CMAI观察：AI产业根本问题是数据从哪里来？算力到哪里去？智能如何更实时？算法如何更精准？

过去几年，人工智能产业经历了一轮又一轮的技术狂欢。大模型参数突破万亿，生成式AI惊艳世界，自动驾驶、医疗诊断、工业质检等场景不断拓展。然而，在喧嚣与热闹背后，一个根本性的拷问始终存在：AI产业下一步的增长动力在哪里？制约其发展的天花板究竟是什么？

笔者在梳理CMAI平台近期一系列观察后发现，无论技术路线如何演进，AI产业始终绕不开四个核心问题：数据从哪里来？算力到哪里去？智能如何更实时？算法如何更精准？这四个问题相互交织，构成了AI从“可用”走向“可信”、从“工具”走向“伙伴”的底层逻辑。

一、数据从哪里来？从“数据孤岛”到“全球感知”

数据是AI的燃料。没有高质量、多样化、大规模的数据，再强大的算法也难为无米之炊。当前AI产业面临的数据困境，已从“数据不足”演变为“数据失衡”与“数据封闭”。

困境一：全球数据获取的“天花板”。 地球表面约71%是海洋，还有大面积的极地、沙漠、高山、森林。这些区域由于缺乏地面传感器和网络覆盖，长期处于“数据荒漠”状态。AI模型训练依赖的数据，大多来自人口稠密、经济发达的地区，样本分布严重不均。

困境二：数据孤岛难以打破。 企业出于商业机密、合规要求等原因，不愿共享核心数据；不同国家之间的数据跨境流动受到严格限制。正如一位业内人士对笔者所言：“每家都在建自己的数据池，但谁也无法填满整个海洋。”

困境三：公共数据质量下降。 随着互联网上AI生成内容泛滥，训练数据的“污染”问题日益严重。模型用AI生成的内容训练下一代模型，可能导致“模型自噬”现象，性能不升反降。

卫星互联网的出现，为解决数据来源问题提供了全新思路。低轨卫星星座搭载多光谱、雷达、定位等多种传感器，可以持续采集全球范围内的生态数据、气候数据、资源数据、地理信息。正如CMAI此前指出的，卫星互联网将AI的数据采集能力从“局部采样”升级为“全球感知”。南极冰盖的变化、亚马逊雨林的砍伐、印度洋的海洋温度——这些曾经只能通过零星科考获取的数据，现在可以形成连续的时间序列。

此外，联邦学习、隐私计算等技术正在探索“数据不动模型动”的新范式，在不汇集原始数据的前提下实现联合训练。中国信息通信研究院的一位专家曾指出，数据流通的下一阶段，不是数据的物理汇聚，而是价值的可信交换。

二、算力到哪里去？从“地面集中”到“天地同算”

算力是AI的引擎。但算力的扩张正在撞上物理世界的天花板。

困境一：能源墙。 NVIDIA创始人黄仁勋近期公开发文指出，电力是AI基础设施的“第一性原理”，决定了人工智能的生产规模上限。特斯拉CEO马斯克也直言，AI的限制因素已不再是算法或算力，而是电力供应。数据显示，2024年中国数据中心总耗电量达1660亿度，约占全国总耗电量的1.68%，预计到2035年占比将超过13%。一座大型AI数据中心往往消耗高达500兆瓦的电力，相当于一座中型城市的整日用电量。

困境二：空间墙。 地面数据中心需要大量土地、水资源用于散热，还要考虑地震、洪水等自然灾害风险。在一线城市，数据中心用地已趋饱和；在西部地区，虽然能源丰富但网络延迟较高。

困境三：散热墙。 随着芯片功耗不断攀升，传统风冷已难以满足需求，液冷、浸没式冷却等技术虽然有效，但成本和技术门槛较高。

面对这些困境，一个大胆的构想正在从科幻走向现实：将算力部署到太空。CMAI在近期分析中提出，通过部署在近地轨道的分布式卫星星座，构建天基算力网络，实现“天数天算”和“天地同算”。2025年，“星算”计划首发星座12颗计算卫星成功入轨，采用自研智能网联卫星平台，标志着中国在太空计算领域迈出了实质性一步。

太空算力的优势在于：利用太阳能供电，不受地面能源约束；太空环境低温有利于散热；不占用地面土地资源。更重要的是，在轨计算可以大幅降低星地数据传输的带宽需求和延迟。以野火监测为例，具备星上AI能力的卫星可在轨道端直接分析图像是否有火灾迹象，仅将关键图像传回地面，响应时间从小时级压缩到分钟级。

当然，太空算力并非要替代地面数据中心，而是形成“地面+太空”的分布式算力网络。中国工程院一位院士曾公开表示，未来的算力基础设施将是“天地一体、云边协同”的格局。

三、智能如何更实时？从“事后分析”到“实时响应”

传统AI决策模式往往是“事后分析”——收集数据、上传云端、批量处理、输出结果。这种模式在应对突发事件时反应迟缓，难以满足自动驾驶、工业控制、金融交易等对低延迟要求极高的场景。

挑战一：通信延迟的物理极限。 地面网络的光纤传输速度虽然快，但从采集端到云端数据中心往往经过多跳路由，延迟累积可达数十甚至上百毫秒。对于毫秒级响应的场景，这个延迟是不可接受的。

挑战二：边缘算力的局限。 将AI推理部署在终端设备（如手机、汽车、机器人）上可以降低延迟，但终端设备的算力、功耗、散热都有限，无法运行大模型。

挑战三：协同决策的复杂性。 许多场景需要多个智能体协同工作，如自动驾驶车队、无人机编队、机器人集群。每个个体都需要知道其他个体的状态和意图，这要求高速、可靠的通信网络。

卫星互联网为实时智能提供了新的解决方案。首先，低轨卫星的通信延迟可控制在10-30毫秒，与地面光纤相当，甚至在某些远程场景下更优。其次，星载AI芯片可以在轨道端直接处理数据，将“回传-处理-决策”的闭环缩短到毫秒级。CMAI此前报道的案例中，国星宇航实现了全球首次硅基智能体调用太空算力，跑通了“太空AI智能指挥地面机器人”的闭环。

更重要的是，卫星互联网可以将分散的智能体连接成协同网络。宇树机器人在新疆阿勒泰极寒雪原的自主行走，正是依靠北斗卫星导航系统的实时定位和指令传输，实现了全程无人干预。正如该项目的技术负责人曾向媒体介绍的，卫星链路让机器人无论身处何地，都能获得厘米级定位和全局地图更新。

实时智能的终极形态，是“感知-决策-执行”闭环的端到端优化，而非各环节的局部最优。这需要从算法、芯片、网络到系统的协同设计。

四、算法如何更精准？从“统计关联”到“因果理解”

算法是AI的大脑。但当前主流算法存在一个根本性缺陷：它们擅长发现统计相关性，却难以理解因果关系。

缺陷一：虚假相关导致误判。 一个经典的案例是：数据模型可能发现“医院死亡人数多”与“医疗水平差”之间存在相关性，而忽略了“重症患者集中就医”这一真实原因。这种错误在医疗、金融、司法等高风险领域可能造成严重后果。

缺陷二：分布偏移时性能骤降。 关联模型建立在“训练分布等于测试分布”的假设之上。一旦环境变化，模型就可能失效。例如，一个在晴天数据上训练的自动驾驶模型，在大雾天气中可能完全失灵。

缺陷三：无法回答“如果……会怎样”。 决策者需要的不是“会发生什么”，而是“如果我们采取某种行动，结果会如何”。关联模型无法回答干预性问题，因为它没有因果结构。

CMAI此前一系列文章反复强调：AI需要从“关联”走向“因果”。北京通用人工智能研究院院长朱松纯在中关村论坛上明确指出，他们走的是认知和价值因果驱动的技术路线。其团队开发的通用智能人“通通”3.0，具备初步的因果推理和反事实思考能力，心智水平相当于五六岁的儿童。

因果推理的引入，可以让AI理解“为什么”而不是仅仅知道“是什么”。在医疗领域，具备因果推理能力的AI可以回答“如果切除这个结节，患者的五年生存率会提高多少”；在工业领域，可以回答“如果更换这个轴承，故障概率会下降多少”；在金融领域，可以回答“如果调整利率，违约率会如何变化”。

朱迪亚·珀尔的因果推理三层级理论为算法进化提供了阶梯：第一层关联，第二层干预，第三层反事实。当前AI绝大多数仍停留在第一层。向更高层级的跃迁，需要结构因果模型、反事实推理、世界模型等技术的突破。

五、四螺旋驱动：系统化解决四大根本问题

上述四个问题——数据、算力、实时、算法——并非孤立存在，而是相互耦合的生态系统。解决任何一个问题，都离不开其他三个的协同。

CMAI四螺旋模型元方法论提供了系统化解决框架。政策螺旋锚定方向，为卫星互联网、太空计算、数据流通等提供制度保障；资本螺旋注入耐心资本，支持长周期、高风险的底层技术研发；产业螺旋创造应用场景，以真实需求倒逼技术迭代；人才螺旋培养跨界复合型人才，打通航天、通信、AI等领域的知识壁垒。

正如CMAI此前总结的，当这四个螺旋同频共振，AI产业的基础设施将迎来系统性重构。卫星互联网解决数据和算力的空间覆盖问题，边缘计算和星载AI解决实时性问题，因果推理解决算法精准性问题。三者相互支撑，共同推动AI从“可用”走向“可信”，从“工具”走向“伙伴”。

六、CMAI语：四个追问，一个答案

数据从哪里来？从地面到太空，从孤岛到全球感知。算力到哪里去？从集中到分布，从地面到天地同算。智能如何更实时？从离线到在线，从分析到响应。算法如何更精准？从关联到因果，从统计到理解。

这四个追问，是AI产业必须回答的根本命题。而答案，正在政策、资本、产业、人才四螺旋的协同演进中逐步清晰。

七星闪耀，交相呼应。四追问，一答案。更智慧、更可靠的AI时代，正在从愿景走向现实。