2026世界人工智能大会期间，B站UP主Git源宝（董纬）在WAIC现场对话中国工程院院士、清华大学教授郑纬民。当年轻人被Agent、视频生成、AI写代码等应用热度吸引时，真正支撑这些应用跑起来的底层系统问题是什么？为什么AI发展到一定阶段后，基础设施会变得比单个应用更重要？年轻人该如何判断自己站在AI产业链的哪一层？这些问题需要从系统工程和产业一线同时给出答案。

Git源宝与郑纬民院士围绕AI基础设施的重要性、数据工程的真实难度、未来三到五年的技术主线、年轻人的能力构建路径展开了深度对话。

被忽视的基础层：AI不只是模型和应用

我们使用AI，往往从应用层开始感知：工具变强了、生成效率提升了、办公流程被改造了。但一个漂亮的demo和一个能服务千万用户、能长期稳定运行的系统，中间隔着很长的距离。

这期视频呈现了一个容易被忽视的视角：当大家都在讨论模型、应用和工具时，AI发展最关键的其实是基础层问题——算力效率、集群通信、存储I/O、数据可靠性、基础软件、调度系统、容错、能耗。普通观众会觉得AI的瓶颈就是GPU不够，但这个理解不完整，真正的瓶颈可能在数据流动、网络带宽、存储访问速度、系统调度效率。

为什么基础设施会变得比单个应用更重要？这期视频给出的判断是：单个应用可以快速试错，但长期竞争要看能否低成本、高可靠、大规模地把AI用起来。一个AI应用从demo到服务千万用户，底层会发生完全不同的问题——成本能不能降下来、延迟能不能接受、数据能不能稳定流动、系统能不能扛住高并发。基础设施决定了模型训练效率、推理成本、系统稳定性和产业落地速度。

数据不是越多越好：数据工程的真实难度

“数据很重要”这句话如果不拆开，很容易变成口号。大模型时代的数据不是简单地“越多越好”，还涉及质量、去重、标注、版权、安全、可靠存储、快速读取、冷热分层和生命周期管理。

这期视频拆解了数据工程的真实难度：大模型训练里，数据的“存得住、找得到、用得快、可追溯”每一个环节都有系统层面的挑战。当AI竞争进入行业数据阶段，数据工程能力会变得越来越关键——不仅仅是清洗和标注，而是从数据产生到消耗的全链路管理。

未来三到五年：哪些是热词，哪些是主线

今天AI的技术方向非常多：基础模型、开源模型、Agent、AI for Science、具身智能、端侧AI、行业大模型、AI基础设施，每一个方向都有人说会爆发。年轻人最难的地方，是不知道哪些只是短期热词，哪些会变成长期主线。

这期视频提供了一个判断框架：未来三到五年，值得关注的主线包括基础模型持续演进、算力效率提升、AI for Science、智能体工程化、具身智能、端侧AI、软硬件协同、AI基础设施和安全可信。但这些方向中，哪些会比大众想象中更快，哪些会更慢，需要从系统约束和工程现实来判断，而不是只看媒体热度。

从行业落地看，制造、科研、医疗、教育、企业服务、内容生产、公共服务等行业都有机会。但行业AI真正难的不是模型不够强，而是数据、流程、组织和责任边界没有改好。

年轻人的发展路径：知道自己在产业链的哪一层

面对AI浪潮，年轻人该不该学AI？怎么学？学什么？

这期视频给出的观点是：AI不是一个孤立的学科，而是数学、计算机、统计学、领域知识的交叉融合。年轻人不需要盲目追逐热门方向，而是要打好数学和编程基础，理解算法背后的原理，培养解决实际问题的能力。

视频中提出了一个年轻人普遍面临的困惑：如果不知道自己站在产业链的哪一层，就很容易被热点带着跑。AI产业链很长——基础模型、算力硬件、系统软件、数据工程、开发工具、行业应用、产品运营、内容生态——每一个环节都需要不同能力。做AI应用的年轻人，至少应该理解到一定深度的底层系统逻辑，而不是只停留在调用接口和写提示词。

对于专业选择，不要只盯着“人工智能”这个专业名称，计算机科学、软件工程、数学、统计学等传统学科同样能够支撑AI方向的学习和研究。关键是培养跨学科的思维能力和动手实践能力。

该对话视频在B站发布后，引起了热议。这期视频的价值不在于预测哪一个方向会爆发，而在于提供了一套判断方法：一个方向能不能走远，不是看媒体热度，而是看底层约束和工程现实。

在AI热词层出不穷的当下，年轻人面对的最大困惑往往不是信息太少，而是信息太多——每个方向都有人告诉你“这是未来”。Git源宝这期视频把郑纬民院士几十年的系统研究经验，转化为年轻人可以直接用的判断逻辑：看一个方向，不要只看它有多热，要看它的底层卡点在哪里、离真正的工程化还有多远。

这种视角在当下的AI讨论中并不多见。它没有替观众做选择，但给了观众做选择的方法。这或许比追逐热点更有意义。