摘要：本文深入探讨了人工智能与智能计算的发展历程、前沿动态、面临的安全风险以及中国在该领域的发展困境与道路选择。计算技术历经从机械计算到智能计算的多个时代，智能计算伴随人工智能技术及其计算载体的演进也走过四个关键阶段，如今人工智能技术前沿呈现多模态大模型、视频生成大模型、具身智能、AI4R 等方向。然而，人工智能在带来进步的同时，引发了互联网虚假信息泛滥、AI 大模型可信问题等安全风险，中国在发展智能计算时，面临美国科技打压、高端算力受限、生态薄弱、应用成本高等困境。为此，中国需从技术体系构建、发展侧重点、赋能领域倾向等方面审慎抉择发展道路，以实现智能科技领域的高质量发展。
关键词：人工智能；智能计算；发展历程；安全风险；对策
一、引言在当今数字化时代，人工智能与智能计算已成为推动社会进步、变革产业结构的核心力量。从日常生活中的智能语音助手、图像识别应用，到工业生产中的智能制造、医疗领域的智能诊断，人工智能的身影无处不在，而智能计算则为其提供了坚实的算力支撑，二者相辅相成，共同塑造着人类社会的未来。深入剖析其发展脉络、直面现存问题并探寻解决方案，对于把握时代脉搏、抢占科技高地具有至关重要的意义。
二、计算技术发展历程回顾机械计算时代：算盘与早期辅助计算装置的启蒙算盘作为人类第一代机械计算工具，以其简单直观的方式，为早期数值运算搭建了基础框架。随后，纳皮尔筹、滚轮式加法器等手动辅助计算装置相继涌现，它们虽在计算效率上相对有限，但开启了人类利用工具进行复杂数值处理的探索之旅。1672 年，步进计算器的诞生具有里程碑意义，它成为首台能够自动完成四则运算的装置，为后续计算技术的飞跃积累了宝贵经验，也让人们初步见识到自动化计算的潜力。在这一时期，查尔斯∙巴贝奇提出的差分机与分析机构想更是超前，编程概念由此初步形成。诗人拜伦之女艾达为差分机编写的计算指令，堪称历史性突破，它标志着软件与硬件分离的开端，是人类历史上首套计算机算法程序，为现代计算机软件编程奠定了基石。电子计算时代：现代计算技术基石的确立二十世纪上半叶，布尔代数、图灵机、冯诺依曼体系结构、晶体管这四大现代计算技术的科学基石相继登场。布尔代数为程序和硬件底层逻辑描述提供了严密的数学工具，使得计算机的逻辑运算得以精准实现；图灵机将复杂的任务巧妙转化为自动计算流程，为计算机的通用性提供了理论支撑；冯诺依曼体系结构明确了计算机构造的三大基本原则，即存储程序、二进制运算、五大部件组成，成为现代计算机的经典架构；晶体管的发明则彻底改变了计算机硬件的构建方式，以其小型化、低功耗、高可靠性等优势，取代电子管成为构建现代计算机的基础 “砖块”。基于这些基石，五类成功的平台型计算系统蓬勃发展。高性能计算平台，凭借超强的计算能力，在国家核心科学研究与大型工程计算中担当重任，如航天工程中的轨道计算、气象预测中的数值模拟等；企业计算平台，也就是服务器，为企业级数据管理与事务处理提供了高效稳定的运行环境，支撑着企业的日常运营与业务拓展；个人电脑平台，以其便捷性和丰富的桌面应用，满足了个体办公、娱乐等多样化需求，成为人们工作生活不可或缺的工具；智能手机平台，借助移动便携特性，通过网络连接数据中心，实现了互联网应用的分布式部署，让信息获取与社交娱乐随时随地触手可及；嵌入式计算机，深度嵌入工业与军事装备，凭借实时控制能力，保障了各类复杂装备的精准运行，如汽车发动机控制系统、导弹制导系统等。网络计算时代：信息互联互通的变革随着互联网的普及，计算技术迈入网络计算时代。互联网如同一张无形的巨网，将世界各地的终端与数据中心紧密相连，实现了信息的广泛互联互通。云计算应运而生，它以按需分配的资源模式，为企业和个人提供了强大的计算能力，无需用户自行购置昂贵的硬件设备，降低了使用门槛。大数据产业也蓬勃兴起，海量的数据在网络间流动、汇聚，为数据分析与挖掘提供了肥沃土壤，企业得以从海量数据中洞察市场趋势、用户需求，进而优化产品与服务。智能计算时代：计算与智能的深度融合自 2020 年起，智能计算时代拉开序幕，实现了 “人 - 机 - 物” 三元融合。这一时代，海量的数据如潮水般涌来，为智能算法提供了充足的 “养分”；算法取得突破性进展，深度学习、强化学习等技术不断革新；同时，对算力的需求也呈现爆发式增长，以支撑复杂模型的训练与运行。智能计算不仅应用于传统的计算机领域，更渗透到各行各业，推动着产业智能化升级，如智能工厂中的生产流程优化、智能物流中的路径规划与货物调配等。三、智能计算的演进阶段通用自动计算装置：智能计算的起点1946 年的通用自动计算装置，尽管尚未能完全模拟人脑的复杂思考方式，但它成功解决了计算自动化问题，为后续人工智能的发展奠定了基础。此后，每一次人工智能的重大突破都离不开新一代计算设备的支撑与更强算力的赋能，二者相互促进，开启了智能计算的漫漫征程。逻辑推理专家系统：符号智能的探索1990 年前后，以 E.A. 费根鲍姆为代表的符号智能学派致力于将知识符号逻辑推理自动化，逻辑推理专家系统应运而生。日本的五代机与我国 863 计划支持的 306 智能计算机主题便是这一阶段的典型代表。这些系统在特定领域的辅助决策中发挥了一定作用，如医疗诊断辅助系统、工业故障诊断系统等。然而，由于其计算时空复杂度高，且严重依赖手工构建的知识库，知识更新困难，应用范围受到极大限制。随着 AI 寒冬的来临，这些系统逐渐退出历史舞台。深度学习计算系统：连接智能的崛起2014 年左右，杰弗里・辛顿等连接智能学派发明的深度学习算法掀起了智能计算的新浪潮。通过构建深度神经元网络，模型能够自动从海量数据中学习特征，统计归纳能力得到大幅提升。在人脸识别领域，准确率大幅提高，广泛应用于安防监控、门禁系统等；语音识别技术实现质的飞跃，智能语音助手成为人们生活中的便捷工具；自动驾驶技术也取得显著突破，从实验室逐步走向实际道路测试。我国中科院计算所提出首个深度学习处理器架构，英伟达多款通用 GPU 芯片也为深度学习计算系统的发展提供了强大的硬件支持，推动其在全球范围内迅速普及。大模型计算系统：生成式智能的爆发2020 年，AI 迎来大模型计算系统阶段，从 “小模型 + 判别式” 迈向 “大模型 + 生成式”。OpenAI 的 ChatGPT 成为这一阶段的标志性应用，它基于预训练基座大语言模型 GPT - 3，引入海量训练语料，通过预测输入文本的下一词来训练模型，结合指令微调与强化学习，实现了与人的多轮流畅对话。大模型以其庞大的参数规模、海量的训练数据和极高的算力需求为显著特征，促使国内外智算中心建设加速，引发了技术创新、产业变革与社会发展的多层面连锁反应。在文本生成领域，能够撰写新闻报道、论文大纲等；图像生成领域，可根据描述生成逼真画作；视频生成领域，如 OpenAI 的 SORA，将视频生成时长与质量提升到新高度，初步具备世界模型特征，展现出画面想象力与未来预测能力。四、人工智能的前沿方向多模态大模型：融合多元感知智能模拟人类多感官协同工作的方式，多模态大模型致力于将视觉、听觉、触觉等多种模态信息与语言语义进行精准对齐，实现真正意义上的多模态融合智能。例如，在智能教育场景中，通过整合视频讲解、语音交互、文本提示等多种模态，为学生提供沉浸式、个性化的学习体验；在智能安防领域，结合视频监控图像、声音识别以及环境传感器数据，更精准地识别潜在安全威胁，提升安防预警能力。视频生成大模型：拓展画面想象边界以 OpenAI 的 SORA 为代表的视频生成大模型，正在不断突破视频生成的时长与质量限制。它不仅能够根据简单描述生成连贯、生动的视频内容，还初步展现出对未来场景的预测能力，为影视创作、广告设计、虚拟直播等行业带来全新创意源泉。未来，随着技术进一步完善，有望实现用户自定义剧情、风格的沉浸式视频体验，彻底改变视频内容创作生态。具身智能：驱动虚实深度融合具身智能旨在为机器人、无人车等智能体赋能，它融合了连接主义、符号主义与行为主义的精髓。通过赋予智能体感知、认知、决策与行动能力，使其能够在现实环境中灵活应对复杂任务。在物流仓储领域，智能仓储机器人可自主导航、搬运货物，优化仓储空间利用与货物流转效率；在城市交通中，无人车凭借高精度传感器与智能决策算法，实现安全、高效的自动驾驶，缓解交通拥堵、降低交通事故风险。AI4R：颠覆传统科学发现模式AI4R（人工智能助力科学研究）有望打破传统科学发现的瓶颈，凭借人工智能强大的数据处理与模式识别能力，主动探寻物理学规律、预测蛋白质结构等复杂科学问题。在材料科学领域，利用 AI 筛选新型材料，大幅缩短研发周期；在生命科学领域，精准预测蛋白质折叠结构，为药物研发提供关键靶点，加速新药上市进程，推动人类对自然科学的认知迈向新高度。五、人工智能的安全风险剖析互联网虚假信息泛滥：信任危机的滋生数字分身技术在竞选等政治场景中的滥用，使得伪造候选人虚拟形象传递虚假信息成为可能，严重扰乱选举秩序，误导选民决策；伪造视频更是扰乱国际秩序、影响舆情走向，新闻媒体作为信息传播的重要渠道，其社会信任遭受重创，公众对信息真实性产生怀疑；大量生成式新闻网站为牟取非法利益，肆意炮制虚假新闻，扰乱社会舆论生态；换脸变声诈骗频发，不法分子利用先进技术伪装身份，骗取企业巨额资金，给社会经济带来巨大损失；生成不雅图片侵害公众人物形象，侵犯个人隐私权益。应对这些乱象，亟需研发高效精准的互联网虚假信息伪造检测技术，从源头遏制虚假信息传播。AI 大模型可信问题：潜在危害的隐忧AI 大模型存在诸多可信问题，如事实性错误频出，在知识问答场景中提供错误答案，误导用户认知；输出带有政治偏见与有害内容，可能激化社会矛盾、传播不良思想；易被恶意诱导，通过巧妙设计的输入文本，使其输出违背伦理道德的内容；还存在数据安全隐患，如 ChatGPT 数据使用引发中方数据安全担忧，数据的收集、存储、使用环节缺乏有效监管，可能导致用户隐私泄露、商业机密外流。为此，迫切需要发展大模型安全监管技术，构建自主可控的可信大模型，确保其输出符合人类价值观与社会伦理规范。六、中国智能计算发展困境洞察核心能力差距：跟踪追赶的艰难美国在 AI 核心能力上占据领先优势，我国处于奋力跟踪追赶的态势。在高端人才储备方面，美国汇聚了全球顶尖的人工智能专家，高校与科研机构科研实力雄厚，吸引着大量国际人才流入；我国虽人才总量不断增长，但顶尖人才相对匮乏，人才培养体系仍需优化。基础算法创新领域，美国企业与科研团队主导多项关键算法研发，如深度学习领域的开创性算法；我国在算法创新上虽有突破，但原创性、引领性成果相对较少。大模型能力上，美国的 GPT 系列等大模型在参数规模、训练数据质量、模型通用性等方面领先；我国大模型发展迅速，但整体实力有待提升。训练数据质量方面，美国凭借其全球数据采集优势，数据多样性、标注准确性较高；我国数据资源丰富，但存在数据孤岛、质量参差不齐等问题。算力上，美国在高端算力芯片研发、超算中心建设等方面优势明显；我国算力规模持续增长，但高端算力产品受限，核心算力芯片性能与国际先进水平有差距。高端算力受限：芯片瓶颈的制约美国对我国实施高端算力产品禁售政策，A100、H100、B200 等高端智算芯片无法进口，严重阻碍我国智能计算产业高端化发展。华为等国内企业被列入实体清单，芯片制造工艺受阻，落后国际先进水平 2 - 3 代，使得我国在核心算力芯片研发与生产上面临巨大挑战。这不仅影响了我国科研机构与企业的前沿研究进度，如大模型训练效率受限，还在一定程度上制约了智能计算技术在产业中的广泛应用，延缓了产业升级步伐。智能计算生态薄弱：协同发展的困境英伟达 CUDA 生态在全球近乎垄断，我国与之相比，研发人员、开发工具、资金投入严重不足。国产 AI 开发框架如百度飞桨，开发人员仅为国外框架的 1/10，生态活跃度较低。国内企业各自为政，缺乏有效的协同合作机制，无法形成协同竞争力强的技术体系。这导致我国智能计算技术在推广应用过程中面临兼容性问题、资源重复投入问题，难以汇聚各方力量实现技术突破与产业规模化发展。AI 应用成本高：推广普及的障碍我国 AI 应用目前集中于互联网与国防领域，向其他行业迁移时，面临定制化成本高的难题。不同行业的业务流程、数据特点各异，需要针对具体行业需求定制开发 AI 解决方案，这使得单次使用成本居高不下。同时，AI 专业人才供不应求，企业招聘、培养 AI 人才成本高昂，进一步加剧了应用成本压力。高昂的成本阻碍了 AI 技术在制造业、农业、服务业等广大中小微企业中的推广普及，限制了智能计算产业的规模效应。七、中国智能计算发展的道路选择技术体系构建路径：多元探索求突破我国发展智能计算技术体系有三条可选路径。一是追赶兼容美国主导的 A 体系，多数互联网企业选择 GPGPU/CUDA 兼容路线，这一路线现实可行，能在短期内利用现有成熟生态开展业务，但受限于我国芯片工艺水平、算法生态掌控力、数据质量等因素，长期追赶难度大，易陷入技术依赖困境。二是构建专用封闭的 B 体系，部分骨干企业在特定领域打造封闭生态，基于国产工艺、专有数据发展垂直大模型，这种方式优势在于技术可控，保障关键领域安全自主，但劣势是封闭难聚合力、难全球化，不利于技术交流与产业协同发展。三是全球共建开源开放的 C 体系，以开源打破垄断，降低技术门槛，联合全球化力量共建统一智能计算软件栈，共享数据与模型资源。我国企业应在 RISC - V + AI 开源体系中担当主力贡献者，借助开源社区力量，汇聚全球智慧，实现技术弯道超车，推动我国智能计算技术走向世界舞台中央。发展侧重点选择：聚焦智能要素基础设施化人工智能赋能产业具有长尾效应，我国 80% 中小微企业亟需低门槛、低成本智能服务。因此，我国应优先实现智能要素基础设施化，这与美国信息高速公路计划对互联网产业的推动作用同等重要。从网络空间演进看，数据是智能时代核心，我国已提前布局，将数据作为战略资源，强化国家数据枢纽与流通设施建设，确保数据的高效采集、存储、流通与共享，为智能计算提供充足 “燃料”；AI 大模型作为算法基础设施，支撑企业研发专用模型，覆盖长尾应用，如中小企业可基于通用大模型微调开发适合自身业务的智能模型，降低算法研发成本；全国一体化算力网建设则致力于降低算力成本与门槛，提供高通量、高品质服务，具备 “两低一高” 特性，保障 “算得多”，为智能计算筑牢根基，让各类企业都能便捷获取算力支持，加速智能技术在各行业的渗透。赋能领域倾向：扎根实体经济谋发展“AI +” 成效是衡量人工智能价值的关键。美国次贷危机后倾向虚拟经济，AI 应用 “脱实向虚”，虽在金融科技等领域有一定创新，但也加剧了经济泡沫风险。我国制造业门类齐全、体系完整，优势在实体经济，应精选装备制造、医药等行业重点投入，形成可推广范式。在装备制造领域，利用 AI 实现智能设计、故障预测、远程运维，提升产品质量与生产效率；在医药行业，助力药物研发、精准医疗、医疗影像诊断，推动医药产业创新发展。赋能实体经济难点在于 AI 算法与物理机理融合，需要跨学科人才协同攻关，关键是降低成本、扩大产业规模，走出适合国情的高质量发展之路，以智能计算赋能实体经济，实现产业升级与经济稳健增长。八、结论人工智能与智能计算的发展之路充满机遇与挑战。全球范围内，技术创新不断推动着智能计算迈向新高度，多模态融合、大模型生成等前沿方向展现出无限潜力，为人类社会的各个领域带来变革性影响。然而，随之而来的安全风险不容忽视，互联网虚假信息与 AI 大模型可信问题亟待解决，否则将危及社会稳定与发展根基。在中国，尽管面临美国科技打压、高端算力受限、生态薄弱、应用成本高等诸多困境，但通过审慎抉择发展道路，在技术体系构建上多元探索、聚焦智能要素基础设施化、扎根实体经济赋能，凝聚各方力量攻克技术难关，完善发展。
