凯文·凯利:AI的不确定未来

The Uncertain Future of AI

作者：Kevin Kelly 

来源：中欧国际工商学院EMBA 30周年庆典演讲（2025年12月）

说明：原文为凯文·凯利在CEIBS EMBA 30周年庆典上的主题演讲。核心框架与其Substack文章《Our Uncertain Uncertainties》一致，但演讲内容更完整，包含前沿技术展望和就业组织转型等扩展部分。

AI及其不确定性

关于AI，我们唯一确定的事情就是——它的未来极度不确定。

这里说的”不确定”，不是信息不足，也不是误解。是最了解AI的人在根本方向上就各执一词。

我认为当前围绕AI有三重核心不确定性。

不确定性一：

通用人工智能（AGI）到底能不能实现？

第一个问题是：我们到底能不能创造出一个拥有广泛类人智能的系统，能像人类一样思考和学习的存在？

诚实的回答是：我们不知道。

理论有了，数十亿美元的英镑和美元砸进了研究，结果仍然不明朗。我们完全有可能永远造不出真正的通用智能。更可能的未来是由成千上万个专门的”窄AI”组成的生态——每个AI在自己的领域里做到极致。

目前大多数资金流向通用智能研究，大公司都在豪赌这条路。但我认为，更现实的方向是关注”AIs”，复数。

DeepSeek、OpenAI和其他领先模型，本质上都是多个专门系统的协作网络。它们不是统一的思维，而是模块的集合。

当我们谈论”智能”时，不应该只局限在人类版本。不同的大脑和学习架构产生不同种类的智能。有些动物在特定任务上超越人类，机器在其他方面超越我们。智能的多样性是自然的。

未来的AI可能包含”异星智能”，用跟人类完全不同的方式思考，却能得出有意义的结论。这种差异不是缺陷，而是优势。我们需要这些”异星视角”来揭示人类永远想不到的想法和解决方案。

因此我相信，AI的最终形态不会是一个单一的通用思维，而是一个多样智能的生态系统。

不确定性二：

AI算力会走向集中，还是分散？

第二个不确定性是：AI计算到底在哪里发生？

是在大规模的云端系统里，还是越来越多地发生在你手机上、机器人里、汽车里，在”边缘”？

大多数大公司在押注中心化。逻辑来自缩放定律（scaling laws）：大语言模型就是靠”变大”变强的——更多参数、更多芯片、更多算力。

但这个方向不是板上钉钉的。更大的模型需要巨大的数据中心、更多的能源、更强的集中控制。

与此同时，另一个趋势在悄悄推进：边缘计算。今天大约70%的计算周期发生在边缘，智能手机、恒温器、汽车、工厂、本地设备。随着硬件进步和模型变得更高效，AI可能走同样的路。

边缘AI有明显优势：响应更快、隐私更强、能耗更低、自主性更强。未来的智能设备，机器人、智能眼镜、自动驾驶，将越来越自给自足，在本地处理信息，而不是依赖持续的云端连接。

我相信我们正在走向一个混合架构，云端和边缘共存，但天平逐渐向边缘倾斜。这种去中心化，可能才是智能社会的最终形态。

不确定性三：

AI会替代人类，还是赋能人类？

第三个不确定性关乎就业。AI会取代人类工作者，还是让他们变得更强？

专家们在这里同样各执一词。但证据怎么说？

到目前为止，真正因为AI而失去工作的人非常少。我们看到的是可量化的生产力提升，每天使用AI的人，生产力大约提升25%。AI正在改变我们的工作方式，但不是在消灭工作。它接管重复性任务，让人类聚焦在创造力、判断力和关系上。

AI替代的是任务，不是岗位。

以客服为例：你可能先跟AI对话，但复杂案例仍由人类处理。新的角色已经出现，AI训练师、AI监督者、AI评估师等。

每个工作都是一组任务的集合。AI可以接管其中一些，但岗位本身还在——因为只有人类能承担责任、行使判断。AI不会道歉、不会反思、不会关心。

人类和AI是互补关系，不是替代关系。

AI的前沿与未来方向

展望未来五到十年，我认为突破将集中在四个前沿领域：符号推理、空间智能、情感智能和智能体（Agent）。这些发展反映的是一个趋势——多样化、专业化的智能体协同工作。

1. 符号推理：结构化智能的回归

大多数现代AI依赖神经网络，强大，但本质上是统计性的。它们模仿语言，但并未真正理解逻辑。它们仍然是平面的系统，推理能力有限。

要达到更高阶的认知，AI必须引入符号推理，结构化逻辑和因果理解。

未来的系统将融合自下而上的学习与自上而下的推理。人脑本身就是不同模块的组合；AI也必须整合推理、学习、规划、情感和记忆。

智能的每一个组成部分都有权衡，速度与复杂度、精度与能耗。管理这些权衡将是未来的一大挑战。

2. 空间智能：帮助AI理解真实世界

大语言模型在”知识”上很聪明，但对”世界”一无所知。它们是在描述现实的文字上训练的，不是在现实本身上训练的。

要在物理世界中运作，AI必须发展空间智能，行动、感知、理解现实运作规律的能力。

自动驾驶、机器人、未来的具身系统需要三维理解、物理感知和真实世界的感知能力。

当AI从物理数据，而不仅仅是文本中学习时，我们可能会看到大型物理模型、化学模型和生物模型。AI将从”懂文字”进化到”懂世界”。

这种转变将彻底改变我们与技术互动的方式。智能眼镜会实时引导和告知我们。数字孪生将模拟城市、工厂和家庭。AI将从屏幕走进我们的生活环境。空间智能标志着AI进入真实世界。

3. 情感智能：给机器赋予共情

情感和智能是交织在一起的。AI要与人类共存，就必须识别和回应情感。

机器已经能检测语气、表情和情绪。很快，它们将能够以共情的方式调整自己的行为。

想象一下：一个智能玩具在安慰孩子，或者AI伴侣在提供心理健康支持。与机器之间的情感纽带将成为真实的，就像我们与宠物之间的纽带一样真实。

但这同时也带来了关于真实性、边界和责任的深刻问题。

4. 智能体（Agent）：从工具到伙伴

AI智能体不只是回应，它们行动。它们能执行任务、协作、自主运作。未来，数万亿个智能体可能安静地运行在后台。

智能体可能会”雇佣”其他智能体，形成庞大的数字分包网络。这将催生一种新的机器对机器经济，很可能由稳定币（stablecoins）驱动自动化微支付。

但信任将成为核心挑战。一个智能体如何验证另一个智能体？解决这个问题将是AI经济的基石。

当AI变得无处不在、不可见，就像电力一样。真正的竞争优势将转向人机交互界面。简洁和直观将是下一个伟大的前沿。

AI、就业、产业与组织转型

AI正在渐进但深刻地重塑工作。要与它共存，我们必须理解它的节奏和逻辑。

1. AI采用的节奏

即使没有新的突破，完全消化今天的AI也需要十年时间。组织必须重新设计工作流、决策结构和文化。AI将成为一种新的”团队成员”。初创公司适应得快；大型组织需要更长时间。但采用已经不可避免。

2. AI采用的两种形式：产品与能力

企业以两种方式采用AI：

作为产品，开发或销售AI。

作为能力，在内部使用AI以提高运营效率。

通常，第二种演化得更快。AI成为一种无形的效率层，就像当年的电力一样重塑组织。

3. 知识密集型行业引领方向

信息丰富的领域，软件、营销、制药、教育、金融是早期采用者。AI处理常规任务；人类聚焦于复杂性和人际关系。新的职业类别不断涌现。AI放大人类能力，而非取代它们。

4. 三次法则

技术转型遵循一个熟悉的模式：第一次尝试失败，第二次更好，第三次成功。

AI的采用也不例外。早期的失败是不可避免的，也是必要的。

5. 工作的新形态：消失的是任务，不是岗位

AI将消灭任务，而不是消灭职业。责任、判断、共情和创造力仍然是人类独有的。未来是”人类+AI”，不是”人类vs AI”。

6. 责任与持续学习

AI执行任务，但无法承担责任，也无法持续学习。人类仍然负有责任。人们不会因为AI而失去工作——但如果他们不学习如何与AI协作，他们可能会失去竞争力。

7. 创造力：爬山与造山

AI擅长在现有框架内改进（”爬山”）。但人类创造新的领域和新的问题（”造山”）。这仍然是我们的决定性优势。

结论：

为不确定的未来做准备

AI的未来在方向、节奏和最终形态上都是不确定的。但不应该引起恐惧，应该激发探索。

AI将不断进化、重塑产业、挑战我们对智能的理解。我们最大的优势是学习的能力、深度思考的能力，以及在未知面前保持谦逊的能力。

AI不是威胁，它是一面镜子，促使我们定义什么使人成为人。最具竞争力的人，将是那些能够与AI协作、共创、共同成长的人。

正如电力照亮了工业时代，AI将照亮智能时代。而这一转变已经开始。