专访龚克：“养龙虾”走红，印证了用户的强烈需求，智能体改变人与智能工具的界面，大大降低AI使用门槛

在2026年政府工作报告中，“人工智能”被多次提及。

报告明确提出，打造智能经济新形态。深化拓展“人工智能＋”，促进新一代智能终端和智能体加快推广，推动重点行业领域人工智能商业化规模化应用，培育智能原生新业态新模式。

今年春节前后，各大厂商集中更新大模型，为何选择这个时间点？AI赋能千行百业，还需要突破哪些瓶颈？如何平衡算力爆发增长与能耗约束的矛盾？AI时代高等教育需要怎样的变革？

全国两会召开期间，《每日经济新闻》记者（以下简称NBD）围绕上述问题专访了中国新一代人工智能发展战略研究院执行院长龚克。

龚克曾长期任教于清华大学，在清华大学副校长任上历练7年后，先后作为天津大学、南开大学的校长长达12年。他也是世界工程组织联合会成立50年以来首位中国籍主席。龚克曾连任第十一届、十二届全国人大代表。

在采访中，龚克提到：“今天谈现代化离不开智能化，没有智能化就没有这个时代的现代化。智能经济、智能社会是2035年基本实现社会主义现代化的重要标志。”

谈及AI技术趋势，龚克特别希望具身智能或物理智能有更大突破，这对AI进入产业融合阶段非常重要。“要从屏幕走出来，进入物理系统包括生产系统和服务系统；从优化生成内容到优化生产和服务过程，使AI先进生产力真正能在‘十五五’期间助力产业高质量发展。”

1

生成式人工智能技术

正处于快速上升期

NBD：春节前后，国内外各大厂商集中推出新一代大模型，你怎么看待这种迭代速度？这背后有哪些原因？为什么他们选择在这个时间点进行更新迭代？

龚克：我认为他们并非刻意选择春节这个时间节点。技术如果不成熟，即便等到春节也发布不出来；技术一旦成熟，也不必刻意等到春节。在当前你追我赶的竞争态势下，发布延迟就意味着被他人抢先。真正的驱动力在于技术进入快速迭代期。

任何技术发展都有起步期、快速迭代期，进而进入相对稳定的饱和期，类似移动通信和互联网的发展。当前人工智能技术，特别是生成式人工智能技术正处于快速上升期，这是一个大的技术趋势，国内外模型均体现出这一特点。

以DeepSeek为例，虽然总体上大家尚未脱离Transformer的基本框架，但其在底层代码优化、模型训练上采取了诸多有效工程化措施，显著降低了训练成本，并实现了开源，而开源模式又加速了技术迭代。作为中国开源模型的代表之一，2023年千问开源以来，成千上万甚至上百万的开发者在开源平台上进行创新，开源模型进展十分迅速，与GPT-5闭源模型的性能差距正在缩小，有报道说它已超过LLaMA，成为全世界下载次数最多的开源模型。

NBD：此轮发布呈现鲜明的技术路线分化，从视频生成到代码工程，从多模态创作到长文本推理，以及企业级Agent平台等。你如何看待这种差异化？

龚克：人工智能要感知的模态不仅限于文字，还包括语音、视频、音频、静态图像、代码、手势等。在我看来，长文本、多模态并非某一家独有的特点，而是大家的共同追求。不同公司基于自身技术储备、人才积累，各有侧重是正常的。但从大的趋势来看，多模态、长文本、具身化、代理化是共同的技术趋势。目前尚难判断哪一家在某个方面具有绝对优势。

需要重视代理式AI的发展，代理或智能体（Agent）和模型是两个有关但不同的概念。智能体是人工智能发展的重要方向，它不仅是人与AI的便捷的接口，它还有工具调用能力——可以调用AI模型和应用软件如Word、Excel、计算器、天气预报软件等。

NBD：2月份中国AI模型调用量爆发式增长，以4.12万亿Token的调用量，首次超过同期美国模型的2.94万亿Token。这是否具有标志性意义？

龚克：这反映模型使用量增加。将来如果达到70%至90%普及率，使用量还会增加。我们目前使用模型时，有时会觉得不好用，这一方面取决于用户是否善于使用，一方面是模型能力本身不够。随着模型性能提升，token使用量也会随之增加。AI模型的调用量增长，一方面是中国的应用在增加，也包括国外的调用在增加，说明中国开源模型不仅能适配中国的场景，也能以低门槛服务海外用户。

同时要看到，智能体的发展非常重要。现在人只需要给智能体布置任务，智能体可自主规划如何完成，同时多智能体之间还可互相通信协作。智能体改变了人与智能工具的界面，会大大降低AI使用门槛，大量的AI普及率会通过智能体的形式实现。

NBD：最近AI“养龙虾”爆火，你怎么看？是不是刚好印证了“智能体会大大降低AI使用门槛”？

龚克：最近火起来的“养龙虾”（OpenClaw）是一款颇具代表性的智能体应用。claw是“爪子”，说明其具有手足的“干活儿”能力，open则代表开源。

图片来源：每经媒资库

与那些绑定特定大模型的内置智能体不同，尽管它的部署要稍微“专业”一些，但它有四个突出的吸引力：一是跨模型调用，不依赖单一模型，可灵活切换；二是能动手干活，比如像手指操作键盘那样直接处理本地文件，完成汇集、整理、删除等操作；三是本地化，数据无需上传云端，具备本地记忆能力；四是开源，代码透明、便于二次开发。它其实是智能体的框架，可调用其他智能体，有专家甚至认为它具备某种“操作系统级”的潜力。

“养龙虾”的走红，恰恰印证了用户对智能体的强烈需求——这不仅是单个产品的成功，更预示着Agentic AI（代理式人工智能）正在从特定任务能力走向多任务能力，代表了需求驱动的AI发展方向。

2

突破可解释性

可提升AI整体可靠性和可信度

NBD：你曾强调大模型“可解释性”是AI的下一个里程碑，但当前各厂商仍聚焦性能指标而非理论突破。在你看来，追求可解释性与追求性能提升之间是否存在矛盾？

龚克：二者并非矛盾关系。可解释性关注的是性能表现背后的原理，其本质是对模型工作原理的深入理解，它不但不会制约性能的提升，反而可以通过对原理的理解，进而更自觉地朝着高性能方向优化模型。

但突破模型可解释性确实面临很大困难，因为模型的规模巨大，参数量达到千亿甚至万亿量级，了解各参数及参数间的相互作用非常复杂。现在，不断用更多、更高质量的数据来训练更多参数模型，这是一种通用逼近，即利用大量网络连接参数逼近任意复杂的系统功能。但具体到模型形式、层数、每层神经元数量、激励函数选择等如何进行优化，以及价值对齐时如何设置有效的护栏，如何有效地将知识、规则与数据结合起来，都需要可解释性方面的突破。

可解释性突破意味着模型开发者对模型的基本架构和运行原理有根本性认识。事实上，业界一直在向这个方向努力，不断有所进展，但目前尚未突破。这带来的问题并非直接影响模型完成物理题或数学题的功能，而是涉及安全性和可信性的根基问题。在我看来，现在对模型准确性的验证，还没有达到严格的数学证明。比如图像识别的正确率，是用在N张图片中发生错误的比例来表征的，这不是严格的数学上的出错概率，更谈不上掌握概率的分布及其影响因素。即使10000张图片都识别正确，也无法保证第10001张一定正确。

我认为应该努力向这个方向突破，因为一旦突破，就能控制甚至预见错误发生的概率。发生错误本身不是问题，人也会犯错，但我们可以像控制自动化机械那样，将可靠性控制在一定的范围内，这个范围可以根据使用要求设定，比如99.9%或99.9999%等不同精度水平。目前我们对人工智能错误的控制还做不到这一点。突破可解释性不仅可以帮助提升某项任务性能，更重要的是整体可靠性和可信程度的提升。

可解释性也不是绝对的，从不可解释到逐步深化解释，是一个发展过程。可信性与可解释性相关，但不一样。可信性要求模型在未知场景下保持稳定（鲁棒性）、不因偏见歧视特定群体（公平性）、保护用户数据隐私（隐私保护）、符合社会伦理规范（伦理合规）等。可解释性与可信性是AI“有益、安全、公平”的基石。随着AI在关键领域（如工业、医疗、金融、司法）的深入应用，二者将越来越成为技术发展的重要驱动力。

3

加速AI在生产中应用的重要趋势

是向物理智能发展

NBD：你提出中国发展AI要抓住“与实体经济融合”这条主线，当前市场呈现“大模型热、制造业冷”的态势，大量资本涌向聊天机器人、文生视频等消费级应用。你怎么看待这种态势？背后的原因是什么？

龚克：AI作为先进生产力，必然要在生产中发挥作用。历史上，任何先进生产力的引入都是为了提高生产水平，AI也不例外。如何加速AI在生产中应用？目前业界看到一个重要趋势——向物理智能发展。AI不仅要能听、能看、能说、能思考，还需要“手和足”，即行动能力，实现知行合一。这是非常重要的发展方向。

要进入生产领域，必须与行业生产知识深度融合，这是跨越门槛的关键。目前这方面并非不热，国内外大量公司都在做。麦肯锡最新的全球AI现状调研显示，至少在一个职能中常态化使用AI的企业比例，从2024年的78%上升至2025年的88%。

世界各国都非常重视人工智能的产业应用。中国的“人工智能+”行动就是要加快产业应用，包括改造传统产业实现智能化升级和创造AI原生新产品新产业新业态两大方面，目的是在整个生产流程中提高质量、提高效益，降低能耗和物耗、减少碳排放，真正实现高质量发展。中国制造业规模全球最大，但在一些消费者的心目中并非高质量制造的典型代表，“瑞士制造”“德国制造”“日本制造”在国际市场仍有更高的认可度。我们希望通过智能化改变这一局面，让“中国制造”成为高质量的象征。

资料来源：Wind，中国银河证券研究院 图片来源：中国银河证券研报截图

事实上，目前已经看到成效。例如，新能源汽车动力电池的价格、性能、续航能力、安全性与电池技术密切相关。中国动力电池国际市场占有率越来越高，这并非仅靠技术补贴，而是通过AI赋能带来的技术竞争力。

图片来源：东兴证券研报截图

比如，深圳计算科学研究院与产业合作，引入大数据和AI技术，通过机器学习对电池数据建模，有效解决新能源汽车动力电池在生产的化成与分容、自放电率检测等程序高耗能、长耗时和低精度的难题，实现核心工艺周期缩短80%，能耗下降60%，预计每10亿瓦时产能可节省上百万元的电费，而且精度比行业标准提升一个数量级。这样的例子还有很多，比如将机器视觉引入产线上的瑕疵检测，不仅显著地减少漏检率和缩短检测用时，还可以进一步追溯瑕疵产生点，改进生产工艺，降低次品率。

此外，AI还催生了新产业。最典型的是智能网联车，目前中国智能网联车试验正快速推进；智能眼镜等新终端产品也在发展；家用智能扫地机能根据家庭环境自动规划路线、识别环境变化完成清扫；自动剪草机可精确定位，能识别草与菜的区别。这些全新产品也带来了新消费。

同时，新职业正在涌现。智能网联车在云端有车辆监管员，还有数据清洗师、标注师、算法审计师等职业随着AI的推广使用逐渐出现。

“人工智能+”行动的目标是到2027年底，新一代智能终端、智能体等应用普及率超70%；到2030年超90%，为2035年全面步入智能经济和智能社会奠定基础。

4

AI作为通用技术会打破

原有的产业分工和管理模式

NBD：如果AI要更全方位赋能千行百业，在算力、数据或治理体系方面，还有哪些需要突破？

龚克：新的生产力导入需要系统性变革。国际上用词有区分，中文都叫“应用”，但英文有“application”（应用）和“adoption”（采用）之分，现在国外谈AI产业更多会使用adoption。应用强调技术如何使用，而采用包括技术、流程、组织的整体改变。任何工业革命都会带来产业结构变化。有电和没电前的产业结构、工厂生产流程不同；有网络和没网络，公司组织结构也不同。现在向智能化发展一定会带来类似改变。

具体而言，算力方面，算力不仅需要芯片和云架构，还需要强大、稳定、高效的能源支持，这就落到了基础设施层面，对整个工业体系的改变是巨大的。

目前，我国国产GPU与英伟达相比，尽管性能有差异，但进步很快，相对于芯片的性能来说，生态是更为突出的问题。在芯片加工工艺方面，先进制程还存在短板，但经过一定时间我们完全有可能赶上世界先进水平，而且这期间还可能突破传统工艺技术。目前需要在现有工艺水平上，通过更高效的网络连接、更快速的存取吞吐、更优化的训练方法等，弥补先进制造工艺和芯片水平的不足，这方面已经有很多进展。另外还要加快开源生态的构建。

数据方面，目前AI主要靠大量数据训练。今后相当长的时间内，数据质量仍然决定模型能力，而数据质量取决于标注，高质量标注需具有专业知识的人。数据标注目前已成为快速发展的行业，正在吸纳大量就业。

另外，更重要的问题是数据打不通、不能共享。原因包括对隐私、企业秘密、知识产权的担忧以及长期条块分割下形成的种种壁垒等。要创新数据共享机制，在安全的前提下实现共享。技术上可采取很多办法，如通过可信数据空间实现数据“可用不可见”。

治理体系方面，一是AI作为通用技术会打破原有产业分工。比如小米跨界造车，实际上是突破了传统行业管理界限和分工。新质生产力必然会突破旧有的生产关系。

二是安全性治理。在大模型不能完全解释、错误概率不能精确控制的情况下，必须进行安全审查，防止安全事故。比如在工业领域，易燃、易爆的生产环节等不能出事故；在伦理和法律上，要防止用大模型造谣生事以及制造危害品等。治理是要让先进生产力健康发展和安全应用，而非阻碍其发展。治理与创新不是对立的，好的治理会提升公众对AI的信任，进而促进创新发展；治理也需要技术创新的支撑，离开必要技术手段，治理就只能是空谈。

图片来源：每经媒资库

NBD：数据显示，AI算力需求正以每年300%的速度增长。你曾提出AI应服务于“联合国可持续发展目标”，当技术演进本身成为能源消耗巨兽时，如何平衡这种算力爆发式增长与能耗约束的矛盾？大厂“各自为战”是否造成算力资源浪费？

龚克：目前还不能简单说是“浪费”，因为是由需求拉动，整体算力仍然不足。国家也在部署大训练场等新型基础设施，但能耗巨大且增长快，这是个全球性问题，所以现在提出发展太空算力。

解决能源问题有两条路：一是提高能效，让每token训练和推理的能耗尽可能少，但token总量大量增加，能效提高不等于总能耗减少；二是能源供应要绿色化，靠煤、石油、天然气等有限的化石能源不可能支撑经济社会的智能化。必须转向可再生能源，国家统筹算力基础设施建设，提出“东数西算”，就是因为西部可再生能源丰富，推动能源供给结构的转变。

5

AI时代对教育系统提出更高要求

NBD：到“十五五”末，新一代智能终端与智能体等应用普及率将超过90%，这是否意味着大量知识工作者可能面临“技术性失业”。当AI从“工具”进化为“同事”时，教育体系是否应该前置性地培养AI无法替代的能力，还是需要进行更深层次的制度设计来加以应对？

龚克：关于就业问题，世界经济论坛《2025年未来就业报告》预测，到2030年期间，全球将有9200万个工作岗位被替代，同时预计催生1.7亿个新岗位。新增方向主要是数字化和绿色化：与数据、智能体相关的数据清洗、模型审计、模型训练调推服务等；与环境优化治理、新能源导入、可再生能源利用等相关的岗位。新生产力会带来想象不到的新岗位。

图片来源：世界经济论坛

历史上，从宏观上来看，没有证据证明新生产力会导致社会就业减少，机械化、电气化、信息化非但没有在整体上减少就业，反而大大增加了就业，但中间会有结构转换期。广东的数据显示，过去十年随着广东的智能化升级，制造业就业是增加的，因为产业规模在发展。有加工制造企业在数字化转型中实现了产能、质量、品种的显著提升，在自动化、智能化程度大幅提升后，用工总量并没有减少，但是发生了结构变化，即辞退3000多人又新聘了3000多人，因为岗位上干的活不一样了，岗位能力要求也不一样，这就是结构性变化。实际上，目前中国就业市场对具备机器学习等使用AI能力的用工需求不少于500万，同时存在就业难的问题，这就是结构上的“错位”。因此，对于被替代岗位的人员需要良好的社会培训系统来帮助其转型，因为新岗位一定需要能够驾驭人工智能能力的人。

图片来源：世界经济论坛

NBD：AI时代高等教育需要改革吗？需要改什么、怎么改？

龚克：需要非常深刻的改革。当然首先要看到，AI给教育系统带来了积极变化。

具体而言，教育系统应该是以学习为中心的，但长期以来我们一直难以解决在“老师讲、学生听”的模式下学生主动学习的问题，现在学生使用AI工具后，不再简单靠课堂听讲、记笔记，可随时向AI提各种问题，得到专业回答，实现学习主动性，这是以前很难做到的。其次，AI的回答往往不限于既有学科边界，可以跨学科提供相关知识。第三，AI学习是完全个性化的，可以匹配不同的学习进度和学习习惯。第四，使用AI工具学习本身就是使用工具的实践性，学生需要练习如何一层层地提示才能得到满意的回答，这就是“提示工程”实践。总之，AI带来了学习的主动性、跨域性、实践性和个性化，这些都是非常好的。

图片来源：每经媒资库

但AI也对教育带来新的挑战。

一是“即时满足”代替了深度思考。如何把AI变成学生的深度思考工具而非肤浅获取答案的工具？另一个挑战是知识体系构建。原来大学传授体系化知识，从教学计划到每个课程的章节结构，是一个精心设计、久经磨炼的知识体系，现在AI学习往往是基于问题的碎片化的学习，而非基于原理的体系化的学习。这就带来一个问题，即如何在AI时代帮助学生构建知识体系和培养学习进行知识体系构建的能力？这些都是教育界需要思考的。

实际上，上述挑战对教师乃至整个教育系统提出了更高的要求。学校要改革教学管理以适应新的学习方式、师生关系，同样要帮助学生构建坚实宽广的知识体系和强大的学习能力；帮助学生使用工具、驾驭工具而非依赖工具。特别是要提高提出问题的能力和判断能力，过去老师出题、检验答案是老师的事，现在使用AI时，问题要学生提、答案要学生判断，这就需要具备发现和提炼、分析和解构、归纳和综合问题的能力，需要进行事实性、科学性、逻辑性和伦理法规的审视和判断能力，以及价值和审美的判断能力。

由此，教学体系、教学方案甚至学科设置都要改变，绝不是增设几门课程，也不是设一个人工智能学科或若干相关学科就行了。所有学生都要学人工智能，就像当年都要学计算机一样。40多年前我们说计算机“从娃娃抓起”，这实际上是保证今天我们能跟上信息革命的重要一步。现在，对于人工智能的学习也必须从小抓起，一直到大学，到继续教育，要构建适应智能化时代的包括各级各类学校但不限于学校教育的全社会终身学习体系。我觉得，抓教育，应该是中央提出要“投资于人”的重要内涵之一。

记者|张蕊

编辑|魏官红

视觉|陈冠宇

排版|魏官红

统筹|易启江

｜每日经济新闻  nbdnews  原创文章｜

未经许可禁止转载、摘编、复制及镜像等使用