问题—— 当前，以大模型为代表的生成式技术迅速走红，相关应用在文本、图像、视频等内容领域表现亮眼，也带动资本与产业加速布局。
然而，一些夸大式叙事随之蔓延，诸如“取代人类”“自主意识”“通用能力”等表述频繁出现，容易引导社会对技术能力边界产生误判。
在上述活动中，梅宏提出警示：技术热度不应遮蔽其现实约束，尤其不能以概念替代科学判断和工程验证。
原因—— 梅宏认为，深度学习路线取得突破的重要前提，是大规模数据、强算力与工程优化的共同作用，其核心是“数据为体、智能为用”的数据智能。
换言之，当前主流方法擅长在大量样本中学习关联并进行高效生成或判别，但仍缺少对人类思维过程、推理方法与知识结构的内在理解。
在他看来，一些“令人惊艳”的生成效果，往往是将复杂认知问题以数据方式重写为可感知、可拟合的任务，从而在表象层面完成“像”的输出，却难以直接等同于真正的规律发现与认知能力提升。
同时，外部环境也在放大“过热”倾向。
产业竞争下，部分主体更愿意用高概念叙事争夺关注度；而大模型的“通用外观”容易造成“一招鲜”错觉，使得公众将展示性能力误当作可复制、可控、可验证的生产能力。
梅宏由此呼吁，研究与应用需要从单一路径的惯性中走出来，避免陷入“唯深度学习”的思维定式。
影响—— 对行业而言，概念化炒作可能带来资源错配：资金与人才向短期展示性项目集中，而面向产业核心流程的能力建设、数据治理与系统工程投入被边缘化。
对社会治理而言，技术扩散也伴随多重现实压力，包括能耗上升带来的成本与绿色发展约束、数据供给趋紧导致的“数据枯竭”隐忧，以及法律合规与伦理边界的不确定性。
这些问题若处理不当，既可能影响技术的可持续发展，也可能削弱公众信任。
对企业应用而言，大模型在内容生成上的强项并不等于对所有行业问题都“开箱即用”。
梅宏指出，在真实生产场景中，内容只是需求的一部分，更多关键问题集中在流程优化、质量控制、风险识别、设备运维、供应链管理等环节，需要“能落地、可度量、可迭代”的解决方案，而这往往依赖长期的高质量数据积累和对业务机理的深入理解。
对策—— 面向学术研究，梅宏强调应保持研究生态的多样性，推动不同理论与方法并行探索。
他特别提到符号化表达在人类知识交流与传承中的重要作用，主张将符号主义与连接主义有机结合，形成更能对接知识体系、支持可解释与可验证的新一代路线。
其核心取向，是让智能系统不仅能“拟合数据”，也能更好地“对齐知识”，在可控性与可靠性上获得实质进展。
面向产业落地，他建议企业把握阶段性重点：一方面，在现有条件下更务实地使用判别式方法或与大模型协同的技术手段，优先解决自身生产环节的具体痛点；另一方面，以数据为基础设施推进长期建设，围绕标准、采集、存储、质量管理和安全合规形成体系化能力。
他提出“可采尽采、能存尽存”的思路，意在强调数据资产对模型效果与应用可持续的基础性作用，但同时也意味着数据治理必须同步跟上，确保合法合规、边界清晰、责任明确。
前景—— 从发展趋势看，生成式技术仍将持续推动工具形态与产业组织方式的变化，但其价值实现更可能沿着“可控工具化、场景工程化、治理制度化”的路径推进。
梅宏重申，技术应始终作为人类可控的工具，服务于提升效率与质量，而不是被神秘化、拟人化。
未来的关键不在于追逐“万能叙事”，而在于把能力边界讲清楚，把场景需求做扎实，把数据与治理打牢固，并在多路径创新中推动基础理论、工程体系与产业应用同向发力。
梅宏教授的发言为火热的人工智能行业注入了一剂清醒剂。
在技术快速迭代的浪潮中，回归本质、尊重规律或许才是实现长远发展的关键。
如何避免泡沫化炒作，推动技术与产业深度融合，将成为未来人工智能领域的重要命题。