他判断的对象，从一开始就不是技术。技术十年一变，甚至三年一变。但\"智能包含哪几个层次\"这个问题，属于更慢的一层——它更接近哲学，或者说，更接近对\"人是什么\"的追问。而他之所以能在这一层上站住，恰恰是因为他早年做的是虹膜识别这种必须给出错误率、必须承担后果的东西。做过那种事的人，很难对任何没有边界的能力宣称感到兴奋。

如果要把这篇文章收束成一句话——

他一直在做的，不是预测 AI 会走到哪，而是不停地校准我们现在站在哪。前者让人兴奋，后者让人清醒。而一个行业能走多远，最终取决于清醒的人有没有被听见。

他那两句最狠的话，值得放在最后再看一遍：

\"人工智能 = 人工 + 智能，付出多少人工才有多少智能。\"

\"不能为了机器像人，却让人沦为机器。\"

第一句，是对技术神话的祛魅。第二句，是对效率崇拜的提醒。这两句合起来，构成了一个在 AI 时代最朴素也最难守住的立场：把机器当机器看，把人当人看。

附录：关键史实与信源

一、可核实的履历事实

1964 年生，湖南人。1984 年获西安交通大学学士学位；1986 年、1989 年分别获英国帝国理工学院硕士与博士学位；1989–1997 年在英国雷丁大学计算机科学系工作任教；1998 年回国进入中国科学院自动化研究所。
曾任中国科学院自动化研究所所长、中国科学院副秘书长、中国科学院副院长（兼国际合作局局长）、中央人民政府驻香港特别行政区联络办公室副主任；现任南京大学党委书记，并任中国科学院自动化研究所智能感知与计算研究中心主任。
2013 年当选中国科学院院士；2014 年当选英国皇家工程院外籍院士、发展中国家科学院（TWAS）院士；2016 年当选巴西科学院通讯院士；2022 年获国际模式识别领域最高奖傅京孙奖。IEEE Fellow、国际模式识别学会 Fellow。
研究方向为图像处理、计算机视觉与模式识别，聚焦生物特征识别、图像视频理解与信息内容安全，是虹膜识别、步态识别研究的开拓者。

二、其本人原话（据公开报道，标注时间与场合）

2015 年，中国人工智能大会主题报告（后整理刊于《中国信息安全》，题为《人工智能，天使还是魔鬼》）：

\"现有的人工智能系统，可以说有智能没智慧，有智商没有情商，会计算不会算计。\"
\"我觉得人工智能机器很难说比人聪明，因为人的大脑是一脑万用。\"
人工智能发展的五点启示：\"第一，尊重科技发展规律是推动科技健康发展的前提；第二，基础研究是科学技术可持续发展的基石；第三，应用需求是科技创新的不竭之源；第四，学科交叉是创新突破的'捷径'；第五，宽容失败应是鼓励与支持创新的题中应有之义。\"
对中国 AI 状况的十六字概括：\"国家重视，态势喜人，差距不小，前景看好。\"
\"'水能载舟，亦能覆舟'。人工智能应用得好、把握得好，魔鬼就不会出现。\"
同期提出\"人工智能社会学将提上议事日程\"，并给出七条趋势判断（含\"人工智能将引领第二次机器革命\"\"智能+X 将成为万众创新的时尚和潮流\"等）。
提及虹膜识别当时已大规模用于煤矿，智能视频分析 2007 年起在北京城铁领域应用。

2025 年，中国具身智能大会（CEAI 2025），演讲题为《具身智能：学科交叉的新前站》：

以汉字\"智\"（知＋日）解具身思想，引《荀子·正名》\"所以知之在人者谓之知\"；\"'智'是由知识和时间经历的积累构成的，这里面就包含了具身的概念。\"
\"人工智能下一步怎么发展？还是要多借鉴生物智能，所以要研究具身智能。\"
\"具身智能既是人工智能的一种形态，更是人工智能可持续发展的必由之路……因为人类智能就是这样形成的，通过自己的感官跟外部交互，在摸爬滚打中形成的。\"
提出具身智能三阶段（萌芽起步期 1940–2000、技术积累期 2000–2022、快速发展期 2022 至今）与五大趋势（多学科深度交叉融合、任务模型向广域基座演进、虚实空间深度融合共生、应用边界指数级拓展、创新资源集聚式发展），以及推动产业发展的五点建议。
\"不要设定不切实际的发展目标，不要一哄而上大家都搞具身智能。\"
指出传统人工智能依赖\"算力+数据\"堆砌模式，存在性能提升瓶颈与场景适应性不足。
说明：该场演讲的公开整理稿末尾注明\"根据谭铁牛院士公开演讲整理而成，未经本人确认\"，本文引用时已保留这一限定，读者宜作此理解。其中\"2030 年全球具身智能产业规模有望突破万亿美元\"等预测性数字出自整理稿，属预测而非既成事实，本文正文未予采用。

2025 年 11 月 10 日，中国科学院大学《新思想与新科技》课程第四讲，题为《人工智能创新发展与社会影响》：

系统回顾人工智能\"三起两落\"发展历程，辨析\"通用人工智能\"\"专用人工智能\"\"生成式人工智能\"\"具身智能\"等概念。
\"经过近 70 年发展……然而，通用人工智能仍任重道远，'多知''少智''无谋''缺情'等基础性问题尚待解决。\"
\"人工智能 = 人工 + 智能，付出多少人工才有多少智能。\"
\"不能为了机器像人，却让人沦为机器。\"
提出全球人工智能发展八大趋势：从专用走向多用、人机混合智能崛起、迈向自主智能系统、从\"蛮力\"到\"灵巧\"、从\"呆板\"到\"温情\"、追求可信的人工智能、深度赋能各行各业、全球治理议题凸显。
关于中国：应发挥新型举国体制、海量数据、丰富应用场景等优势；同时在原创成果、关键芯片、高端人才、数据共享与顶层设计等方面仍面临挑战。
人才培养理念：\"适配国家需求、适配时代特点、适配学生发展\"。
\"人工智能是年轻的事业，也是年轻人的事业。希望大家保持定力，守正创新；踔厉奋发，砥砺前行。\"三、笔者的分析建构（非其本人表述）
另据公开报道，其提醒对\"智能水平即将全面超越人类\"\"两年内将实现通用人工智能\"一类说法保持警惕。

其他：在南京大学推动建设人工智能通识核心课程体系并亲自讲授第一讲。

三、笔者的分析建构（非其本人表述）

以下为笔者依据公开材料所做的分析与推断，未经其本人确认，读者可以不同意：

将\"多知、少智、无谋、缺情\"结构化为\"知—智—谋—情\"四层量表

，及\"层级单调、不可跳跃\"这一性质的推论——其本人从未将其表述为一把有序的量表；
* \"2015 年三句话与 2025 年四个词是同一套结构\"这一对照分析；
* \"大模型有'知'没有'日'\"这一提炼；
* \"人工的迁移律\"及其四阶段划分（写规则→贴标签→做对齐→设计工作流）——四阶段划分为笔者所加；
* \"效率提升有两个方向，而它们在报表上长得一模一样\"

，及\"三年后更值钱还是更易替换\"这一判据；
* \"他在图谱上占据的是参照系的位置而非某条路线\"这一坐标定位，及与计量基准器的对标；
* \"做过'错了要负责'的系统，会让人本能地不相信没有边界的能力宣称\"这一推断；

本文为公开信息基础上的思想评述，所引职务与荣誉均为公开信息的客观陈述，不涉及任何评价性判断；本文不构成对任何机构、产品或技术路线的推荐。

来源：i少数派