编者按：当AI不再只是屏幕里的聊天机器人，而是渗入实验室的显微镜、工厂的机械臂和电网的调度中枢时，它的真正价值才开始显现。在MIT Technology Review主办的EmTech Future 2026大会上，谷歌研究副总裁兼负责人约西·马蒂亚斯（Yossi Matias）给出了他的判断：AI最大的影响力，将来自它与其他领域的交叉点。
过去几年，围绕人工智能的讨论大多集中在模型本身——参数规模、基准测试分数、推理能力。但在EmTech Future 2026的舞台上，谷歌研究副总裁兼负责人约西·马蒂亚斯把视角转向了另一个维度：当AI成为其他学科的基础设施时，究竟会发生什么。
他的回答是：AI正在从“通用工具”演变为“跨领域放大器”。在生物学、基础设施、制造业和基础科学这四个方向上，AI带来的并非简单的效率提升，而是研究范式的重构。
从工具到基础设施：AI的角色跃迁
马蒂亚斯指出，AI的应用正在经历两个阶段的切换。第一阶段是“人用AI”，即工程师或研究人员主动调用模型解决问题；第二阶段是“AI嵌入系统”，模型成为持续运行、自我优化的底层能力。这一转变的关键在于，AI开始处理那些过去只能由人类专家凭经验判断的问题。
这也是AI从“产品”走向“基础设施”的分水岭。当一个模型被嵌入电网调度或药品研发流程中，它的稳定性、可审计性和失败后的兜底机制，重要性甚至超过它在某项基准测试上的得分。
生物学：AI成了新的“显微镜”
在生命科学领域，AI的价值尤为直观。蛋白质结构预测、基因调控网络分析、药物分子筛选，这些任务的计算复杂度曾让传统方法望而却步。如今，AI模型能够在数小时内完成过去需要数年实验才能推进的探索。
更深远的变化在于，AI正在帮助科学家提出“人类未曾想到的问题”。当模型在海量生物数据中发现反直觉的关联时，它不只是加速了验证过程，而是改变了假设生成的方式——这恰恰是科学进步中最稀缺的一环。
基础设施与制造：算法进入物理世界
AI的影响并不局限于数字空间。数据中心自身的冷却与能耗调度、电网的负载预测、供应链的实时优化，都已开始依赖机器学习模型。在制造业，视觉检测与预测性维护让生产线具备了某种“感知能力”。
马蒂亚斯强调，真正的挑战不是让AI更聪明，而是让它可靠地运行在那些“出错代价极高”的场景中。
这句话点出了AI落地工业场景的核心矛盾：容错率越低，模型需要的不只是精度，还有可解释的决策链条与清晰的权责边界。
科学的“乘法效应”
马蒂亚斯用“乘法”而非“加法”来描述AI对科学的贡献。当AI与材料科学结合，新材料的发现周期被压缩；与气候建模结合，区域尺度的预测精度显著提升；与量子计算结合，纠错方案与线路设计获得新的思路。
这种乘法效应的前提，是AI必须与领域知识深度融合，而不是简单地套用通用模型。换言之，真正的突破往往发生在“懂AI的人”和“懂领域的人”坐在同一张桌子旁的时候。
三重挑战：算力、数据与信任
在乐观叙事之外，马蒂亚斯也列出了现实障碍。其一是算力与能耗的可持续性——当AI要支撑全天候运行的基础系统时，成本曲线必须被重新审视；其二是高质量、跨领域数据的稀缺与壁垒，尤其在医疗与工业场景中，数据往往分散且敏感；其三是可信度，在医疗、公共基础设施等高风险领域，模型的错误无法被容忍。
他特别提到，可解释性与可验证性将成为AI进入关键领域的前提条件，而非可选的附加项。这意味着未来的AI竞争，不只是模型能力的竞争，也是工程规范与治理能力的竞争。
结语：交叉点才是主战场
EmTech Future 2026传递出的核心信号相当清晰：AI的下一个篇章，不在模型排行榜上，而在实验室、工厂和电网的交叉点上。谁能让AI真正理解领域问题，并把它安全地嵌入真实系统的运转之中，谁就更可能抓住这一轮技术变革的实际红利。
对于企业和研究机构而言，这也意味着组织方式的调整：与其追逐更大的通用模型，不如思考如何把已有能力与自身领域的独特数据、独特问题结合起来。AI遇见一切的时刻，恰恰也是每个行业重新定义自身的机会窗口。
本文编译自MIT Technology Review
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接