CMAI中关村观察：两条AI发展路径的分野与融合

——大数据逻辑算法vs认知智能因果推理算法

2026年3月25日-3月29日，为期五天的中关村论坛年会落下帷幕。回看这场科技盛会，有两个场景让笔者印象深刻：会场内，AI“翻译官”在中、英、法、俄等8种语言间丝滑切换，一位外国嘉宾摘下同传耳机，饶有兴致地凑近屏幕；会场外，8台机器人从点餐、制餐到送餐全流程自主协同，有观众感叹：“这比我们那边的咖啡馆还智能。”

然而，比这些炫目应用更值得关注的，是隐藏在技术突破背后的深层变革——AI发展正在形成两条截然不同的技术路径。

一条是当前主流的大数据逻辑算法路径：以海量数据训练为基础，通过统计相关性建立预测模型。这条路径催生了ChatGPT、文心一言等大模型，让AI具备了强大的模式识别和内容生成能力。

另一条则是正在兴起但尚未被充分认知的认知智能因果推理算法路径：以认知架构和因果推理为核心，追求AI对世界的深度理解。中关村论坛上亮相的全球首个通用智能人“通通”3.0，正是这条路径的代表性成果。

北京通用人工智能研究院院长朱松纯在现场道出了这一突破的底层逻辑：“我们走的是认知和价值因果驱动的技术路线。”笔者注意到，台下不少听众若有所思——这条路，确实与当下主流的大模型路线大相径庭。

这两条路径的分野与融合，正在重塑AI的未来图景。本文基于CMAI北斗七星生态的视角，尝试揭示这两条技术路线的本质差异、各自价值以及未来走向。

一、两条路径的本质分野：从“关联”到“因果”

1.1 大数据逻辑算法路径：模式识别的巅峰

当前主流的大模型技术路线，本质上是“大数据+大算力+大参数”的规模化之路。其核心逻辑是：通过海量数据训练，让模型学习输入与输出之间的统计相关性，从而在遇到新输入时做出预测。

这条路径的优势显而易见：在图像识别、自然语言处理等任务上，它已能超越人类；而且数据越多、参数越大，效果就越好。更关键的是，应用门槛低——只要有足够数据，就能快速构建应用。

然而，这条路径的先天局限也日益凸显。一位从事医疗AI研发的朋友曾向笔者吐槽：“模型知道‘A与B相关’，却不知道‘A导致B’；数据分布一变，性能就大幅下降。”更让开发者头疼的是，黑箱模型难以解释决策依据，在医疗、金融等敏感领域，“能用，但不敢用”成了普遍困境。

这正是我们在医疗AI分析中反复指出的“表象逻辑困境”：AI能够处理“是什么”，却难以回答“为什么”；能够输出“怎么做”，却无法解释“为什么这么做”。

1.2 认知智能因果推理算法路径：理解的觉醒

“通通”3.0所代表的认知智能路径，则采取了截然不同的技术路线。它不是从海量数据中学习统计规律，而是从认知架构出发，构建具有因果推理能力的智能体。

这条路径的核心特征颇为独特：具备因果推理能力，理解事件之间的因果关系而非仅仅是相关性；具备认知架构，拥有感知、记忆、推理、决策等模块；具备价值判断，能够理解“什么该做、什么不该做”；更重要的是，它能够通过社会化学习，在与环境和他人的互动中持续进化。

“通通”的心智水平相当于五六岁的儿童，可以像人类孩子一样探索世界，学习基本的生活技能、社交技能，同时发展认知和心智。它的每一次成长，都是在为AI研究范式探路。

这种路径的价值在于：不满足于“是什么”，追问“为什么”；能够将学到的因果知识迁移到新场景；推理过程可追溯、可理解；不需要海量数据，通过认知机制实现小样本学习。

二、两条路径的实践分野：从“能用”到“可信”

2.1 大数据路径的“能用，但不敢用”困境

在中关村论坛“人工智能+产业”论坛上，百度智能云副总裁殷大伟的一番话引发了广泛共鸣：“智能体在落地过程中还存在技术挑战与数据安全隐私风险，这需要企业从产品设计之初就筑牢防线。”

这背后，是大数据逻辑算法路径在产业应用中面临的深层困境——“能用，但不敢用”。

这不禁让笔者想起一位三甲医院放射科主任的感叹：“AI看片比我准，但我敢签字的片子，它不敢签。”这话听起来有些悖论，却道出了当下AI落地最大的障碍——不是技术不行，而是人不敢信。

以金融AI为例，大数据路径的信用评分模型可以识别企业有司法案件，却理解不了为什么这个案件不代表信用风险——或许只是合同纠纷，或许是被动涉诉，或许企业早已达成和解。数据层面的“信号”，与业务实质的“真相”之间，横亘着一道AI难以跨越的认知鸿沟。

2.2 认知智能路径的“可信，可解释”价值

认知智能路径的价值，恰恰在于它能够跨越这道鸿沟。

在医疗领域，具备因果推理能力的AI不仅知道“这个影像特征与癌症相关”，还能理解“为什么这些特征指向癌症”——哪些是致病因素，哪些是伴随现象，哪些是干扰项。这种理解，让医生敢于信赖AI的判断，敢于在复杂情境中采纳AI的建议。

在金融领域，具备价值判断能力的AI不仅识别“企业有司法案件”，还能分析“这个案件的性质是什么、对经营的影响有多大、是否已达成和解”——从而做出更精准的风险评估。

这正是从“AI+行业”走向“AI+价值”的跃迁。AI不仅要“会做事”，更要“懂道理”；不仅要“能应用”，更要“可信赖”。

三、两条路径的生态分野：从“封闭”到“开源”

3.1 大数据路径的“数据壁垒”困境

大数据逻辑算法路径的规模化发展，天然导致“数据壁垒”——数据越多、模型越强，头部企业越容易形成垄断。这种格局带来了几个问题：数据孤岛，企业不愿共享数据，行业难以形成协同；创新门槛高，只有少数企业拥有海量数据和算力；安全隐患，数据集中存储，一旦泄露后果严重。

中关村论坛上，芯片接口和软件生态互不兼容的问题被反复提及。这正是大数据路径“封闭”倾向的缩影。

3.2 认知智能路径的“开源生态”需求

认知智能的发展，恰恰需要开源生态的支撑。原因在于：认知机制需要多元探索，认知架构的设计需要全球智慧共同参与；因果推理需要多场景验证，不同领域的因果模型需要开放共享；价值对齐需要广泛共识，AI的价值观需要全社会共同参与定义。

中关村论坛上，“开源”成为嘉宾的普遍共识。今年《政府工作报告》明确提出，要促进开源生态繁荣，开源成为驱动我国人工智能发展的国家战略。面向多种AI芯片的统一、开源系统软件栈——众智FlagOS 2.0发布，中关村人工智能开源联盟正式成立，这些都在为认知智能的发展奠定生态基础。

正如月之暗面创始人杨植麟所言：“无论是新一代架构还是优化工具，开源策略将加速全球开发者对AI智能极限的探索，让其在更广泛的社会与经济领域释放出生产力。”

四、两条路径的融合趋势：从“对立”到“共生”

4.1 认知智能无法脱离大数据基础

需要明确的是，认知智能与大数据路径并非对立关系。认知智能的因果推理能力，需要在大数据基础上构建——没有足够的数据支撑，因果模型难以验证；没有丰富的场景训练，认知架构难以成熟。

“通通”3.0的成长过程，同样离不开大量数据和场景的支撑。它的每一次进步，都是在与环境的互动中实现的。

4.2 大数据路径需要认知智能突破

大数据路径的局限，恰恰需要认知智能来突破。当前大模型的“幻觉”问题、可解释性问题、泛化能力问题，都需要通过认知智能的引入来破解。

这正是中关村论坛释放的核心信号：AI研究范式正在发生根本性变革。未来的AI发展，不是两条路径的二选一，而是两条路径的深度融合——以大数据为基础，以认知智能为突破，以因果推理为内核，以价值对齐为导向。

五、四螺旋赋能：两条路径融合的催化剂

CMAI四螺旋模型元方法论的核心要义在于：政策、资本、产业、人才四大要素的协同演进，是推动技术创新从“单点突破”走向“生态繁荣”的关键。对于两条AI发展路径的融合而言，四螺旋同样扮演着催化剂角色。

政策锚定方向：北京“全球人工智能第一城”战略，将认知智能纳入重点发展方向，为两条路径的融合提供政策引导。资本引导流向：耐心资本投向认知智能底层技术，为因果推理、价值对齐等关键领域提供长期支持。产业创造场景：从医疗诊断到能源调度，从金融风控到智能制造，产业场景为两条路径的融合提供验证平台。人才提供源头：跨学科复合型人才的培养，让大数据思维与认知智能思维在同一个团队中碰撞融合。

当这四个螺旋同频共振，两条路径的分野便不再是鸿沟，而是相互促进的动力。

六、CMAI语：两条路径，一个未来

回看3月25日-29日的中关村论坛，“通通”3.0的亮相让人印象深刻。它让我们看到了一条不同于“更大数据、更强算力”的技术路线——认知和价值因果驱动的方向。

大数据逻辑算法路径，让AI拥有了强大的“肌肉”——能够快速处理海量信息，精准识别复杂模式。认知智能因果推理算法路径，则为AI注入了“灵魂”——能够理解因果、判断价值、担当责任。

两条路径并非非此即彼的选择，而是AI发展的不同阶段。大数据路径为AI提供了成长的土壤，认知智能路径为AI指明了进化的方向。当这两条路径深度融合，AI便从“感知”走向“认知”，从“关联”走向“因果”，从“工具”走向“伙伴”。

这条路能走多远？或许答案就在中关村的每一次探索中，在“通通”的每一次成长中，在每一个开发者的代码里。

七星光耀，缺一不可。认知之路，自此可期。