AI时代，守住人的自主性才是关键

最近在斯坦福参加一场行业交流活动，现场聆听了一位嘉宾的深度访谈。原本我更期待听到关于前沿技术的判断，但整场下来，真正触动我的，却是她对人生选择、以及AI时代人的自主性的思考。

访谈中主持人抛出了一个极具代表性的问题：既然大语言模型可以通过海量文本数据训练出强大能力，为什么不能用同样的思路训练机器人？这个问题恰好点出了当前机器人技术的核心卡点。嘉宾的回答一针见血：语言和物理世界，本质上是完全不同的数据形态。

语言是一种相对规整的数字信息，经过二三十年的互联网积累，已经有了海量的文本资源，输入输出边界清晰，一串字符对应一串字符，天然适合数据驱动的训练模式。所以当大语言模型的训练数据和模型规模达到一定阈值后，能力会实现快速跃升。

但机器人面对的是三维物理世界，它需要在真实空间中移动、触碰、抓取，应对摩擦力、遮挡、环境变化等无数不可控的变量，目前人类通过机器人采集到的真实操控数据依然极为匮乏，没有现成的大规模数据库可以支撑。

自动驾驶算是目前落地最靠前的广义机器人形态，但本质上汽车只是在相对二维的路面上行驶，自由度有限，核心任务只是规避碰撞。即便如此，头部企业也投入了十几年时间，耗费大量资源收集驾驶数据。而人形机器人的难度要高得多，它的核心任务恰恰是主动与真实物体交互：拿杯子、倒水、开门、协助他人、整理空间，每一个动作都需要和实物产生接触，接收物理反馈并调整后续动作。所以当前机器人真正缺失的，不只是更多的采集数据，更是对真实世界运行逻辑的深度理解。

那么该如何破解这个难题？嘉宾提出世界模型是可行的方向，并拆解了三层清晰的框架：

第一层级是渲染

也就是能够基于想象生成符合人类认知的视觉画面，比如当前主流的视频生成工具，都属于这一层的应用，它可以把脑海中的构想转化为可视化内容，但更多还是面向人类的展示用途。

第二层级是模拟

这一层需要模型理解物理规律，比如水流的轨迹、物体碰撞后的运动轨迹，到了这个阶段，世界模型不再只是生成画面，而是真正开始理解世界的运行逻辑，这对机器人来说至关重要，因为机器人需要在行动前预判结果，行动后解读反馈。

第三层级是规划

模型不仅要理解世界运行规则，还要能预测下一步的变化，并自主规划行动路径。自动驾驶需要路径规划，人形机器人的任务规划要求更高，比如整理桌面物品时，需要决定先拿哪个物件、放置的位置，还要预判动作是否会干扰后续操作，这些都不是单纯的画面生成可以解决的。

技术层面的判断我十分认同，但整场访谈真正打动我的，还是嘉宾后续分享的个人成长经历。

她提到，移民、科研工作者和创业者其实有着共通之处——都是踏入完全未知的全新领域，共同面对的都是不确定性。陌生的语言文化、未知的科学难题、没有确定结果的创业征程，都像是在黑暗的隧道中前行，不知道尽头在哪里，也不知道光亮何时出现。在很长一段时间里，只能依靠自身的热情、韧性和信念支撑着走下去。

很多时候外界看到的只有光环、报道和成果，但真正身处其中的人都清楚，大多数时刻我们面对的是未知、摇摆和怀疑，不知道下一步会走向何方。当被问及如果给年轻时的自己一句建议，她的回答是“不要那么害怕”。

出身东亚家庭的人往往容易陷入过多的自我怀疑，但回头来看，很多顾虑其实并无必要。她用“无畏”来形容这种状态：当你足够在乎一件事，以至于不会因为可能的失败而退缩，这就是无畏，也是她在招聘时最看重的特质。

回到AI时代的讨论，我们很容易陷入两个极端：要么认为AI无所不能，人类很快会被替代；要么觉得AI还很稚嫩，只是个玩具。嘉宾强调，AI可以变得越来越强大，但人的选择绝对不能交给机器。

当下总有声音宣称某项技术可以帮你完成所有事，可以告诉你该如何行动，甚至替你做出决定，但技术的本质应该是增强人的创造力和生产力，而不是剥夺人的自主权。用年轻人的话来说，AI只是一个工具。这次访谈我的女儿也在场，结束后她对我说，自己很喜欢画画，AI虽然可以生成图片，但永远替代不了她对绘画的热爱，也替代不了她亲手创作的选择。

这个道理放到企业层面同样适用。很多企业负责人都在询问，AI到底该如何落地？企业要不要进行原生AI的转型？应该从哪里开始？这些问题没有统一的标准答案，也不可能指望别人替你做出决定。

如果真的想要推动企业的AI变革，最终还是需要一把手亲自参与，深入理解技术、判断方向、组织团队，带着团队穿过这条充满不确定性的黑暗隧道。如果您也在思考这件事，却不知道第一步该如何迈出，不妨一起交流探讨。