AI 的公众认知与现实

本章讨论：应如何挑战对 AI 能力的夸大陈述，并建立更现实的预期。

核心要点

• 在过去约 70 年中，AI 一方面持续产生重要技术，另一方面也反复出现对创新能力的过度炒作。
• 与其他技术一样，AI 的炒作通常符合 Gartner Hype Cycle 的一般模式。
• 当前生成式 AI 炒作周期可能是全球多数人第一次直接接触 AI，而很多人缺乏判断相关主张真伪所需的技术工具。

本章主席： Rodney Brooks

背景与历史

人工智能研究能够表现出智能行为的计算智能体。

自 1956 年正式提出“AI”这一名称以来，AI 已多次经历炒作周期。炒作的本质是预期超出现实，因此泡沫最终会破裂。历史上，这曾导致整个 AI 或神经网络、机器人等具体方向进入“AI 寒冬”，研究资金显著减少。

2017 年一项研究分析了约 30 年公众对 AI 的看法，发现：

• 2009 年以后 AI 相关公共讨论急剧增加；
• 新闻媒体总体比悲观更乐观；
• 对医疗和教育 AI 的期待上升；
• 对 AI 失控、伦理影响和就业影响的担忧也上升。

近年来与过去不同的是，AI 炒作已经从学术会议、论文和科技杂志扩展到主流媒体和社交媒体。“AI”成为普通公众广泛接触的概念，也成为政府和国家领导人普遍讨论的政策对象。

一个基本问题是：AI 本来是非常宽泛的术语，却经常被日常讨论当成单一事物。不同 AI 技术的能力差异巨大，把某一种技术的特征泛化到整个 AI，会进一步放大错误认知。

炒作会直接影响社会预期。例如，人们可能基于过度乐观的自动驾驶时间表预测大规模职业替代，并据此设计劳动力转型方案，但实际部署时间可能远晚于预测。

技术炒作并非 AI 独有。Gartner Hype Cycle 将很多技术的发展认知分为五阶段：

1. 技术触发；
2. 膨胀预期顶峰；
3. 幻灭低谷；
4. 启蒙爬坡；
5. 生产力成熟期。

2024 年 11 月，Gartner 判断生成式 AI 已经越过炒作顶峰并开始下降。

对 AI 专业人士而言，关键问题是如何回应夸大主张，帮助公众理解现实，同时保持专业诚信、知识谦逊和严格证据标准。

研究挑战

长期从事 AI 的研究者面对以下挑战：

• 如何在公共讨论中成为可信的信息来源；
• 同行评审论文和专业意见能否抑制社交媒体驱动的夸大宣传；
• 如何纠正炒作对公众理解造成的扭曲；
• 如何更准确描述 AI 在未来 1 年、5 年、10 年的潜力；
• 如果专业研究者没有进入公众讨论中心，应如何改善这种情况。

社区意见

36% 的受访者回答了本主题。

1. 主题相关性： 72% 认为至少有一定相关性。
2. 当前公众认知是否符合 AI 研发现实： 79% 不同意，其中 47% 不同意、32% 强烈不同意。
3. 认知错配是否阻碍研究： 90% 认为存在阻碍；74% 认为研究方向受到炒作驱动，12% 认为理论 AI 研究受损，4% 认为学生对学术研究兴趣下降。
4. 是否应建立社区事实核查机制： 78% 支持。
5. 是否应组织公开辩论并公开视频： 74% 支持。
6. 是否应建立未来 AI 能力预测数据库并定期验证： 原报告给出总支持比例 59%，同时列出 40%“同意”和 29%“强烈同意”；这两个数字存在内部不一致，译文保留原报告情况。
7. 是否应教育公众、媒体和风险投资者理解 AI 技术多样性： 87% 支持。
8. 是否应建立年度 AI 技术成熟度评级： 61% 支持。

本主题回答者为自我选择样本，因此存在选择偏差。但回答总体显示，多数受访者认为公众对 AI 能力存在夸大，这已经影响研究方向，AI 社区应更主动解释技术现实。

参考文献

原报告列出 Gartner Hype Cycle、Thomas Haigh 对 AI 炒作与 AI 寒冬的历史研究、公众 AI 认知研究、AI Snake Oil、AI 教材及自动驾驶就业研究等。完整条目见原报告第 66 页。