一、一次同场、指名的公开分歧

2026 年 8 月 14 日，北京大学，一场名为"AI 向善"的研讨会。

上一位发言的是黄铁军教授，讲的是技术路径——为什么 AI 超越人类是大概率事件，却不必是一场灾难。这是一条典型的技术乐观路线：更多数据、更大算力、更大模型，一路冲到 AGI。

紧接着上台的是薛澜教授。他的开场是这样的：

"黄铁军老师今天讲的技术路径非常重要。如果按照那条路径，技术似乎能决定一切：更多数据、更大算力、更大模型，一路冲到 AGI，问题就解决了。

但我总觉得，这里面有一种'技术决定论'的味道——把技术往前推，其他问题就会自然而然跟着来解决。实际情况，要比这复杂得多。"

这段话值得特别指出：在这个系列写过的几十位学者里，绝大多数"对撞"是笔者事后梳理的——把不同场合、不同时间的观点并置比较。而这一次，是同一场会、同一个下午、面对面的碰撞。焦点不是"AI 能走多远"，而是一个更根本的问题：技术走到了，社会就会自动跟上吗？

薛澜教授的回答是不会。而且他给出的理由，恰好解释了今天几乎所有企业家心里那个最大的困惑。先交代一下说话的人是谁——一句话：薛澜是清华大学文科资深教授、苏世民书院院长、人工智能国际治理研究院院长、国务院参事，以及国家新一代人工智能治理专业委员会主任。（清华文科资深教授，是清华文科的最高学术荣誉称号。）最后那个头衔是理解他分量的关键：2019 年 6 月中国发布的《新一代人工智能治理原则——发展负责任的人工智能》，八项原则，就是他所在的那个委员会做出来的。也就是说，他不是在旁边评论规则的人，他是参与写规则的人。

这篇文章想拆的是三件事：他对"AI 投入不见回报"给出的第三种解释；他那张可以直接照着用的"汽车社会"映射表；以及一个企业家几乎从没意识到的判断——合规门槛的高低，直接决定你的竞争格局。

二、核心诊断：有了发动机，道路还没修好

发动机—道路差

他在那场发言里，抛出了一个所有人都感受到、但很少被准确命名的事实：

"技术能力的快速提升，并没有很快转化为经济与社会价值的增长。"

然后他把这个判断落到了具体行业上：

"大家预期很高，觉得人工智能能带来多少 GDP 的新增。但目前为止，除了软件、编程这些领域确实有不错的应用，其他很多领域虽然有应用，经济价值却还没有完全体现出来。我们跟很多企业交流，尤其是制造业，应用其实还相当有限。医疗、自动驾驶被寄予厚望，现实却不尽如人意——医疗看片子，人工智能系统的效果其实非常好，但应用仍然有限；自动驾驶的落地，也不尽如人意。"

他给这个现象找了一句老话："只听楼梯响，不见人下来。"

医疗那个例子最扎心：技术效果非常好，应用仍然有限。这就把问题从"技术行不行"里彻底剥离出来了。如果技术不行，那就等技术；可技术行了，应用还是起不来——说明卡住的地方压根不在技术那一侧。

目前市场上对这个现象有两种主流解释：第一种是"你用得不对"——是你的场景没选好、提示词没写好、流程没重构、一把手不重视。这套解释的特点是把责任全部归给使用方。

第二种是"再等等"——模型还不够强，等下一代就好了。这套解释的特点是把希望全部寄托给供给方。

薛澜教授给的是第三种，而且它比前两种都更难接受：你缺的东西，可能不在你公司里，也不在模型里。他的原话是：

"我们已经有了'发动机'——大模型能力已经相当强。但对应的'道路系统、交通规则、驾驶员'，也就是应用落地所需的社会系统，还没有建立起来。这就是为什么医疗技术上'差不多了'，却很难真正用起来。"

"我们今天缺的，是基础设施的缺口、制度的缺口、组织的缺口、文化的缺口。这些适配的东西，都还在建设过程中。"

在学术论文里，他把医疗这个例子拆得更细。即使 AI 系统的诊断准确率优于医生，它要真正落地，仍需满足四个条件：明确的数据隐私合规机制、医疗责任归属的法律认定、医患之间的信息透明、医保报销政策的对接。

请注意这四条里没有一条是技术条件。一家 AI 医疗公司可以把模型做到全球最好，但只要"误诊了算谁的"这个问题没有法律答案，医院的院长就不会签字。这不是院长保守，这是院长理性。由此可以提炼出一条对企业极有用的东西：

判断一项 AI 应用能不能落地，先别看技术成熟度，先看它的"责任归属"是否清晰。凡是出了事找不到人负责的场景，无论技术多好，落地都会被无限期推迟。

这解释了一个长期被误读的现象：为什么 AI 在软件和编程领域率先爆发？通常的解释是"因为代码有明确的对错，容易验证"。这个解释对，但不完整。更完整的解释是：写代码这件事，责任归属从来就是清楚的——代码出了 bug，是提交代码的那个工程师负责，AI 参与与否不改变这一点。换句话说，编程领域之所以跑得快，不只是因为它验证便宜，还因为它的"交通规则"早就写好了。

三、汽车社会：一张可以照着用的映射表

把技术装进社会，需要修几条路薛澜教授给"发动机—道路差"找了一个历史样本，而这个样本的完整度，使它可以被直接拿来当工具用。他讲的是汽车。

"1885 年，奔驰造出第一台内燃机汽车模型。但当时整个社会体系远远没有跟上，汽车最开始是奢侈品，是有钱人的潇洒玩具，并不是真正的交通工具。"

"真正的变革来自福特 Model T。它把成本从大约 850 美元降到 300 美元，中产阶级'蹦一蹦'就够得着了，买车的人多起来。"

注意这个转折点：不是发动机变强了，是成本降下来了。汽车成为交通工具的临界事件，是一次价格事件，不是一次技术事件。然后是最关键的部分——买车只是开始：

"车要跑得远，需要更好的道路；跑远了，要解决加油问题，加油站最早就设在城市马路边上，后来因为危险事故才挪到专门的位置；一个人买了车，另一个人也想买却钱不够，汽车贷款就来了；上路不能都是马路杀手，交通规则和驾照体系跟了上来；出了事故，保险体系也跟了上来。这一整套硬件加软件的设施，是逐渐演变出来的。"

"加油站最早设在马路边，后来因为危险事故才挪走"——这个细节特别值得注意，因为它说明规则不是设计出来的，是撞出来的。没有那些事故，没有人会想到加油站选址是个问题。

最后他把镜头拉远：

"而汽车最终重塑的，远不止交通。二战后美国的郊区化，背后支撑就是汽车；人搬到郊区，大型购物中心随之出现；许多国家需要进口石油，霍尔木兹海峡因此成为地缘政治的焦点。一项看似简单的技术，对社会制度体系的影响，远远超出我们的想象。"

把这个类比做成一张表，它就从一个比喻变成了一个诊断工具：

这张表对企业的用法很直接：把你想做的那个 AI 应用，逐行对照，看它卡在哪一行。如果卡在"发动机"，那是技术问题，等模型迭代或换供应商。如果卡在"保险"——也就是出了事谁负责——那么无论你怎么优化模型，它都不会落地，你该做的是去解决责任归属，而不是继续调参。如果卡在"驾照"——使用的人不会用、不敢用、用错了——那是培训和流程问题，不是采购问题。

这张表最大的价值在于：它能阻止企业把所有问题都当成技术问题来解决。而这是目前最普遍、也最昂贵的一类误判——因为技术问题可以花钱买，制度问题不能。薛澜教授给这个视角起了个名字，叫 "技术—社会系统"（STS）视角：

"技术对社会的影响，必须和一个更广泛的社会制度体系结合在一起。技术不是单向驱动社会的，而是与社会互动、共同演化的过程。"

这正是他反驳技术决定论的落点——不是技术推动社会，是技术与社会共同演化；而共同演化意味着，社会那一侧如果不动，技术那一侧就会空转。

四、治理的三重功能：它不只是刹车

这是他全部理论里最该被企业家读懂、却最容易被跳过的一部分。因为"治理"这两个字在企业语境里几乎等同于"限制"——是合规部门的事，是成本，是麻烦。而他的核心论点恰恰是反过来的。他先正面回应了那个最流行的反对意见：

"一种较为典型的观点认为，人工智能的发展和应用仍在初始阶段，此时提出治理问题可能会过早地对技术创新形成不必要的束缚。从本质上说，这样的看法一方面低估了人工智能技术可能给社会带来的风险和危害，另一方面也低估了治理机制在引导和塑造技术发展过程中的关键能动作用。"

"治理并非创新的对立面，而是实现人工智能健康、有序、可持续发展过程中不可或缺的制度性支撑。"

然后他把治理拆成三重功能。这三重里，第一重人人都知道，后两重几乎没人讲。

第一重：风险防控——大家熟悉的那一重

他引用了图灵奖得主本吉奥牵头的《国际人工智能安全报告》的三分法：恶意使用风险、技术失灵风险、系统性风险。每一类他都给了已经发生的案例：深度伪造视频会议骗走约 2 亿港元；美国律师在诉状里引用了数个 AI 编造的、根本不存在的判例；《纽约时报》起诉 OpenAI 和微软未经授权使用新闻内容训练。这一重是"保护性屏障"。但他紧接着说，只有这一重是远远不够的。

第二重：社会建构——治理是"适应性基础设施"

这是他最重要的一个提法：

"人工智能治理的意义绝不仅仅是划出'禁区'，更在于铺设'通道'和'轨道'。"

"治理不仅是防范风险的'保护性屏障'，更构成推动人工智能融入现实社会的'适应性基础设施'。"

把这句话翻译成经营语言：规则不只是拦住你，规则也是把你送进场的那条路。回到医疗的例子。"AI 误诊责任如何认定"这条规则，表面上是对 AI 医疗公司的约束，实质上是这个行业能否存在的前提。没有这条规则，没有一家医院敢大规模用；有了这条规则——哪怕它很严格——市场才真正打开。

所以对一个处在监管前夜的行业来说，规则出台往往不是坏消息，是开闸。真正让人无法经营的从来不是严格的规则，是没有规则。

第三重：市场塑造——企业最该盯住的那一重

这一重最实际，也最少被讨论。他的原话：

"人工智能治理深刻影响市场的形成与演化路径，具备'产业塑造'与'竞争调控'的重要作用。"

具体到两个机制：

机制一：准入门槛决定谁能参与。

"准入门槛的设定直接决定了哪些企业有机会参与人工智能产业的发展。例如，如果高风险的人工智能系统必须满足严格的测试认证要求，那么中小企业可能因合规成本过高而被排除在市场之外；反之，则可能引发'劣币驱逐良币'式的无序竞争。"

这句话里藏着一个企业家几乎从没意识到的判断：合规成本是一种竞争工具。因为合规成本的特点是高度不对称——它对大企业接近于固定成本（摊到巨大营收上几乎不可见），对小企业接近于门票（可能直接超过其全部利润）。

这意味着：在一个监管趋严的行业里，大企业是规则的受益者，不是受害者。它们游说监管的真实动机，往往不是把门槛降低，而是把门槛设在一个"自己刚好跨得过、对手跨不过"的高度。

对企业的含义非常直接：

• 如果你是行业头部
  合规能力本身就是护城河。早做合规不是成本，是提前筑墙。
• 如果你是中小企业
  你必须判断你所在的赛道会不会被合规成本清场。如果会，你的时间窗口比你以为的短得多——不是被对手挤死，是被门槛挡死。
• 如果你在做面向高风险场景的 AI（医疗、金融、司法、自动驾驶）
  合规路径本身就应该是你商业计划里的一章，而不是法务的一个附件。

机制二：治理可以对抗平台锁定。

"人工智能在发展中也面临典型的'路径依赖'风险。一旦特定的模型架构、数据资源或工具链取得先发优势，就可能在非最优技术路线上造成事实性的'平台锁定'。因此，有效的治理手段可以通过技术标准开放、公共算力共享、基础模型开源等，避免路径锁定的问题。"

这一条对中小企业是好消息：开源、公共算力、标准开放这些动作，在他的框架里不是慈善，是反垄断工具。一个企业在做技术选型时，应该把"这条路线会不会被锁定"当成一个正式的评估项——因为锁定的代价不是当期成本，是未来丧失议价权。

第四层：市场失灵处，价值补位

最后他补了一句，把"AI 向善"这个容易沦为口号的词，放回了经济学的地基上：

"如果没有价值观念的引导，完全由市场自己走，它一定会冲向收益最高的地方。这本身没有错——按经济学，没有经济收益的事没人会付钱。但仅仅如此远远不够。"

"因为市场只朝收益最大的地方去，社会上很多层面就得不到收益。所以在那些市场失灵的地方——社会价值很高、但经济价值没那么高的地方——就需要制度来补偿，需要公共管理来补位。"

这段话有一个很少被看到的商业含义："社会价值高、经济价值低"的地方，正是公共财政和政策补贴会去的地方。对一个会读政策的企业来说，这不是道德区域，是一块可以被识别、被提前布局的市场——因为制度补位的方式，通常是花钱。

五、学脉：从长春光机，到"工程与公共政策"

他的判断不是从人文学科那一侧长出来的。恰恰相反——他是工科出身，而且他受的训练，本身就是为了解决"技术问题不能只靠技术解决"这件事。1959 年 6 月生于北京。1978 年考入长春光学精密机械学院——纯工科，和薛其坤院士的凝聚态、于海斌院士的自动化是同一个知识谱系的起点。

1985 年赴美，纽约州立大学石溪分校，读技术系统管理与公共管理硕士。1987 年转入卡内基梅隆大学，专业是"工程与公共政策"（Engineering and Public Policy，EPP），1991 年拿到博士。

这个专业的名字，就是他全部方法论的出处。卡内基梅隆的 EPP 系是一个很特殊的建制，它的创立前提是一个判断：很多重大问题既不是纯技术问题，也不是纯政策问题，而是两者的耦合——只懂一边的人，两边都解决不了。核电安全、环境风险、技术标准，都是这类问题。

一个在这个系统里被训练出来的人，看 AI 的默认方式就不会是"技术能走多远"，而是"技术要落地，需要哪些非技术条件同时成立"。这解释了为什么他能在同一场会上，对一位顶尖技术科学家的路径说出"这里面有一种技术决定论的味道"——他不是外行的质疑，他是另一个专业内部的判断。

后续路径：1991 年后任美国乔治华盛顿大学助理教授；1996 年回国到清华；2000 年起任清华公共管理学院教授；2002 年起常务副院长；2008 至 2018 年任院长——也就是说，中国公共管理学科的建制化过程，他是主要参与者之一；2018 年 9 月起任苏世民书院院长；2019 年起任清华大学人工智能国际治理研究院院长。同时兼任国务院参事、国务院学位委员会公共管理学科评议组联合召集人、国家新一代人工智能治理专业委员会主任，以及卡内基梅隆大学兼职教授、布鲁金斯学会非常任高级研究员。

最关键的一笔：2019 年 6 月 17 日，他所主持的国家新一代人工智能治理专业委员会发布《新一代人工智能治理原则——发展负责任的人工智能》，提出八项原则：和谐友好、公平公正、包容共享、尊重隐私、安全可控、共担责任、开放协作、敏捷治理。

注意最后一条——"敏捷治理"被写进了国家层面的治理原则，而这正是他长期主张的核心概念。

一句话概括这条学脉：他是一个从工科转过来的政策学者，而他受训的整个学科，存在的理由就是处理"技术走在前面、制度跟在后面"这个永恒问题。AI 只是这个问题最新、也最剧烈的一次发作。

六、四条基本假设

把上面倒推，可以还原出支撑他全部判断的前提：假设一：技术与社会是共同演化的，不是技术单向驱动社会。这是对技术决定论的直接否定，也是他全部论证的地基。推论是：社会那一侧不动，技术那一侧就会空转。

假设二：技术落地的瓶颈，通常不在技术侧，而在制度、组织与文化的配套上。这推出"发动机—道路差"，也推出他对医疗、自动驾驶、制造业落地缓慢的解释。

假设三：治理具有能动性，它不仅能约束技术，还能塑造技术的方向和市场的结构。这推出治理三重功能，也推出"合规成本是竞争工具"这个判断。

假设四：技术演进是指数的，制度演进是程序性的，两者的速度差是结构性的、无法消除的，只能靠机制设计去缓冲。这推出"敏捷治理"——"监测—评估—调试—再立法"的周期型流程、沙盒实验、边创新边治理。

四条合起来是一个完整的立场：AI 的竞争，本质上不是模型之间的竞争，而是"技术—社会系统"之间的竞争。谁先把道路、规则、驾照、保险这一整套配套建起来，谁的发动机才真正跑得起来。

七、谱系坐标：从"该不该"到"谁来接住"

在这个系列此前梳理的坐标里，有一个位置长期空着。那张图上的六个根本分歧，前五个都是技术性的——智能是什么、从哪来、能不能到、瓶颈在哪、怎么组织。只有第六个是规范性的：该不该做。而占据第六个位置的主要是梅宏院士，他问的是"我们为什么要造一个替代自己认知的东西"。

但"该不该做"只是规范性问题的前半段。后半段是：既然已经做出来了，社会用什么接住它？薛澜教授占的就是这后半段。梅宏院士问的是价值层面的该不该，薛澜教授问的是制度层面的怎么办。这两个问题必须分开，因为它们的答案互不替代——你可以在价值上认为不该做，但技术已经存在了，接住它的制度仍然得建。而且他直接补上了那张图五个空白地带里的第一个，也是最大的一个：谁为 AI 的失败负责。

此前七十几个人大量讨论"可信""安全""对齐"，但责任如何在开发者、部署者、使用者之间分配，基本是空的。薛澜教授给出的框架是具体的：责任可追溯性、界定平台方/开发者/使用者的责任边界、AI 审计、分级管理、合规评估与退出机制。

与已写过的几位并置，他的位置会更清楚：与周伯文教授（AI 的 45 度平衡律）、朱军教授（能力与可信必须长在一起）：上下游关系。那两位说的是"技术上安全与性能必须同步"，薛澜说的是"制度上用什么机制保证它同步"。技术自律解决不了集体行动问题——这正是治理存在的理由。

与梅宏教授：前后半段。如上。与黄铁军教授：真实的、同场的正面分歧。焦点是技术决定论。这是本系列中少有的、不需要笔者编排的对撞。与薛其坤教授：同一个诊断的两个侧面。 他说"AI 压缩搜索空间，压缩不了生长时间"——卡点在物质；薛澜教授说"有了发动机，路还没修好"——卡点在制度。两个人从完全不同的专业出发，得出了同一个结论的两半：AI 的落地速度，不由模型能力决定。一个指向物理世界的时间常数，一个指向社会系统的演化周期。

一句话定位：这张地图上绝大多数人在回答"AI 能做什么"，梅宏院士在问"我们该不该做"，而薛澜教授在问一个更难、也更现实的问题——"它已经做出来了，社会凭什么接得住？"

八、边界

他的框架有几条明确的边界，其中两条相当重要。一：汽车类比给了一种过于乐观的时间感。这是笔者对他核心类比的最大保留。汽车的外部性是物理的、可观测、可计数的——车祸有伤亡数字，拥堵有通行时间，排放有浓度读数。正因为损害可以被计量，责任才能被分配，保险才能定价，规则才能建立。加油站之所以能从马路边挪走，是因为事故是看得见的。

而 AI 的外部性，大量是认知的、分散的、延迟的——信息环境的劣化、判断力的退化、就业结构的缓慢转移、公共讨论质量的下降。这些损害没有受害者名单，没有事故现场，没有可计数的单位。

物理损害可以计数，认知损害不能。而不能计数的东西，就无法定价；无法定价的东西，就建立不起保险与责任机制。所以理性的推论应该是：AI 的"交通规则"可能远比汽车更难建立，而不是像汽车一样"逐渐演变出来"。汽车用了几十年建起配套，那是因为反馈信号清晰；AI 的反馈信号大面积缺失，演化可能不会自动收敛。（说明：这条是笔者的判断，他本人未作此表述。）

二："治理引领技术"的历史证据并不充分。他的第三条假设是治理具有能动性，能够引导和塑造技术方向。这个主张在逻辑上成立，但在历史证据上偏弱。真正塑造技术方向的，更多是成本曲线和市场规模，而非规则。他自己讲的汽车故事就是最好的反证——改变一切的是 Model T 把价格从 850 美元降到 300 美元，不是任何一条交通法规。

更近的例子是欧盟《人工智能法案》。它是迄今最系统的 AI 立法，但欧洲并未因此获得技术优势；相反，关于它是否抑制了本土创新，争论一直存在。"最先立规则的人，未必是最先受益的人"——这个反证，他没有正面处理。

三："敏捷治理"目前更接近愿望，而非已验证的机制。这个概念提出多年，也写进了国家治理原则，但"监测—评估—调试—再立法"的周期型流程，在全球范围内都还没有成熟的运行样本。它要求立法机构具备接近产品迭代的速度，而这与代议制程序的本质是冲突的。

他自己对困难有很清醒的描述：全球治理已形成"机制复合体"——联合国教科文组织、OECD、欧盟、世界经济论坛、GPAI 各有一套，彼此缺乏层级与协调，导致治理效能低、话语权失衡、企业面临跨国合规冲突。

四：方案依赖国际合作，而他自己判断国际合作正在恶化。

这一条他写得非常坦诚，值得原文引用：

"从技术与成本角度看，通用人工智能的开发可以效仿国际热核聚变实验堆（ITER）项目的方式，由全球主要国家共建联合实验室……然而，现实是通用人工智能的研发逐渐演变为少数由国家主导、大型科技企业牵头的'竞赛型项目'，而全球协同开发与风险共担的路径，在当前地缘紧张的格局下几乎成为'天方夜谭'。"

他甚至注意到，开源还是闭源这个本属于商业策略的决定，如今也被嵌入了国际竞争的制度博弈——这对做技术选型的中国企业是一个现实提醒：你的开源策略，可能不再只是技术和商业决策。

结语

这个系列写过的几十位学者，绝大多数在回答"AI 能走多远"。薛澜教授回答的是另一个问题：它已经走到这儿了，社会凭什么接得住？

他的答案不浪漫，甚至有点扫兴：你缺的不是更强的模型，是道路、是规则、是驾照、是保险，是那些没人爱讲、也没法靠一次采购解决的东西。而这恰恰是这个答案最有价值的地方——它把"我的 AI 为什么没回报"这个问题，从"我做错了什么"的自责，和"再等等"的空等里，拉了出来。

发动机已经装好了。接下来几年真正的竞争，不在谁的发动机更强，而在谁先把路修通。

少数派 · 共同体成员登记

我们准备把 i少数派 从一个读的地方，变成一个深度思考的地方。

它不会很大——同侪之间的真实讨论有规模上限，超过这个数，讨论就会退化成转发。

这份表里有两道需要动脑子的题（第 9、10 题）。它们是这份表真正的内容，其余都是背景信息。请认真写那两题，我们会认真读。

3 分钟填完。——i，是那个不肯被简化的我。

信息源备忘

一、薛澜清华大学文科资深教授（清华文科最高学术荣誉称号）、苏世民书院院长、人工智能国际治理研究院院长、国务院参事、国家新一代人工智能治理专业委员会主任。

二、可核查事实

三、属笔者分析建构（非当事人表述，不可作原话引用）

"发动机—道路差"的命名；"汽车社会 → AI"十行映射表及其诊断用法；"编程率先爆发是因为责任规则早已写好"这一解释；"合规成本是一种竞争工具"及其不对称性推论；对头部／中小／高风险场景三类企业的策略推论；"市场失灵区＝政策资金去向"的商业读法；四条基本假设的归纳；谱系坐标与对比框架（与梅宏、周伯文、朱军、薛其坤的并置）；四条裂缝的判定，其中"汽车类比时间感偏乐观""物理损害可计数、认知损害不可计数"为笔者判断，文中已单独标注；