

上海交通大学：2025“人工智能+”行业发展蓝皮书

求数科技

2025-08-25

导读：人工智能（AI）的全球化发展正以前所未有的速度重塑技术、经济与社会结构。

人工智能（AI）的全球化发展正以前所未有的速度重塑技术、经济与社会结构。这一进程不仅体现为技术突破的加速、AI+产业变革，更涉及国际合作、治理框架的构建以及伦理风险的平衡。以下从多维度解析 AI 全球化发展的关键趋势与挑战。一、人工智能的起源与范式演进人工智能的学科起源可追溯至1956年的达特茅斯会议[1]，约翰·麦卡锡（John McCarthy）、克劳德·香农（Claude Shannon）、马文·明斯基（Marvin Minsky）等著名学者首次明确提出了“人工智能”的概念，通过计算机模拟人类智能，实现语言理解、抽象推理和自主问题解决。

随后，人工智能的技术范式先后历经了从规则、统计再到深度神经网络驱动的三个阶段发展历程。20 世纪 60 至 80 年代，规则驱动范式主导了 AI 发展，“符号主义”主张根据人类专家知识的规则库进行推理和决策。90 年代后，统计学习范式崛起，贝叶斯网络、支持向量机等算法通过数据驱动模式优化参数，推动垃圾邮件过滤、搜索引擎排序等应用落地，标志着 AI 从“人工定义规则”向“基于数据进行学习和推理”的范式转移。公众广为熟知的是现在所处的 AI 发展第三阶段——深度神经网络。2012 年成为 AI 发展的重要分水岭。杰弗里·辛顿（Geoffrey Hinton）凭借深度卷积神经网络 AlexNet[2]在李飞飞组织的 ImageNet 竞赛中以压倒性优势击败传统方法，标志着人工智能进入了深度学习时代。这一突破背后是神经网络、数据和算力三大要素的融合，卷积神经网络通过自动学习特征，其效果超越了手工设计的特征，海量数据为算法提供了文本、图像、语音等多模态燃料，大规模并行计算使得训练数十亿参数模型成为可能，重塑了 AI 研究的范式。

2017 年Transformer 架构[3]的提出更是革命性里程碑——自注意力机制不仅解决了长序列建模难题，还催生了 GPT、BERT 等大语言模型，使自然语言理解的准确率超越人类基线。至此，深度学习完成了从实验室理论到产业基石的华丽转身，驱动聊天机器人、智能客服、医疗影像分析、自动驾驶、具身智能等场景的规模化落地。纵览过去七十年间人工智能的发展历程，技术演进始终贯穿着符号主义、连接主义与行为主义[4]的哲学张力。符号主义追求具备可解释性的规则推理；连接主义主张通过模拟人脑神经元的连接方式来实现人工智能；行为主义则强调通过试错与交互来优化行为。

与此同时，我们可以清晰地看到，人工智能的重大突破往往源于未知前沿的探索精神、基础理论（如Transformer 的数学建模）与工程实践（如分布式训练框架）的协同共振，众多胸怀大志之人正在通往人工智能的道路上全力书写下一个辉煌篇章。

全球 AI 技术呈现多极化竞争态势，美国、中国、欧洲等国家和地区通过大型模型研发与政策扶持争夺主导权。如，美国企业 OpenAI、谷歌和 xAI 公司持续推出 GPT、Gemini及 Grok 等系列模型，提升多模态能力与计算效率；中国企业月之暗面的 Kimi、字节的豆包、腾讯的混元以及阿里的通义系列等模型表现出显著竞争力，尤其是深度求索公司 DeepSeek发布的开源模型以高性价比引发关注；法国 Mistral 公司推出高速生成的开源助手 Le Chat成为“欧洲之光”。与此同时，各国政策支持力度持续加大，如美国“星际之门”项目计划投资5000 亿美元建设 AI 基础设施，欧盟则通过“投资人工智能”倡议调动 2000 亿欧元推动超级工厂建设。