近期人工智能领域的几则动态，恰好勾勒出行业发展的两种切面：一边是国际学术会议上的技术交流盛宴，另一边是基础研究层面的理念碰撞与反思，这些动静共同指向AI发展到现阶段的核心命题——在技术落地的同时，如何补上理论与认知的短板。
南京举办的第18届机器学习与计算国际会议，无疑是AI技术落地探索的一次集中展示。来自全球的学者围绕因果学习、人机听觉、计算心理生理学等方向分享成果，这些研究既扎根理论深度，又紧扣产业应用需求。比如徐雷教授对大模型因果学习局限的剖析，胡斌教授将AI与精神疾病诊断结合的实践，都体现出当前AI研究正在从通用技术向细分场景深化，试图用技术解决真实世界的复杂问题。
相比应用层面的热火朝天，基础研究领域的反思显得更具冲击力。卡耐基梅隆大学学者斩获NeurIPS“杰出新方向论文奖”的研究，就直指深度学习的核心困惑——一直被用来解释模型泛化能力的“一致收敛”工具，可能从根本上无法破解泛化难题。这一“负面结果”的价值，在于打破了领域内的路径依赖，提醒研究者不必在单一框架内死磕，而是要寻找全新的数学工具和理论视角。
这种对现有理论的质疑，很快延伸到对AI发展路径的争论。斯坦福大学成立基础模型研究中心的举措，就引发了业界的激烈批评。不少学者认为，将大规模深度学习模型称为“基础模型”名不副实，这些模型缺乏对物理世界的真实理解，只是在数据上进行拟合，无法成为通用人工智能的真正基础。更有观点指出，过度聚焦大模型，会挤占其他AI研究方向的资源，比如更重视数据质量的研究、跨学科的智能探索等。
其实，这些争议并非是对AI技术的否定，反而恰恰证明了领域发展的成熟。早期AI的推进，更多是靠技术突破带来的惊喜，而当技术落地到更多场景，人们自然会开始追问“为什么”和“往哪去”。从依赖“一致收敛”的理论反思，到对基础模型的定义争论，本质上都是行业在试图从“知其然”走向“知其所以然”。
值得注意的是，争议的双方并非完全对立。斯坦福方面也承认，当前的基础模型存在局限性，研究中心的目标之一就是破解这些问题；而批评者也并未否定大模型的应用价值，只是不认同将其视为AI发展的唯一基础。这种平衡的态度，恰恰是AI健康发展的必要条件——既不因为应用成果而回避理论短板，也不因为理论缺陷而否定技术进步。
对于整个AI领域而言，这些学术动态释放出明确信号：未来的发展需要“两条腿走路”。一方面，要继续推进技术在各行业的落地应用，用实践验证技术价值，解决真实问题；另一方面，必须补上理论研究的短板，破解泛化能力、可解释性等核心难题，同时鼓励多元的研究路径，避免陷入单一技术框架的陷阱。
或许，AI的下一个突破点，就藏在这些看似“唱反调”的学术争论里。当研究者们不再迷信单一工具和路径，而是敢于质疑、勇于探索，才有可能真正推开通用人工智能的大门，让AI技术走得更稳、更远。