“Optimus（特斯拉旗下的人形机器人）什么时候能超越人类最好的外科医生？答案是三年内，而且是规模化地超越。”这是特斯拉CEO埃隆·马斯克于2026年1月初在公开访谈中做出的乐观预测与判断。

　　然而1月24日，在第三届全国人工智能应用场景创新挑战赛总决赛暨全国人工智能+应用场景创新大会上，南方科技大学电子与电气工程系主任、讲席教授、加拿大工程院院士孟庆虎对于马斯克的断言提出了不同的看法。孟庆虎表示：“这个‘大饼’一定‘烙不熟’，三五年内不可能。”

　　之所以作出这样的否定回答，孟庆虎认为，数据的掣肘导致无法构建特别优秀的“外科专家”AI Agent，同时机器人的硬件水平——尤其是精准度与灵巧手及其反应，和人类相比还有很大差距。

　　“大模型只是大语言模型”

　　人形机器人的火热持续至今，《中国经营报》记者注意到，在大众认知范畴内，常常存在一个误区与疑问，那就是：以ChatGPT、DeepSeek、Gemini、千问等为代表的大模型性能已非常优秀，为什么大模型加持下的机器人依然表现得很笨拙，很多复杂的肢体动作还依赖遥控器操作？

　　对此，孟庆虎厘清了一个概念认知的误区，即“大模型”——现在使用体验表现较好的大模型实际仅仅是“大语言模型”。孟庆虎以图像处理中的一张经典黑白图片为测试样本，测试了不同版本的主流大模型的认知与理解能力，得出结论称，大模型在文本生成能力方面已实现了突破，但在图像处理方面还远远不足，“幻觉”现象更突出，这是学术界、产业界在“世界模型”“三维空间模型”“物理世界模型”等方面持续投入研发的原因。

　　与人类的认知记忆以三维世界为“基础模型”不同，现在人工智能模型更多的仍是二维的基础模型，这决定了大模型并不是像大众所预期的那样“无所不能”，它只是处理文本信息比较在行。孟庆虎提醒道：“当我们使用AI工具时，在知其利的同时要知其弊，才能用得好。”

　　用“场景智能”替代“通用智能”

　　谈及当下火热的人形机器人，孟庆虎指出，现在机器人缺乏两个最重要的因素，一是自主行为，二是交互性。近一年来，有目共睹的是，人形机器人在动作控制方面取得了明显的进步——能跑半马、走猫步、翻跟头、打太极等，而这些大多仍是“预制程序”，且可能失败上百乃至上千次，有一次成功才能展示给公众看，这些并不能代表机器人的综合能力，具身智能的发展仍有很大的局限性。

　　在孟庆虎看来，人工智能要想落地就是要实现“场景智能”。要解决一个场景应用，通过极小的算力、极简的算法和有限的数据往往就能做得非常好。以无线胶囊机器人为例，患者从口腔吃下去，它能够把从口腔到消化系统这一路中的各种异常问题找出来，算法算力可控，数据仅使用消化道系统的数据集，在资源较少的情况下能够在这个应用场景中比较高效地完成任务。

　　“对于通用人工智能（AGI），在我看来，当我们把所有场景都变得智能化，就相当于把机器变成了一个人类的普通大脑，实现高维度的进度，这自然就会形成AGI。”孟庆虎说，通用模型当前面临着高质量有效数据不足的制约，在数据补齐之前，训练出来的AI模型仍是一个低维度的模型，即使称呼它为“通用模型”，但它一点都不通用。因此，应当用“场景智能”替代“通用模型”，前者是可以马上落地解决具体问题的。

　　针对马斯克关于机器人三年能做外科手术的论断，孟庆虎给予了否定的看法。孟庆虎认为，受模型性能、数据量、硬件能力等多方面影响，机器人实现成功做手术的能力可能还需要五年甚至十年的时间，未来很可能是由仿人形机器人再加上医生专家的AI Agent来共同完成手术。