1994年，凯文·凯利写下一本被中文互联网反复引用的经典——《失控》。
很多人初见这个书名，都会下意识以为这是一则技术末日预言：机器反叛、系统挣脱人类掌控、人类亲手创造的事物，最终反噬主人。
但凯文·凯利当年所说的“失控”，从来不是灾难。
他真正预见的，是一场时代底层逻辑的彻底更迭：未来最强大的系统，终将告别工业时代的中心化控制、单一指令、统一调度。它们会愈发趋近于生命本身，像蜂群协作、自然生态、自由市场、神经网络，依靠无数局部互动，自发生长出整体秩序。
没有蜂王逐一下令，蜂群却能精准寻巢、分工协作、有序迁徙；没有中央大脑统筹，人体细胞却能自我修复、适配环境、迭代演化；没有总工程师调度，市场交易却能在无数个体的博弈中，形成稳定的供需与价格秩序。
KK当年看透的，是人类文明从“人为控制”走向“自然涌现”的终极趋势。
在他的语境里，失控从不是贬义。失控代表生命力、代表分布式智慧、代表复杂系统挣脱工业时代的僵硬桎梏，以最贴合自然、最贴合生命的方式自主生长、持续进化。他曾精准总结：“要想获得有智能的控制，唯一的办法就是给机器自由。”
三十年过去，他预言的失控时代，如期而至。
可讽刺的是，身处这场技术变革中心的我们，并没有迎来预想中的自由，反而陷入一种难以言说的无力——我们手里的控制感，正在一点点悄然溜走。
打开搜索框，AI提前整合好所有答案；打开邮箱，AI自动撰写好完整回复；打开编辑器，AI自主读项目、改代码、跑测试、提迭代；刷短视频，算法比你更清楚下一秒的喜好；逛购物软件，系统提前预判你的消费选择；开启导航，AI直接替你敲定最优路线。
表面来看，现代人的能力空前强大，一个普通人可调用的数字资源，远超三十年前一家小型公司的总和。但工具愈发万能，人类自身的位置却愈发模糊。
我们究竟是使用工具的主人，还是沦为庞大系统里的一个输入端、一个数据反馈点、一个被算法预测、被流量引导、被智能体系持续优化的标准化对象？
《大西洋月刊》曾刊发一篇直击本质的文章——《控制感正在消失》。文中直言，整轮生成式AI的全民繁荣，本质是硅谷强加给全社会的一场巨型社会学实验，而这场实验的终极拷问，只有一句：在AI全面接管效率的时代，人类的核心价值到底是什么？
凯文·凯利的预言彻底落地，可现实的模样，早已和三十年前的浪漫想象，截然不同。
一、曾经的“失控”，是最纯粹的技术乐观
想要读懂当下的技术困境，必先回溯《失控》诞生的时代语境。
上世纪90年代，互联网萌芽、个人电脑普及，复杂系统、控制论、人工生命、进化算法迎来启蒙期。那是一个极致纯粹的技术乐观年代，学界与业界普遍坚信：放下中心管控、释放边缘活力，世界就会自发长出更优质、更鲜活的新秩序。
互联网的诞生，正是这套逻辑最好的佐证。它没有总开关、没有中心化规划、没有统一管控，不像人工搭建的规整建筑，更像一片无限扩张的数字森林——每个节点皆可连接，每个人皆可发声，每条链接皆能催生全新可能。
开源社区打破企业层级桎梏，无管理层统筹，却诞生了稳定强大的Linux系统；维基百科摒弃官方编审机制，依靠无数用户的局部修正、纠错博弈，搭建起人类史上规模最大的公共知识体系。
凯文·凯利的通透，在于他看穿了工业时代与生命系统的本质对立。
工业时代的核心信仰是绝对控制：控制时间、流程、人力、成本、误差、变量，试图把世界打磨成一台精准运转、毫无偏差的钟表。可生命系统的核心韧性，恰恰是拒绝僵硬控制——依靠自适应、高冗余、可变异的特性，在试错中迭代，在波动中存续，无需顶层设计，便能从无数局部互动中，涌现出全局智慧。
《失控》从未否定秩序，它否定的是工业时代上帝视角的、机械僵硬的、追求绝对最优的秩序。它推崇的是自下而上、分布式、包容混沌、持续演化的自然秩序。为此，KK提炼出造物九律，成为如今数字时代、AI时代的底层操作手册：
1. 分布式生存：规避单点风险，分散布局；
2. 自下而上控制：下放决策权，激活底层自主性；
3. 递增收益：越使用、越迭代、越有价值；
4. 模块化生长：以独立简单模块，组装复杂系统；
5. 边界最大化：创新与多样性，永远诞生于边缘；
6. 鼓励试错：用微小可控错误，规避致命性风险；
7. 多目标优先：拒绝单一最优，兼顾多元价值；
8. 维持非均衡：绝对平衡即是停滞与消亡；
9. 变自生变：不止遵守规则，更能迭代、创造新规则。
如今的微服务、敏捷开发、网络效应、A/B测试、大模型自我进化，无一不在印证这九条规律的正确性。
三十年前的“失控”，满是浪漫与希望。它象征着人类从僵化的工厂体系、精密的控制室、刻板的人工蓝图中逃离，奔赴充满生机、无限可能的数字荒野。KK曾引用老子名言诠释这种境界：太上，下知有之——最高级的治理，是无形无迹、顺势而为。
二、今日的失控，早已颠覆最初的浪漫
凯文·凯利当年的乐观，暗藏一个核心前提：系统可以失控、可以去中心化、可以自主演化，但人类始终是掌控全局的行动主体。
互联网再混沌，是人主动搜索、主动创作、主动交流；开源社区再分散，是人主动编码、主动迭代、主动共建；市场体系再复杂，是人主动决策、议价、承担得失。彼时的技术共识是：放弃中心化管控，只会释放个体自由，让人更自主、更有力量。
但如今的AI时代，彻底打破了这份美好预设。真正的变革不是系统失去中心，而是人类彻底让出了世界的中心位置。
过去，人类主动求索答案；如今，AI主动推送结果。过去，人类自主甄别信息、判断价值；如今，算法提前完成筛选排序，替我们规避了所有思考摩擦。过去，人类用工具落地自身想法；如今，AI代理自主拆解任务、调用工具、执行动作、闭环落地。
这是一道无法弥合的时代裂缝：过去的机器是工具，如今的机器是代理。
工具的核心是赋能，放大人类的意图、落地人类的想法；代理的核心是替代，逐渐替人类生成意图、界定需求、做出选择。工具只解答人类提出的问题，代理直接定义什么问题值得被关注、值得被解决。
在线文化研究者艾丹·沃克，曾用一个极致扎心的比喻形容当下的用户状态：现代人的互联网体验，像一场无声的“被主导”。算法与模型攫取了数字世界的绝大部分能动性，人类沦为循环里的被动参与者——浏览、点击、滑动、停留，每一次交互，都在为机器迭代投票。
我们不再是驾驭蜂群的人，只是蜂群中被动接收信息、被精准投喂的个体。
人类的能力外包，早已完成层层递进的迭代：最早外包体力，后来外包记忆，再后来外包计算。而当下，我们正在批量外包判断、选择、表达与人生方向感。
这就是新旧“失控”的本质区别：三十年前的失控，是系统挣脱束缚、焕发新生；今天的失控，是人类逐步退场、丧失主体性。
三、权力从未消失，只是悄然转移
凯文·凯利的第一个关键误判，是对“权力去向”的认知。
他曾以为，放弃中心化管控后，权力会自然下沉，回归每个个体、每个社区、每个参与者，最终实现人人平等的分布式自由。可现实远比理想残酷：权力不会凭空消失，只会流向最擅长驾驭分布式系统的主体。
AI时代，产品研发、内容创作、代码开发的门槛无限降低，创新成本与抄袭成本同步趋近于零。当产品本身不再构成护城河，真正的核心壁垒，变成了流量渠道、注意力资源、用户触达能力与信任资产。
表面上，世界愈发去中心化、扁平化、无边界；底层里，算力、数据、模型、分发通道高度集中，被少数平台垄断。
这些顶级平台无需发号施令、无需强制管控，只需悄悄改变每个人每日所见的内容、所接收的信息、所接触的选项，就能完成无声的规训与引导。
控制论创始人诺伯特·维纳，早在半个世纪前就发出预警：当人类将反馈回路的控制权，让渡给具备自主学习能力的自动化系统，系统会以人类无法感知、无法理解的节奏，反向重塑、规训人类行为。
算法记住你的每一次停留、每一次跳过、每一次点赞、每一次消费，精准捕捉你的情绪偏好、行为习惯、价值倾向，最终为你量身打造一个“极致贴合你”的信息世界。
久而久之，我们以为自己在主动认知世界，实则被困在算法搭建的回音室里，视野愈发狭窄、认知愈发固化。这不是暴力强制的控制，却是最高级的掌控——你从未感觉被约束，只觉得一切都“贴合本心”。
法国哲学家斯蒂格勒曾提出精准的“药毒”理论：技术从来兼具解药与毒药双重属性。
AI是解药，帮我们摆脱重复劳动、低效繁琐，极大解放生产力；AI也是毒药，它悄悄剥夺人类在亲身实践、反复试错、现实碰壁中积累的直觉、判断力、生活经验。斯蒂格勒将这种状态定义为新时代无产阶级化：不是体力被剥夺，而是思考能力、生存智慧、自我认知的逐步消解。
KK那句“给机器自由，才能获得智能控制”，在当年是启蒙真理，在如今却是深刻的哲学拷问：自由进化的机器，还愿意被人类掌控吗？即便愿意，真正掌控机器的，还是普通个体吗？
四、我们丢失的，是过程，更是自我
凯文·凯利的第二个误判，是混淆了“系统的失控”与“人的控制感”。
当下最危险的从不是AI反叛、机器夺权这种戏剧化场景。真正的危机，藏在极致顺滑的用户体验里。
如今的一切都太过顺畅：邮件自动生成、文案一键产出、信息实时总结、行程智能规划、沟通精准得体、工作高效闭环。就连情绪表达、人际沟通、矛盾化解，AI都能帮我们梳理出理性得体、毫无破绽的话术。
可人生中所有真正珍贵的成长、真正深刻的自我认知，从来都藏在“不顺畅”里。
写作的意义，从来不是输出通顺文字，而是在卡顿、纠结、推敲中，厘清思绪、看清自我；阅读的价值，从来不是快速获取信息，而是在困惑、思考、复盘的过程中，构建认知体系；选择的重量，从来不是挑选最优选项，而是在不确定性中，主动承担选择的后果；表达的真谛，从来不是精致话术，而是艰难、真诚地传递自己的真实心境。
AI正在无情抹平所有的摩擦、卡顿与低效，让一切结果唾手可得。它不会直接让人变笨，却会让人彻底戒掉“主动费劲”的能力。
但人类的控制感、自我认同感、核心能力，恰恰来自于亲自探索、亲自试错、亲自复盘的过程，而非最终结果。
亲手查过资料，才懂得观点的由来；亲手撰写文字，才明白认知的逻辑；亲身经历失败，才清楚能力的边界。当这些过程全部被AI替代，人类收获了高效，却弄丢了自我，陷入一种精致的空心化：速度越来越快、效率越来越高，内心却越来越空、越来越轻，最终连自己的选择、观点、喜好，都说不清缘由。
时代数据的反差，最能印证这种割裂：1995年，72%的美国人对新技术抱有好感；2025年AI时代，仅31%的人对AI感到安心，68%的人充满不安。同期美股科技巨头市值暴涨169%，全民消费者信心指数却跌至历史低位。
技术繁荣一路向上，人的精神状态一路向下。
耶鲁经济学家帕斯夸尔·雷斯特雷波曾做出极致推演：当AI全面替代人类劳动，劳动在GDP中的占比将无限趋近于零，绝大部分社会收益最终归于算力。更值得警醒的是，这已然是乐观场景。
这就是当代人的失控焦虑：不是机器不听指令，而是机器太过听话、太过周全，周全到我们无法分辨，最终的结果，究竟是自己的本心，还是AI的预设。
五、信息泛滥成灾，人生彻底失序
凯文·凯利的第三个误判，是高估了“信息涌现”的价值，忽略了“叙事缺失”的危机。
《失控》坚信，信息越丰富、连接越密集，智慧就会自然涌现，如同蜂群迁徙、鸟群觅食，在无序中生出有序。但现实给出了反向答案：当信息泛滥到极致，信息不再是智慧的原料，反而变成扼杀思考、消解意义的噪音。
哲学家韩炳哲在《叙事的危机》中，做出了精准的二元区分：信息制造混乱熵增，叙事构建秩序熵减。
碎片化信息是去脉络、无锚点、瞬时性的，被算法切割成零散碎片，让世界变成高速旋转的信息沙尘暴，让人迷失、漂浮、无从扎根。而叙事是有时间线、有逻辑、有价值、有方向的意义体系，能帮人梳理因果、锚定自我、安放情绪、笃定前行。
当下的AI，极致擅长生产海量碎片化信息：三分钟看懂时局、一分钟读懂技术、三十秒吃透商业模式、十条总结读完一本书。但AI永远难以生成真正的叙事。
因为叙事不是信息的压缩与汇总，而是责任的承担。它需要梳理前因后果、辨析价值冲突、明确选择方向、锚定人生立场，是一种需要沉淀、思考、共情与坚守的深度构建。
这也是为何当下“知识套利已死，叙事者永生”。信息无限泛滥、唾手可得，人类最稀缺的不再是知识与资讯，而是能对抗迷茫、消解焦虑、安放自我的意义结构。
现代人普遍陷入“叙事破产”：每日摄入海量信息、收藏无数干货、知晓无数道理，却依旧内心空茫、不知所往，不知道自己真正相信什么、坚持什么、追求什么。
当个体失去自我叙事，就会被动依附系统。AI和算法无法给予人生意义，却能用源源不断的任务、内容、建议、路径，填满所有思考空隙，让我们无暇追问自我、追问价值、追问人生。
六、人与真实世界，正在彻底断联
AI带来的最隐蔽伤害，是将人类从真实世界中连根拔起。
算法与AI替代的不只是脑力劳动，更是人与真实世界的直接接触。从前认识一座城市，需要亲身行走、感受气候、触摸路面、观察人情、体验烟火与尴尬；如今我们依靠攻略、评分、路线、避坑指南，提前预设所有体验。
从前理解一个人，需要相处、磨合、误解、争吵、和解，在真实互动中感知人性；如今我们依靠AI分析性格、预判心理、套用沟通模板。从前做成一件事，需要亲手尝试、直面失败、积累手感、沉淀经验；如今我们一键生成完整方案，跳过所有实践过程。
社会学家吉登斯将这种现象定义为脱域：社会关系从本土真实语境中剥离，被抽象的数据、算法、系统重新重构。
我们不再亲身拥抱世界，只是与系统预处理后的“世界镜像”互动。我们接触的不是真实的人与事，而是被筛选、被美化、被标准化的数据、标签与摘要。
这也是为什么现代人信息极度富足，内心却极度匮乏。人类的生命力、感知力、共情力，从来不是来自二手信息、总结摘要、算法推荐，而是来自亲身触碰、真实挫折、人际摩擦、缓慢沉淀、肉身体验。
哈佛教授布鲁诺·卡瓦略曾提出一个核心命题：效率与体验，永远天然对立。工业体系追求极致高效，但人生的温度、质感、意义，恰恰藏在那些“低效”的事物里。
真诚的恋爱、闲散的漫步、热烈的交谈、无目的的创作、漫长的陪伴，皆不产生功利价值，都是极致低效的事。但正是这些低效瞬间，构成了人生的全部质感与温度。
AI主导的失控时代，正在无限放大效率、彻底消灭低效，一点点抽走人类的生命质感。我们是最后一批在无AI环境中完成成长、教育、人格塑造的人。往后，硅基智能持续蔓延，生物心智的独特性、成长性、创造性，正在逐步弱化、退场。
有学者直言，所谓“人工智能竞赛”，本质是一场无声的生物智能衰退。
七、KK从未说错，只是未曾看透人性
正视当下的困境之余，我们必须承认：凯文·凯利的核心框架，依旧精准且深刻。
他对“活系统”的预判从未出错：顶级的、具备强适应性、高生命力的复杂系统，从来不是人工精密设计的产物，而是自主生长、持续演化的结果。GPT的涌现能力、AI系统的迭代进化，没有任何人可以精准设计、完全掌控，皆是自然生长的成果。
他提出的“变自生变”，更是当下AI治理的核心痛点。如今人类的治理逻辑，仍停留在工业时代的“立法—管控—追责”模式，用固定、机械的规则，去约束持续进化、无限复杂、动态变化的AI活系统，注定永远滞后、被动失控。
但KK的终极局限，在于他的研究始终聚焦系统、秩序、规则与演化，从未关注过“人”的意义。
他看懂了系统如何诞生、智能如何涌现、秩序如何成型，却从未追问：身处这套复杂系统中的个体，该如何自处、如何坚守、如何保留自我？
这便是预言成真、我们却毫无喜悦的核心原因：他描绘了宏大壮阔的技术图景，却遗漏了图景中最核心的个体温度与人生价值。
八、不必对抗失控，只需守住核心开关
面对全面到来的失控时代，最廉价的结论是：拒绝AI、回归原始、夺回全部控制权。
但这并不现实，也毫无意义。KK的判断依旧正确：复杂系统一旦成型，永远不会退回简单状态。人类不可能放弃搜索、算法、自动化、AI代理，逆势回归全手动、全人工的原始模式。纯粹的怀旧与对抗，从来不是解决方案。
真正的破局之道，不是全盘掌控，而是选择性坚守。在注定失控的世界里，守住四个绝对不能外包、不能让渡的核心开关。
第一，守住问题定义权。不要习惯性向AI索取答案，先向内求索：我真正要解决的是什么问题？核心诉求是什么？很多时候，我们的迷茫，是主动把问题定义权交给了系统。被别人、被算法、被趋势定义的问题，答案再完美，也不属于自己的人生。
第二，守住价值排序权。AI可以精准计算效率、收益、风险、最优解，但它永远无法定义“值得”。人生的核心抉择，从来不是数据最优，而是价值取舍。效率、安全、收益永远不是最高优先级，何为热爱、何为坚守、何为责任、何为自我，只能由自己定义排序。
第三，守住最终判断权。AI可以辅助整理信息、提供参考、拆解方案，但所有关乎人生方向、职业路径、人际关系、价值选择的终极决策，必须由人亲自完成。AI可以参与过程，但不能承担后果。而人生所有的重量与价值，恰恰来自于自我承担后果的勇气与担当。
第四，守住真实世界反馈权。越是沉浸数字世界、依赖AI工具，越要主动回归真实现场。见真实的人、做真实的事、接纳真实的情绪、直面真实的摩擦、承接真实的挫败。用肉身体验、现实经历，校正算法的片面数据与模型的标准化答案。
除此之外，我们需要主动保留一些“低效的锚点”。漫无目的的散步、真诚笨拙的面对面沟通、无功利的阅读与创作、无收益的热爱与坚守。这些看似无用的低效行为，是我们对抗算法驯化、确认自我存在、守住人生质感的终极底气。
九、失控不是末日，失魂才是
三十年前，凯文·凯利期盼的失控，是技术挣脱束缚、奔赴自由的新生。
三十年后，这场变革如期而至，却褪去了所有浪漫狂欢，变成一场安静且残酷的人生考试。
这场考试的考题，从来不是“AI会不会超越人类”，而是当机器越来越全能、越来越懂事、越来越能替代我们做事、思考与表达时，我们能否清晰找到那个不可替代的自我。
技术永远双面共生，解放与束缚、赋能与削弱永远并存。AI帮我们摆脱繁琐，也悄悄弱化我们的能力；AI提升我们的效率，也慢慢抽离我们的质感。
AI时代最大的危险，从来不是使用技术，而是在潜移默化中，不知不觉交出了最珍贵的东西：以为交出的是重复劳动，实则是独立判断力；以为交出的是繁琐过程，实则是成长手感；以为交出的是低效沟通，实则是真实的人际温度；以为交出的是碎片化时间，实则是自我迭代的核心契机。
萨特曾说：人注定自由。
这份自由从不是随心所欲的放纵，而是无法逃避的自我选择、自我负责。我们永远无法躲在系统、算法、趋势与工具背后，逃避自我的人生责任。
KK教会我们：面对复杂系统，要学会放手。
而当下的我们，必须补上后半句：放手不是撒手，失控不是失魂。
真正的成熟，从不对抗技术浪潮，也不盲从技术狂欢。而是在全面失控的AI时代，清晰界定：什么可以交给机器，什么必须留给自己。
三十年前，失控是未来的希望。
三十年后，失控是成年人的必修课。
浪潮不可逆，唯一的答案，是守住自我。
十、延伸思考：为颠覆性科学设计AI，如何做出范式转移级的发现？
在理解了AI时代的人类失控困境后，我们需要追问一个更本质的问题：既然当下的AI只会放大现有秩序、难以创造全新秩序，那我们究竟需要什么样的AI，才能推动人类科学完成真正的范式转移，而非陷入无休止的常规迭代？
作家博尔赫斯曾写下一则经典的知识寓言：一个极致痴迷制图的帝国，造出了一幅与帝国疆域1:1等大、百分百详尽的地图。这幅地图完美复刻了所有山川河流、村落道路，却最终沦为毫无实用价值的废墟，只剩野兽与乞丐栖身其中。
这则寓言的古老教训是：极致的细节堆砌，终将走向无效。冗余的信息叠加，永远无法生成新的认知，只会让知识愈发笨重、僵化。
但AI时代的到来，颠覆了这一认知。如今人类绝大多数知识已完成数字化，大模型依托数万亿词元的全域数据训练，AlphaFold精准预测未知蛋白质结构，各类科学AI能快速检索、解析、复刻人类积累的所有知识。博尔赫斯笔下那幅“全域地图”，已然在各个科学领域落地成真，并且具备了极强的实用价值。
于是很多人形成一种惯性认知：科学进步的终极路径，就是持续做大AI模型、完善知识图谱、细化数据维度，把每一个领域的“地图”补全、做精。
可博尔赫斯地图的致命缺陷，从来不是“过于详尽”，而是维度单一、框架固化。无限叠加细节，只能新增同类信息、完善旧有体系，永远无法诞生一套全新的认知架构、一套完全不同的解释世界的逻辑。
这也是当下AI科研的核心死局：AI擅长补全旧地图，却无法绘制新地图。
1933年之前，伦敦地铁图严格复刻地理方位，精准却杂乱拥挤，核心城区信息重叠、郊区空间浪费，看似完美却毫无实用价值。制图师哈里·贝克彻底放弃地理精确性，重构逻辑框架，将地铁网络转化为标准化彩色电路图表，用全新图式、全新规则，彻底解决了原有体系的底层矛盾。这不是细节优化，是范式重构。
人类科学的每一次颠覆性突破，从来不是数据的堆砌、细节的完善，而是一场“贝克式重构”——用一套更简单、更自洽、延展性更强的新范式，替代复杂零散、矛盾凸显的旧范式，且新范式的价值，会远远超出最初的观测现象。
19世纪中期，电磁学是一堆零散定律的拼凑，每条定律只能解释单一现象，体系繁杂、逻辑割裂。麦克斯韦用四组极简方程组，统一所有电磁现象，不仅整合了已知规律，更预言了从未被人类探测的电磁波，最终奠定了无线电、通信技术的底层根基。
这就是范式转移的核心特质：以极简原理，解锁无限未知。它不优化旧答案，而是推翻旧框架、定义新问题、开辟新边界。
反观当下所有主流AI系统，恰好缺失这种核心能力。AI可以基于现有电磁数据，精准复刻、预测所有实验结果，优化每一处细节误差，但它永远无法跳出旧有认知，凭空推导出电磁波的存在，更不可能开创全新的电磁学体系。
这让我们陷入了全新的科学困境：超常规科学（Hypernormal Science）。
我们的AI在既有科学范式内的预测能力、迭代速度、精准度无限拉满，能快速产出海量论文、优化无数实验、填补无数细节空白。但与此同时，人类提出全新问题、颠覆旧有框架、创造全新范式的能力，正在持续弱化。我们沉迷于地图的精细化修补，却遗忘了科学真正的进步，永远来自于重构地图。
（一）科学范式的真实演化逻辑
想要设计出具备范式突破能力的AI，首先要厘清：人类历史上的科学革命，究竟如何发生？
常规科学的发展，是累积式进步：在既定范式、既定规则、既定认知框架内，持续积累数据、验证结论、修正误差、完善体系。
而范式转移的发生，是破局式重构：当旧范式积累的矛盾、无法解释的异象越来越多，原有体系彻底承压，最终被一套更简洁、更自洽、延展性更强的新体系替代。且新范式的胜利，从不只靠解释旧现象，更靠开辟全新的应用边界与认知维度。
狭义相对论的诞生，完美印证了这一逻辑。19世纪末，物理学界坚信“发光以太”是光的传播介质，是绝对确定的物理存在。迈克尔逊-莫雷实验却得出颠覆性结果：无法探测到以太风的速度差，现有理论完全无法解释。
面对实验异象，主流物理学家选择修补旧范式：洛伦兹提出物体在以太中运动发生收缩，强行抵消实验误差，用复杂的补丁维系旧体系的存续。
而26岁的爱因斯坦作为学术局外人，跳出所有固有框架，放弃对以太的执念，用两条极简公理——物理定律普适性、光速不变原理，重构时空认知。这套新范式完美兼容所有已知实验，更推导出质能方程E=mc²，解锁了核能、医学成像等无数全新领域，其价值远超最初的实验矛盾。
范式转移从来不需要完美的细节，只需要靠谱的核心逻辑。达尔文的自然选择学说，初期无法解释遗传机制，甚至提出了错误的“泛生论”，但其核心的演化逻辑足够简洁、自洽、有延展性，最终依托后续的遗传学成果，彻底重构了生物学范式。
总结来说，所有范式革命的共性：跳出既定概念词汇、简化复杂体系、跨域嫁接认知、延伸未知边界。而这四点，恰好是当前AI的能力盲区。
（二）当前AI的致命局限：被困在旧范式里的精准
现代AI的训练逻辑，从根源上决定了它只能服务“常规科学”，无法催生“范式革命”。
从早期的自动数学家AM程序，到如今的大模型、科学基座模型，所有AI的核心训练逻辑从未改变：基于既定数据集，最小化预测误差，在人类定义的概念框架内优化精度。AI所有的“创新”，都早已隐含在人类预设的知识体系、变量维度、概念词汇中。
19世纪的伦敦医学界，所有人都用“瘴气理论”解释霍乱，医生法尔精准统计霍乱死亡率与海拔的相关性，数据详实、结论精准，完美适配旧范式。但这套基于“空气质量、地形海拔”的统计框架，永远不可能推导出“水生微生物致病”的全新认知。
在这套数据上训练的AI，能精准预测疫情暴发规律、优化防控范围，却永远无法突破瘴气理论的桎梏，更不可能开创细菌学说，解锁现代医学、无菌手术、抗生素体系。
如今的科学AI，依旧困在同样的困境中。DeepMind的GNoME模型可以高效优化晶体结构、替换元素组合，发现数百万种新材料，但所有创新都局限于已知结构框架内，无法创造全新的物质组织原理；ESM3模型能生成全新荧光蛋白，却从未质疑“氨基酸序列是否是描述蛋白质的唯一维度”，无法跳出生物学固有框架，完成跨领域的原理统一。
更残酷的现实是：AI学懂了规律，却从未理解原理。
在模拟太阳系数据集上训练的AI，能极致精准预测行星轨道，权重中藏满运行规律，却完全没有习得“引力”这一核心物理概念。它只是拟合了数据相关性，从未掌握底层因果逻辑。
当下火爆的端到端AI科学家流水线，能一站式完成文献检索、假设生成、实验设计、论文产出，效率远超人类。但它筛选“优质假设”的唯一标准，是贴合现有学术体系、适配既定范式、符合主流共识。那些颠覆旧框架、挑战权威、初期看似荒谬的颠覆性假设，会被AI自动判定为“低质量想法”，直接淘汰。
这直接造成了当下科研的诡异悖论：AI让论文产量、引用数据暴涨，却让科研创新维度持续收缩。千万级论文数据研究显示，AI辅助研究的主题覆盖面缩减5%，所有创新都在向成熟范式、海量数据领域收敛，人类科学的探索边界正在悄然固化。
（三）科学的苦涩教训：规模扩张不等于认知升级
计算机科学家理查德·萨顿提出的“苦涩的教训”，是理解AI科研瓶颈的关键：所有人工内置知识的方法，终将败给纯粹的规模与搜索；但规模只能复刻已知，无法创造未知。
很多人误以为，只要持续扩大模型参数、提升算力、扩充数据，AI终将自主实现科学突破。AlphaZero的成功，似乎印证了这一点：仅依靠基础游戏规则，通过自我对弈、无限迭代，就能超越人类顶级棋手，创造出从未出现过的博弈策略。
但科学与棋类游戏，有着本质区别。棋类的规则固定、目标唯一、胜负明确，最优解藏在海量组合中，可通过算力穷尽。而科学的核心，是寻找规则本身。
狭义相对论、进化论的核心范式，都极简到极致，却能颠覆整个学科。最难的从来不是“在规则内赢”，而是“推翻旧规则、建立新规则”。没有后见之明，没有量化标准，没有明确路径，算力规模毫无用武之地。
当下所有试图突破瓶颈的AI尝试，都存在明显短板：
符号回归AI Feynman，能筛选出解释数据的最简方程，依托最小描述长度原理（MDL）惩罚冗余复杂度，复刻了大量经典物理公式。但它只能在人类筛选的干净变量、单一数据集内运行，只能“重新发现已知”，无法挖掘全新未知原理。
类比创新AI，能跨领域检索结构相似的理论，复刻达尔文跨经济学、生物学的跨界思考。但它只能检索书面理论的表层关联，无法复刻人类的感官直觉、思想实验、肉身体验——无法复刻爱因斯坦“追光思考”“自由下落失重”的直觉顿悟，而这正是范式革命的核心源头。
更关键的是，“简单性”“类比性”不足以定义优质范式。汤姆逊的原子葡萄干布丁模型，足够简单、类比生动、贴合当时已知数据，最终却被彻底证伪。我们至今没有一套完整、可量化、可工程化的标准，定义“什么样的新范式，终将超越旧范式”。
这就是科学真正的苦涩教训：在我们彻底理解科学本身的演化规律之前，AI无法自动加速科学革命。算力、数据、模型的无限扩张，只会让常规科学越来越精准，让范式固化越来越严重。
（四）构建远见型AI：从预测机器，到创造机器
想要打破超常规科学的困境，我们必须彻底转变AI的设计逻辑：放弃只做“精准的预测机器”，着力打造“远见的创造机器”。不再只为优化现有范式服务，而是为重构范式、突破边界而生。核心需要突破四大维度。
第一，从“拟合相关性”转向“追求因果极简”。以最小描述长度原理为核心，训练AI主动摒弃复杂冗余的拟合模型，优先挖掘能够用最简逻辑、最少变量解释全域现象的底层原理，主动淘汰范式内的补丁式修正，倒逼系统跳出局部最优，寻找全局统一的底层规律。
第二，从“文本跨域检索”转向“多模态直觉类比”。打破纯文本、纯理论的关联搜索，融合视觉、空间、物理交互、动态感知等多模态信息，复刻人类的肉身直觉与思想实验能力，让AI能够突破书面知识的局限，在不同领域的底层结构、物理逻辑中挖掘隐性关联，诞生颠覆性灵感。
第三，重构AI的评价体系，包容“非共识创新”。废除单一的“贴合现有理论、高预测精度、高同行适配度”评价标准，为看似荒谬、偏离主流、初期无法验证的假设保留生存空间，模拟历史上小型独立科研团队的创新环境，用制度性包容，保护范式萌芽。
第四，用AI开展元科学实验，破解创新环境密码。人类无法真实对比不同科研机制、团队结构、激励体系的创新效率，而AI智能体可以构建平行科研世界，批量测试团队规模、层级结构、交流模式对范式突破的影响，反向工程化设计最适合颠覆性创新的科研生态。
人类科学的进步，从来不是工具迭代的自然结果，而是认知框架、创新环境、思维范式共同作用的产物。互联网没有自动加速科学革命，只会优化知识传播效率；AI也不会天然带来范式突破，只会放大我们固有的科研逻辑与认知局限。
未来的AI科研，真正的核心不是“让机器更快干活”，而是“让机器学会重新提问、重新定义、重新解构世界”。
当我们不再执着于修补博尔赫斯的旧地图，而是学会设计能绘制全新地图的AI，人类才能真正走出超常规科学的内卷，迎来下一场真正的、颠覆性的科学范式革命。
十一、物理AI的终局前夜：从数字狂欢到落地实干，还差“临门一脚”
英伟达曾预判，未来10至20年，全球将诞生数百亿台机器人，AI将全面渗透物理世界、重塑实体经济。纵观当下行业舆论，物理AI、具身智能、人形机器人的宏大叙事早已铺天盖地，所有人都笃定：AI的终极战场，不在虚拟算力，而在真实物理世界。
但在2026年BEYOND Expo澳门现场，褪去舆论的浪漫滤镜，创业者、投资人、产业专家的共识无比清醒：物理AI早已度过“要不要落地”的概念炒作期，全面进入“能不能落地、能不能赚钱、能不能规模化”的实战攻坚期。数字AI的范式革命已经成型，可AI走向物理世界的最后一公里、临门一脚，至今迟迟未能彻底打通。
这也恰好呼应了前文的核心困境：当下的AI擅长在数字范式内迭代优化、拟合数据、产出精准结果，却极度缺乏真实世界的泛化能力、容错能力与落地能力。数字AI陷入“超常规科学内卷”，物理AI困在“演示级成熟、工程级幼稚”的错位里。
（一）表象繁荣：只会“表演”，不会“干活”的物理AI
本届展会直观展现了物理AI的阶段性现状：热闹、惊艳，却尚未实用。现场的人形机器人可以跑步跳舞、翻跟头、冲泡咖啡、精准演示各类单一场景动作，视觉效果拉满；工业机器人、服务机器人、智能硬件形态百花齐放，AI陪伴玩偶、冥想坐垫、智能感知硬件等新品层出不穷，初创团队迭代速度大幅提升，从创意到出Demo、到量产发售，最短仅需一年时间。
但所有光鲜的演示背后，藏着统一的行业短板：场景一旦脱离预设，机器人立刻失效。
能精准泡咖啡的机器人，无法应对台面轻微偏移、物料细微偏差；空载测试百万次精度拉满的灵巧手，在真实工厂抓取、摩擦、损耗后，会快速出现精度衰减、效用下滑；能完成标准化分拣、巡检的工业机器人，无法适配复杂、动态、充满不确定性的真实生产场景。
数字世界的AI，活在标准化、无误差、可复刻的数据集里；物理世界的真实场景，充满摩擦、形变、误差、突发变量与无序干扰。数字AI靠拟合最优解生存，物理AI靠适配不确定性立足，这是两者最本质的区别，也是当下所有物理AI产品的核心硬伤。
行业早已形成共识：当前绝大多数人形机器人、智能硬件，都停留在演示级、单一场景专用级，距离通用化、规模化、商业化落地，还有漫长的攻坚周期。
（二）四大核心短板，卡住物理AI的“临门一脚”
褪去概念热度，物理AI无法快速爆发，不是算力、模型的问题，而是数据、泛化、工程、产业生态四重瓶颈的叠加制约，每一项都是无法跳过的硬门槛。
第一，真实世界数据严重稀缺，数据积累周期极长。
普渡机器人创始人张涛给出了行业真实标尺：自动驾驶实现成熟落地，需要千万小时级真机数据迭代；而机器人面对的场景复杂度、动作维度、干扰变量远超汽车，需要数千万甚至上亿小时的真机实测数据。目前绝大多数企业的数据积累，才刚刚起步，尚未形成完整的数据金字塔。
更关键的是，数字数据可以批量生成、快速抓取，物理数据必须靠真机落地、长期试错、持续积累，无法速成、无法复刻、无法投机。没有足量真实工况数据，模型永远学不会真实世界的复杂逻辑。
第二，模型泛化能力不足，无法适配物理不确定性。
数字大模型的核心优势是标准化输出、精准拟合数据；但物理世界没有绝对标准，环境随时变化、工况持续波动、任务灵活多变。当下的物理AI模型，依旧沿用数据拟合的训练逻辑，缺乏基础的物理常识、因果认知与自适应能力。
这就导致机器人“学得会套路，看不懂变化”：固定场景准确率近乎完美，场景微调立刻出错；短期测试效果优异，长期运行持续衰减。矩阵超智创始人张海星明确指出，大脑泛化性不足、产业链降本困难，是制约人形机器人爆发的两大核心瓶颈，2028—2030年才会迎来首轮需求爆发，2030年后才有望全面普及。
第三，工程交付与耐用性短板，经不起真实产业检验。
行业普遍存在“重参数、重演示、轻落地、轻耐用”的误区。很多厂商只宣传空载测试的百万次动作数据，却回避真实工况下的磨损、精度衰减、故障概率。在工厂高频作业、户外复杂环境、长期连续运行的真实场景中，机器人的稳定性、耐用性、维护成本，远比单次演示精度更重要。
同时，物理AI早已告别“纯算法制胜”的时代。纯软件算法团队落地硬件场景，普遍面临供应链失控、量产翻车、交付不稳的问题。真正能跑通落地的团队，必须兼具算法+硬件+供应链+场景交付的全栈能力，单一维度优势已经无法支撑商业化落地。
第四，伪需求泛滥，商业化闭环尚未跑通。
当下AI硬件、机器人赛道严重同质化，大量初创团队扎堆AI陪伴、智能玩具、轻量化感知硬件，产品形态五花八门，但大多缺乏真实刚需。行业呈现典型的“创意过剩、验证不足、需求模糊”状态，很多产品只是技术堆砌，并未解决真实产业痛点、用户痛点。
资本端早已看透本质：硬件创业是拼现金、拼交付、拼闭环的“死亡之桥”，原型到量产的库存成本、营销成本、迭代成本，足以淘汰绝大多数初创团队。没有真实场景、没有稳定订单、没有自我造血能力，仅靠融资输血的团队，18—36个月内就会被快速洗牌出局。
（三）资本与产业的新共识：放弃玄学，回归务实
经历一轮概念泡沫后，行业彻底告别“人形万能”的误区，形成全新的务实落地逻辑，彻底推翻此前的技术浪漫主义。
首先，拒绝盲目人形化，专用机器人优先落地。清智资本明确指出，当下赛道最大误区，是刻意将机器人做人形、盲目对标人类形态。从商业逻辑来看，替代人类劳动的机器，无需复刻人类外形。现阶段真正能盈利、能规模化的，是擦窗、扫地、工业巡检、物流分拣等有限场景专用机器人，而非华而不实的通用人形机器人。
其次，估值去泡沫，软硬一体成唯一护城河。资本共识彻底转变：纯软件算法极易被大模型迭代替代，壁垒极低；而“软件+硬件+场景+供应链+工程交付”的全栈能力，短期内无法复制，是物理AI时代的核心壁垒。OPPO巡星投资、智元机器人等多方机构均强调，只做大脑、不碰硬件、不落地场景的模式，极度危险，终将被市场淘汰。
最后，速度与迭代力，成为新的竞争壁垒。当下硬件迭代周期大幅压缩，从创意到量产不足一年。行业不再单纯比拼技术参数，更比拼用户反馈闭环速度、软硬件同步迭代能力、模型趋势预判能力。AI硬件的价值核心，早已从硬件本体转向模型服务与持续迭代能力，硬件必须为模型演进服务。
（四）终极底层困境：数字AI的范式，适配不了物理世界
回归前文的范式转移逻辑，物理AI落地难的终极原因，依旧是旧范式无法解决新问题。
当下所有AI的底层训练范式，都是为数字世界设计的：基于海量静态数据、统计拟合、误差优化，追求标准化、精准化、最优解。但物理世界是动态、混沌、充满不确定性的，遵循物理规律、因果逻辑、容错逻辑，而非数据统计逻辑。
这也完美解释了此前的超常规科学困境：我们用数字迭代的思维优化物理AI，只会不断提升演示精度、堆砌数据细节、完善旧范式的边界，却无法重构一套适配物理世界的全新认知体系。我们一直在修补旧地图，却从未尝试绘制物理世界的新地图。
数字AI解决的是“已知问题的极致优化”，物理AI需要解决的是“未知变化的自适应突破”。前者靠算力与数据堆叠，后者靠范式重构、因果认知、物理直觉与真实世界的深度交互。
（五）终局判断：短期洗牌，长期重构
综合本届展会所有产业方、资本方、创始人的共识，物理AI的发展节奏已经清晰落地：
1. 短期1—3年（2026—2028）：行业快速洗牌。无现金流、无真实场景、无全栈能力的初创团队批量淘汰，纯融资驱动的泡沫彻底出清，有限场景专用机器人率先实现商业化盈利。
2. 中期2028—2030：需求集中爆发。产业链成本下行、模型泛化能力成熟、数据体系初步完善，人形机器人开始渗透工业、商业主流场景。
3. 长期2030年后：全面规模化落地。物理AI完成范式适配，虚实鸿沟逐步打通，AI真正从数字工具，变成能深度改造实体经济、适配真实世界的具身智能体。
物理AI的“临门一脚”，从来不是更快的算力、更大的模型、更多的参数。
它需要我们跳出数字AI的固有范式，放弃对极致精准、标准化最优解的执念，重构一套适配混沌、尊重物理规律、擅长因果推理、能够持续自适应迭代的全新智能体系。
数字AI让机器学会了“计算”，物理AI将让机器真正学会“生存”。这一脚，踢开的不仅是数实共生的技术边界，更是AI从工具迭代、走向文明重构的全新未来。