大数据再大，也有覆盖不到的地方。人工智能再强，也有回答不了的问题，2026年10月，人工智能的发展已经到了一个很特别的阶段，一边是机器能够完成复杂的数学推理、编写程序，甚至参与科学研究；另一边，研究人员却发现，某些人工智能连看懂普通指针时钟都不稳定。

2026年10月，人工智能的发展已经到了一个很特别的阶段。一边是机器能够完成复杂的数学推理、编写程序，甚至参与科学研究；另一边，研究人员却发现，某些人工智能连看懂普通指针时钟都不稳定。
更值得思考的是，当这些系统越来越多地参与医疗、教育和公共事务时，人们究竟该相信它到什么程度？9月25日，美国斯坦福大学公布了一项关于人工智能测评的研究进展。
研究人员发现，一些被广泛采用的测试方法，未必真正测出了它们声称要测量的能力。这个发现很有现实意义，因为模型的测试成绩不仅影响企业投资，还可能被政府用于制定技术政策。
机器得了高分，不等于进入现实生活后就一定可靠。

这种反差，在斯坦福大学2026年《人工智能指数报告》中表现得更加明显。报告指出，先进模型已经能够在国际数学奥林匹克竞赛相关任务中达到金牌水平，但在一项读取传统指针时钟的测试中，表现最好的模型正确率也只有50.1%。
有些问题对普通成年人并不困难，对机器却可能成为难题。技术能力并不是沿着一条直线均匀增长的。
为什么会出现这种情况？
关键在于，人工智能掌握知识的方式，与人类亲身认识世界的过程并不相同。它能够分析大量文字、图片和数字，寻找其中的联系，却不一定了解这些信息产生时的具体环境。
比如同一句话，在不同场合可能代表提醒、玩笑或者讽刺。脱离说话人的表情、经历和当时的处境，理解就容易出现偏差。
还有一个容易被忽视的问题：机器究竟从哪里获得知识？国际电信联盟2025年11月17日发布的统计显示，当年全球约60亿人使用互联网，仍有22亿人没有上网。
网络确实连接了大量人口，但并没有覆盖所有人的生活。那些没有被记录的经历、没有数字化的地方知识，以及尚未公开的研究成果，都不可能因为计算机运算速度快，就自动进入数据库。
这里还涉及信息的分布问题，经济条件较好的地区，往往有更完善的网络、更丰富的电子资料，也更容易留下数字记录。
偏远乡村的一些农业经验、地方手艺和传统知识，可能只能通过师徒传授、口耳相传保存下来。它们未必缺乏价值，只是没有经过数字化整理，倘若人工智能长期依赖容易获取的资料，某些群体的经验就可能被低估。
不过，资料不完整只是问题的一部分。更加麻烦的是，机器有时不能准确判断自己知道什么、不知道什么。
2026年斯坦福人工智能指数报告对26个先进模型进行相关测评后发现，在特定测试条件下，不同模型产生错误内容的比例存在明显差异。这些结果不能直接代表日常使用的总体错误率，却说明模型即使表现先进，也仍会把不可靠的信息组织成看似合理的答案。
这种风险放在日常生活里，很容易理解。
比如有人询问一份保险合同能否赔付，人工智能可能详细解释合同条款，但如果不知道投保时间、免责条件以及真实事故经过，就不能轻易得出确定结论。再比如有人询问某种药物是否适合自己，仅凭年龄和几个症状，也不足以判断身体情况。
问题不是答案写得够不够长，而是决定结论的关键事实是否齐全。到了10月，相关争论还在继续，美国纽约市议会举行的人工智能安全听证会上，来自多家科技企业的前员工讨论了技术快速发展带来的风险。

有关讨论涉及企业透明度、外部审查以及内部人员反映问题的保护机制。争论的重点已经不只是机器能够完成多少工作，而是谁能够检查它的行为、发现问题后又由谁负责。
把这些事情联系起来，就会发现人工智能竞争正在发生变化。
过去，人们喜欢比较谁的模型参数更多、计算能力更强、回答速度更快。现在，准确率、可信度、数据来源和安全管理同样重要。
2026年7月，联合国全球人工智能治理对话在日内瓦举行，也反映出各方希望把技术发展与公共利益、包容性和安全要求放在一起讨论，而不是只关注技术本身的突破。
对中国而言，这同样是一个值得认真考虑的发展方向。人工智能的实际价值，不应只体现在能够回答多少道题，还应体现在能否真正解决生产生活中的难题。
工业设备出现异常，需要结合现场检测寻找原因；农村地区推广智能农业，需要考虑当地土壤、气候和种植习惯；基层公共服务使用智能系统，也必须照顾不熟悉智能手机的老年群体。这些场景有一个共同特点：解决问题不能只靠网上已有的内容，还需要不断收集真实情况，让技术与实际工作相结合。