飞象网讯（孙迎新/文）“公域数据还能持续多少年？”

向deepseek提出这个疑问的不是别人，正是博识广联科技有限公司创始人刘红杰。作为联网监测与信号分析领域的专家，刘红杰希望从deepseek这里得到的，不仅仅是一个时间节点，而是一个解决问题的起点，当互联网公域数据被挖掘殆尽时，ai发展的引擎将何去何从。

7月3日，在2026全球数字经济大会无线技术与应用专题论坛上，刘红杰带来一场题为《ai驱动智能频谱管理》的主旨演讲。在演讲中，刘红杰还把另外两个更加尖锐的问题一并抛向台前。

一个是关于智能本质的拷问，当缺乏对物理世界基本常识和因果逻辑的理解时，ai能否真正走向通用智能并赋能千行百业？

另一个问题涉及即将到来的6g，在无线电频谱管理这类专业且敏感的领域，传统的监测手段怎样满足未来6g的复杂需求，如何将ai能力下沉，以应对智能化落地挑战。

从大语言模型到世界模型：探索人工智能新方向

“大语言模型解决了语义推理，但只有具备空间感知和因果逻辑的世界模型，才能让ai真正理解物理世界，走向各行各业的深度落地。”

在探讨人工智能模型的发展趋势时，业内普遍认为，从解决语义推理的大语言模型，向具备空间感知和因果逻辑能力的世界模型演进，是一个必然的趋势。

但这里边也有一个关键问题，即当前主流的大语言模型核心是解决语义推理问题的，缺乏对物理世界的一般性理解。

刘红杰用自己的经历佐证了这个趋势。从2018年开始，刘红杰就承担了北京市科委关于人工智能在无线电信号分析领域的重大研究专项，开始落地研究人工智能。

“那时候还没有大模型，叫小模型。”

这一研究，七、八年时间很快就过去了。2023年，国内出现“百模大战”，涌现出数十、上百家的大模型创业团队。一下子这么多人和资源涌入大模型赛道，整个局面就像是百年以前的西部淘金热。

刘红杰表示，每个人对ai的未来都有自己的看法，众说纷纭。其实从现在来看，我们是看不清楚的，也预测不了它的变化和带来的变数。让大模型预测自己将来的发展，它也只能给个趋势。

他还谈到了其他科学家的观点，李飞飞和杨立昆认为，要走向通用人工智能，也就是agi，就必须通过世界模型。“只有当ai能像我们一样理解图像、视频和各种输入，它才算拥有了对物理世界的基本常识。”

目前，agi在国内也有很多的实践。中国移动不仅提出了无线网络电磁世界模型的概念，还牵头成立产业联盟；北京邮电大学的研究团队于2025年，发布了全球第一个信道领域的大模型。

深圳未来网络研究院则依托香港中文大学，建立并规划了全国5个数据节点，一定程度上推动了电磁频谱管理的创新。

刘红杰将这种人工智能带来的挑战落地到了通信行业。他认为，在无线领域，最大的难题是克服空间信道传播的不确定性，而这也正是世界模型可以大显身手的战场。

高质量数据集与资源枯竭危机：未来十年的数据挑战

“公域数据的价值正被迅速挖掘殆尽，ai发展的燃料危机已不再是预测，而是正在发生的现实。”

刘红杰不仅指出了互联网公域数据正面临快速枯竭的危机，还把解决这场危机的钥匙指向了高质量数据集。

他还回顾了2024年，在无线电数字经济论坛的ai专题研讨上，360创始人周鸿祎演讲的一个重要观点。当时大家有一个共识：未来十年里，互联网上的公域数据价值将被大模型挖掘殆尽。这与其说是共识，不如更多看作是大家共同的担忧。

既然ai发展的燃料危机始于数据，那解决之道也必然落地于数据。

为此，我国早已做出布局。中国信通院在去年就发布了《人工智能高质量数据集建设指南》，为面临快速枯竭的公域数据注入一股清泉，让高质量的数据集得以更快走进行业、走向应用。随即，国家数据局又批准了63个可信数据空间的建设。

刘红杰认为，无线电数据先天具有敏感性，无法在公网流通，因此必须建立行业内部的高质量、可信数据集来推动发展。

数据治理与行业落地：推动无线电频谱管理创新

“面对5g/6g带来的新应用与新安全挑战，传统的监测手段已力不从心，我们必须用ai来应对ai时代的频谱管理难题。”

刘红杰表示从去年开始，就对研究无线电数据集的建设展开研究，并在此基础上总结提炼了6个场景、12个维度、36个要素的体系与方法。他认为，只有清楚了无线电数据的数据要素提取，我们才能建立属于行业的高质量数据集，进而推动行业数据质量发展。

当然这只是解决频谱管理难题的开始。

刘红杰进一步表示，建立了数据集之后，就要有数据治理的过程。数据跟设备一样，是有生命周期的。从数据的产生到消失，我们要在生命周期里做有意义的事情，否则数据就浪费掉了。

他还指出，目前各行各业内部存在大量冗余数据，对数据特征、要素特征的提取远远不够。

由于全国的固定监测站，对周边的电磁环境最为了解，因此也成为人工智能技术实现工程化落地的最佳切入点。

刘红杰认为，在路径方面，ai在无线电产业的最终落地，必然是基于属地化管理。通过对监测站数据的了解，在监测站端部署ai智能体，可以为人工智能的落地提供一个很好的工程化出口。

这也意味着，通过实施这个ai落地策略，就可以让最了解本地电磁环境的监测站，成为ai智能体部署的最佳节点。