出品｜搜狐科技
作者｜常博硕
9月9日至12日，2026 Inclusion·外滩大会在上海黄浦世博园区举行。
今年，大会把主题定为“共创AI新经济”。本次大会设一场主论坛、40余场见解论坛，超600位来自全球的学者、科学家、企业家、投资人和创新者聚在一起，讨论当AI真正开始进入经济、科研和日常生活之后，它究竟会把这个世界带向哪里。
此外，主题科技展区占地约1.5万平方米，有超过300家参展企业汇聚于此，把AI搬进了机器人、医疗、支付、家庭和更多真实场景。
搜狐科技走完整个展馆，听了大会的多场论坛后，总结出了本次大会真正值得看的亮点和核心观点。
经济学家怎么看AI？
上海财经大学校长刘元春在《AI经济增长新范式与社会价值重构》见解论坛上表示，与AI经济快速进入现实相比，经济学理解AI的速度明显更慢。
“经济学家还没有找到一种可行路径来好好研究AI。”他说，“AI对经济学家的冲击可能比对普通人的冲击还要厉害。”一项新的技术范式出现时，最先发生的往往不是生产率突然提高，而是思想和社会预期先发生变化。大量讨论、资本进入，以及随之而来的金融热潮，本身就是技术革命早期的一部分。但到了真正的经济学研究环节，问题开始变得困难。
在刘元春看来，经济学还无法准确回答AI究竟能替代多少任务，能够在多大程度上增强劳动，能否加快科研创新，以及微观层面的效率提升最终如何汇总为宏观增长。在他看来，今天围绕AI泡沫的争论，本质上是市场对未来增长红利判断不同——如果认为AI未来能转化出的生产率非常有限，今天的高估值就更缺乏基本面支撑；如果相信AI会带来一轮显著的生产率革命，高估值也可能包含对未来增长的提前定价。
问题恰恰在于，目前经济学界对这件事远没有形成共识。
2011年诺贝尔经济学奖得主、纽约大学教授托马斯·萨金特（Thomas Sargent）也表示，我们正在进入一个“知道AI很重要，却还不知道它究竟会把经济带向哪里”的阶段。他表示，当前亚洲和美国的AI投入都在快速增长，美国尤其明显，少数几家公司相互竞赛，不断加码。但巨额投入并不意味着高回报已经确定。
“它们建立在可疑的模型之上。没人知道这些模型到底会产出什么。”萨金特说。AI技术很可能带来生产率提升和新的商业价值，但投资者最终能否获得预想中的回报，仍存在很大的不确定性。
2025年诺贝尔经济学奖获得者菲利普·阿吉翁给出了更好应对AI带来的变化的建议。他表示，应对AI带来的冲击，需要良好的教育体系，也需要像丹麦那样完善的灵活保障体系。他举例，在丹麦，符合条件的失业者最多可领取两年、最高相当于原工资90%的失业保障。同时，还会获得再培训和再就业方面的支持。“所以总体而言，要释放AI的增长潜力，需要有合适的竞争政策，而要释放AI创造就业的潜力，则需要良好的教育体系，以及灵活保障政策。”
中金首席经济学家缪延亮则判断AI对物价的影响并不是单向的。短期看，算力、存储等关键资源的供给瓶颈会推高价格；但长期看，随着生产率提升以及AI对劳动和收入分配的影响，去通胀压力可能更强。
他说，AI提高生产率、扩大供给，如果需求不能同步增长，就会形成价格下行压力。历史上也出现过类似过程。缪延亮表示，无论是电气革命还是信息革命，都曾伴随持续的去通胀压力。但目前AI带来的生产率提升，还没有完全反映在宏观数据中。
“虽然很多人用AI，我们都感觉它提高了我们的生产力，可是在宏观的数据中，尚没有体现。”缪延亮说。另一方面， AI能够接管越来越多原本由劳动完成的任务。即使并不直接替代整个职业，也可能降低劳动收入在总收入中的占比。而资本所有者的边际消费倾向通常低于劳动者。当收入更多流向资本、劳动收入份额下降，总需求就可能受到抑制，进而形成去通胀压力。
大模型真的加速了基础科学吗？
被誉为天才少女的王梦迪此次也亮相外滩大会。王梦迪14岁考入清华大学、24岁进入普林斯顿、29岁成为普林斯顿最年轻的终身教授，如今是普林斯顿大学人工智能创新中心主任。
在主论坛上，王梦迪提出一个问题：AI距离自主发现新科学还有多远？她的判断是，今天的大模型已经掌握了大量人类知识，但在真正的科学发现上仍然存在明显局限：大模型更擅长找到“最可能”的答案，而真正的新发现，往往藏在概率分布的长尾里。
这也解释了为什么大模型在数学、Coding等领域进展迅速，却尚未在物理、化学、生物等基础科学领域产生同等规模的原创发现。
区别在于，数学和Coding拥有相对明确的“验证器”。Coding可以通过编译器和Unit Test验证结果，数学则可以借助Lean等形式化证明系统进行验证。模型可以不断尝试、获得反馈、修正答案，再进入下一轮训练。但在现实科学研究中，验证远没有这么容易。
在王梦迪看来，科学研究往往涉及复杂的实验设备、人的判断以及跨团队协作，很多实验甚至无法稳定复现。而AI的出现让发表论文变得越来越容易，可是信息越来越多，并不意味着真正有效的新信息同步增加，反而可能降低科研过程中的“信噪比”。
量子计算是不是资本噱头？
量子计算代表着人类对计算边界的探索。今年外滩大会上设立了一个比较特别的展区，把国内量子计算的三条技术路线首次放到了一起：离子阱、超导和中性原子。
幺正量子走的是离子阱路线，主要是被电离的原子困在电磁场形成的陷阱里，再利用激光等手段操控离子的量子状态。幺正量子源自中国科学技术大学郭光灿院士团队，采用QCCD（量子电荷耦合器件）架构，目前已经完成多代离子阱量子计算整机迭代并实现商业交付，并搭建了国内首台低温芯片型离子阱量子计算原型机，实现低温离子囚禁和离子输运。
第二条路线是超导量子计算。代表企业是逻辑比特科技，此次带来超导量子芯片和未来超导量子计算机模型，其核心思路是利用超导电路中的约瑟夫森结等器件构造人工量子比特，再通过微波信号进行操控。超导路线的优势之一是量子芯片可以借鉴成熟的微纳加工工艺，同时具有较快的操控速度，因此也是目前全球量子计算产业化竞争最激烈的技术路线之一。
第三条路线璇相科技展示的中性原子量子计算。展台展示了芯片化大规模光镊阵列。所谓光镊，可以简单理解为用高度聚焦的激光形成一个个微型“陷阱”，把单个冷原子固定在特定位置，再通过激光操控原子的量子状态。
据展台人员介绍，今年6月璇相科技已经研制出全球首款可产生百万级原子光镊阵列的超表面芯片，并与中器无量在真实中性原子实验平台上完成系统级验证。
不过，中国科学技术大学上海研究院执行院长陆朝阳教授也坦言：“量子计算虽然很卷，目前其实还很‘菜’。”
在他看来，量子计算当然重要，但它并不是一台“加速一切”的超级机器，只有对少数具有特殊数学结构的问题，量子计算才能提供真正的加速。
在量子力学里，一个量子比特可以处于0和1的叠加态。多个量子比特组合起来，状态空间会快速增长，这让量子计算看起来像是拥有某种天然的“并行能力”。但他提醒，量子计算并不简单等于并行计算。
虽然量子系统可以对叠加态进行整体操作，但一旦测量，最终只能得到一个结果。量子加速并不会自动发生，必须找到具有特殊数学结构的问题，再设计出合适的量子算法，才可能真正体现优势。
在他看来，目前真正被广泛认可、适合量子计算发挥作用的问题并不多。最典型的一类，是大数分解和离散对数等密码学问题；另一类，则是量子系统本身的模拟，比如量子多体系统，以及与材料、化学相关的问题。
这也解释了，为什么“量子金融”虽然听起来很热，但至今仍缺少坚实的科学依据。“到目前为止，对于金融领域，还没有得到科学界公认、能够在实用条件下获得明确量子优势的证据。”陆朝阳说。
与之类似，量子计算与大模型的关系，也常常被高估。他明确表示，量子计算不是“超级GPU”，并不会天然加速今天最重要的AI训练过程。“对于今天大模型这样一个特别重要的领域，目前科学界还没有一个公认的量子算法，能够证明在实用条件下对大模型训练实现明确的量子加速。”
通用模型会对具身公司形成“降维打击”吗？
今年9月，GPT正式宣布进军机器人领域。同时，OpenAI发布了GPT-6 Astra已经能够直接操控机械臂的视频。于是，行业内部开始出现一种声音：通用大模型是否会“降维打击”具身智能公司？
自变量CEO王潜给出了自己的判断：“智能的本体存在于数据里”。在他看来，模型更像训练阶段的蒸馏器和部署阶段的容器。如果通用模型要真正进入具身智能，它依然必须面对机器人数据、现实世界评测、硬件、仿真和部署等基础设施问题。这些难度不会因为拥有一个更强的语言模型而自动消失。
破壳机器人创始人、清华大学交叉信息研究院助理教授许华哲对Astra进行测试后也观察到，它在语义理解和三维空间能力上表现突出，能够识别物体、抓取筷子，甚至完成一定程度的递送操作；但到了叠衣服、复杂接触“Contact-rich”任务，物理交互能力依然存在明显不足。因此，更可能出现的未来不是谁取代谁，而是分层。上层大模型负责语义、推理、规划和任务拆解，底层具身模型负责实时感知、连续控制和高可靠执行。
蚂蚁灵波科技首席科学家沈宇军认为，这种分层甚至可能反过来改变大模型。机器人必须在行动过程中持续接收传感器输入，并根据环境实时改变决策，它不能像今天的聊天模型一样“一问一答”。这意味着具身智能最终可能形成一套属于物理世界自己的训练范式。“具身可能会走跟数字世界相同的模式，但一定不会走相同的技术路线。”沈宇军说。
除了通用模型的挑战，近期世界模型也成为行业讨论的重点。如果说大模型解决的是机器对数字世界、语言和知识的理解，那么在香港大学计算与数据科学学院创始院长马毅看来，具身智能真正要面对的是一个更加复杂的对象——连续的、三维的物理世界。
他认为，当前行业对“具身智能基础模型”的定义其实还没有完全形成共识，但有一点相对明确：如果机器人未来要进入开放的物理世界，与真实环境进行持续交互，那么对物理世界的感知和建模必须具备类似Foundation Model的基础能力。“获取世界模型，获取 perception（感知），这件事情一定是世界模型，就是对连续物理世界、3D世界的物理模型。”马毅表示。
他认为，世界模型与具体的运动控制模型，并不一定需要采用同样的规模和路线。马毅特别提到，人脑本身就是一个很直观的例子：负责感知和认知的系统承担着大量复杂的信息处理，而负责运动控制的小脑则相对小得多。对应到机器人身上，对物理世界的感知、理解和记忆需要具备更强的通用性，而具体到“拿东西”“开门”“打乒乓球”等任务，控制模型未必需要做到同样庞大。
“运动是可以像刚刚讲到的，我后天可以通过交互去学习，模仿或者是强化学习。”因此，未来的具身智能可能并不是一个“大脑包打一切”的单一模型，而是通用世界模型负责理解物理世界，具体技能模型再通过后天学习完成特定任务。
他还表示，当前大量垂直场景中的机器人模型，并不能完全等同于世界模型。马毅认为，如果只是冰淇淋制作、外卖等相对确定的任务，或者乒乓球这样的特定运动场景，视觉感知和控制本身并不一定需要大模型，只要任务明确、环境相对稳定，现有技术已经能够做得很好，甚至已经具备商业化条件。但真正困难的是把这些孤立的能力综合起来，让机器人面对从未见过的环境和任务，仍然能够理解物理世界并做出适应。
而这背后又绕不开数据。与语言模型可以从互联网获得海量文本不同，具身智能的数据天然来自真实物理世界，采集成本高、标准不统一，而且机器人穿戴设备、遥操作等方式获得的数据，往往与人在自然状态下的行为存在差异。马毅坦言，他们早期也曾认为数据采集已经是一个相对成熟的问题，但真正做起来后才发现，“数采不是那么简单”，很多穿戴式采集和遥操作数据存在不自然、效率低、重复度高等问题。
但马毅并不认为今天采集的数据最终都会失去价值。相反，他判断，数据的价值与模型和学习方法本身是动态变化的。基础模型能力越强，其从低质量数据中提取有效信息的能力也可能越强，因此今天看起来质量一般的数据，未来未必没有价值。他表示，互联网早期的数据烂得一塌糊涂，后来随着技术和数据体系的发展，才逐步形成更高质量的数据生态。
所以他认为，物理世界的数据同样会经历一个“大浪淘沙”的过程，早期的数据采集存在泡沫、存在浪费是技术发展必须付出的成本，而不是因此停止探索。
运营编辑 | 孟莎莎
