在日前召开的"工商联·经济大家讲坛暨第十一期中欧话未来"活动上，梅宏教授对当前人工智能发展现状进行了深刻反思，直言行业存在认识偏差和发展误区，需要尽快纠正； 梅宏指出，尽管深度学习技术取得了显著突破，但其本质仍然是"数据为体、智能为用"的数据智能范式，严重依赖于算力供给和高质量数据支撑。更为关键的是，现阶段深度学习实现的仅是感知智能，远未达到真正的认知能力水平。以大语言模型为代表的生成式人工智能虽然展现了令人瞩目的性能表现，但其根本机制是将复杂的认知问题转化为相对简单的感知问题，缺乏对人类思维过程与认知方法的深层理解。 针对行业存在的乐观主义偏差，梅宏特别强调了当前几个突出的误导性观点。一些机构和媒体盲目鼓吹"人工智能将取代人类""实现自主意识""开发通用人工智能"等耸人听闻的概念，在社会舆论中制造不必要的焦虑。这些宣传往往忽视了人工智能技术面临的多重现实瓶颈，包括日益凸显的能耗危机、训练数据日趋枯竭、涉及的法律框架尚不完善以及伦理规范仍需建立等深层次问题。 在技术路线问题上，梅宏呼吁学术界要突破"唯深度学习"的思维禁锢，重新审视多元化的研究方向。他特别强调了符号化表达对于人类知识交流、积累和代际传承的核心价值。在他看来，连接主义与符号主义的有机结合应成为第二代人工智能的发展方向。只有实现这种融合，才能使人工智能系统既具备数据驱动的学习能力，又保留人类知识体系的系统性和可解释性。 对于人工智能在产业应用中的现状，梅宏提出了客观的评价。他承认，大模型在文本、图像、视频等内容生成领域确实取得了可观的应用成效。然而，这些应用场景通常只占据企业实际需求的冰山一角。真正能为企业创造价值的，是能够有效解决生产环节问题、业务流程问题的实用方案。这类解决方案的开发需要长期积累高质量的行业专有数据。梅宏指出，当前流行的大语言模型本质上是对已有"语料库"的数据压缩和重组，形成的所谓"知识库"只能处理已知信息的变换组合，无法实现真正的认知突破和规律发现。 在展望"人工智能+"产业融合的前景时，梅宏给出了务实的建议。他认为，当前企业应当聚焦于运用判别式人工智能技术来解决自身特定生产环节中的具体难题。这条路线虽然看似保守，但更加稳健可行。实现该目标的前提是进行长期的、系统的、高质量的数据积累工作。为此，梅宏建议各企业和机构采取"可采尽采、能存尽存"的数据策略，为人工智能技术的有针对性应用奠定坚实的数据基础。 梅宏同时强调，人工智能的发展必须始终将人类可控性作为首要原则，其最终目标应定位于提升劳动效率、优化工作质量，而非追求虚无缥缈的"自主性"或"智能超越"。他指出，只有将人工智能的发展与人类知识体系紧密锚定，才能确保技术创新的可持续性和社会价值的长期释放。
技术进步需要想象力，更需要边界感。把能力说清、把风险算清、把应用做实，既是对科学规律的尊重，也是对产业和社会负责的态度。以可控为前提、以问题为导向、以数据与知识体系为支撑的务实路线，将成为人工智能实现长期价值的关键。````