AI发展历史与现状 - AI经历两次寒冬，第二次从20世纪90年代持续至21世纪第一个十年，期间人工智能领域备受冷落[1][2] - 1997年MIT人工智能实验室处于无人问津状态，而脑科学领域呈现蓬勃发展态势[3][13] - 当前AI发展已进入与脑科学结合的关键节点，两者关系类似DNA双螺旋结构[3][19] AI与脑科学的交叉演进 - 人工神经网络早期发展深受脑科学影响，多位AI先驱具有心理学或认知科学背景[4][46] - 深度学习革命后AI与脑科学分道扬镳，但下一代AI可能需要重新借鉴脑科学发现[17][25] - 人类大脑进化采取双路径：神经元数量增加（860亿个）与神经元复杂度提升[23][24] - 当前AI仅模仿大脑新皮层功能（推理/语言），而小脑功能（运动控制）更难模拟[48][50] Scaling Law与模型发展 - Scaling Law是AI第一性原理，扩大模型规模是通向智能的必要条件[22][26][27] - 模型参数量必须达到临界规模才能展现真正智能，小模型只是"玩具案例"[21][22] - 所谓Scaling Law撞墙是商业炒作，实质是资源限制下的妥协[29][30] - 国内多数模型采用蒸馏技术，导致继承原始模型的三观对齐问题[29] 学术界与工业界分工 - 大学应专注0到1的颠覆式创新，企业负责1到100的工程优化[32][34] - 工业界竞争呈现赢者通吃格局，技术路线之争最终只有一种算法存活[37][38] - 企业应避免开发专用模型，通用模型专家化将取代专业模型[40][41] AGI发展路径 - 通向AGI的三条路线中，NLP因具备高质量数据和"已知的未知"特性而胜出[52][54] - 当前大模型仅能压缩人类已有知识，缺乏0到1的创造力[55][56] - 语言模型仅模拟人类慢思维系统，快思维系统仍需脑科学突破[57][58] AI对行业的影响 - 知识密集型岗位将消失95%，仅保留具有稀缺性的TOP 5%从业者[60][61] - 教育需转向通识培养，清华已实施书院制改革和"AI+学科"跨领域教育[65][66] - 通用模型专家化趋势下，创业公司应避免与基础模型厂商直接竞争[43][44] 技术瓶颈与突破方向 - 数据枯竭是重大挑战，需突破创造力瓶颈实现自我数据生成[55] - 当前AI仅完成模仿生物智能的第一步，具身智能面临小脑功能模拟难题[49][50] - MoE架构等"新"技术实际源自认知科学的"全局工作空间"理论[46]