当全球AI产业的目光还聚焦在算力、模型与估值的赛道上时，被称为“AI教母”的李飞飞，却把话题拉回了一个被冷落许久的角落，公众。8月19日，这位斯坦福大学教授、World Labs创始人在彭博《The Circuit》节目中对主持人Emily Chang说，科技从业者需要更好地向公众传达AI的价值，因为美国日渐升温的AI反对情绪，正在把风险推向整个世界。
“美国对世界的影响如此重要，”她说，“如果我们不展现出对AI的积极态度和积极路径，所有人都会输。”她强调，美国应当成为全球AI发展的榜样，尤其要展示AI在机器人、医疗、教育等领域的应用潜力。
在笔者看来，这句话的真正分量在于，它击中2026年美国AI产业最隐秘的软肋，不是算力，不是模型，而是社会许可。
一半美国人担忧大于兴奋，AI的信任裂痕正在扩大
李飞飞的警告不是凭空而来。皮尤研究中心（Pew Research Center）的最新调查显示，半数美国人对AI在日常生活中日益增多的使用，感到担忧大于兴奋。技术的狂欢与社会的戒惧，正在同一片土地上并行生长。
与之形成鲜明对比的是，许多亚洲国家对AI展现出明显更积极的态度。李飞飞将这一差异归因于早期教育阶段的布局，这些地区在基础教育中就系统性地引入了AI相关内容，技术从“未知的威胁”变成了“日常的工具”，公众天然地拥有更健康的参照系。
与此同时，AI数据中心成为美国基层社区反抗的焦点。盖洛普2026年5月公布的民调给出了一个相当反直觉的数字，71%的美国人反对在自己居住地附近建设数据中心，这一比例甚至超过了反对在隔壁建核电站的53%。AI时代的“新发电厂”，在民众眼中的嫌恶度竟超过了真正的核反应堆。
这不是抽象的情绪。2024年1月到2026年5月，美国至少有46个数据中心项目因居民抗议而推迟或取消。今年7月中旬，纽约州州长霍楚尔签署行政令，临时叫停新建数据中心，禁令最长可达一年。德克萨斯州、弗吉尼亚州、佐治亚州等数据中心密集扩张的地区，社区抗议此起彼伏。
民众的矛头直指资源消耗。数据中心不仅要吃电，还要喝水。CBS的专题分析显示，到2028年，美国数据中心的年耗水量将至少达到4690亿加仑，约合1.775万亿升，相当于2023年全美民众淋浴用水总量的三分之一。而自2022年以来，美国新建或规划中的数据中心约有三分之二落在了水资源高度紧张的地区。波士顿动力的机器人可以跳舞，但服务器冷却塔需要的是实打实的水。
更广泛的就业焦虑也在蔓延。路透社与益普索2026年6月的民调显示，53%的美国人担心AI会让自己或家人失业，73%的人担心AI的普及和应用，较2023年的68%进一步上升。其中民主党选民担忧的比例达到61%，共和党选民为47%，焦虑在两大阵营同时存在，已不再是某个群体的孤立情绪。
这些数据拼接在一起，拼出的是一幅“技术越发展，社会越不安”的悖论图景。而AI产业对情绪的回应，迄今为止大多停留在公关话术层面。
AI真正的瓶颈不在算力，而在“许可”
当“AI教母”开始谈沟通，危机已经跨过技术的边界
为什么李飞飞要在2026年8月这个时间点，放下技术语言，谈公众沟通？因为她看到了一个比技术落后更危险的趋势。
AI的公共叙事正在被两个极端同时绑架。一端是“AI将统治人类”的末日论，一端是“AI无所不能”的万能论。中间那条基于事实、耐心和对话的道路，恰恰最缺乏声音。而沉默的代价，是让公众的参照系被极端叙事所塑造。
李飞飞在另一场深度访谈中曾点破这种失衡的底层逻辑。面对AI会不会让人类失去掌控的追问，她给出了一个极其克制的判断：AI是能力的放大镜，而非替代者。但她同时坦率地承认，生产率的提高并不必然自动转化为社会的共同繁荣。这句话道破了整场争论的盲区，技术的果实如何分配、如何在社区层面落地，从来不是一个算法能回答的问题。
在笔者看来，这正是她呼吁加强公众沟通的深层逻辑。2026年的美国AI产业，真正稀缺的资源或许已经不再是算力芯片，而是社会许可。如果超过七成的社区把自己家门口的AI基础设施视为威胁，那么即便模型再强、算力再猛，AI的物理落地也会在最后一公里被民意拦截。
两种教育路径，两种AI信任曲线
李飞飞在采访中特别提到的亚洲与美国态度差异，本质上是一场“先见教育”与“后见恐慌”的对比实验。
当AI作为国民教育的一部分从早期阶段就被引入课堂，学生在接触技术的初始就建立了理解框架，知道它擅长什么、不擅长什么、会带来什么改变。而当公众只能在新闻里看到失业、能耗、失控的标题时，AI天然地成为情绪的靶子，缺乏基础认知的公众只能凭借直觉和碎片化信息做出判断。
李飞飞本人对此有过更直白的表达。她曾在访谈中直言，垄断信息固然能攥住话语权，但教育者绝不会选择这种做法。她反对用一种居高临下的姿态替公众决定什么是好的，而是主张让公众在充分理解利弊的前提下做出选择。这与其说是一种公关策略，不如说是一种对技术民主化的基本尊重。
从产业视角看，这给AI公司提出了一个更严峻的挑战：当技术迭代速度远远超过公众认知的更新速度时，谁该为搭建这座认知桥梁负责？答案显然不是单靠学校，而是产业界、学界和政策制定者的协同行动。
学界和产业界的“公共叙事赤字”
李飞飞罕见地承认，学界在过去很长一段时间里，对公众沟通做得远远不够。“除了科学家身份，我也是一位教育者和学者，”她在采访中说，“有时我会自责，觉得我们在与公众沟通方面做得不好。”
这个自我诊断放在2026年的语境下尤其尖锐。AI学界习惯了用论文、基准测试和代码交流，却很少用大众听得懂的语言解释这项技术将如何改变普通人的生活。结果是，公众对AI的认知，很大程度上被营销话术和极端叙事所塑造。
这种“公共叙事赤字”是整个产业无法用研发经费补齐的短板。李飞飞提出美国应展示AI在机器人、医疗、教育等领域的应用价值，本质上是在呼吁一种叙事反转，把AI从“取代你的东西”，重新讲成“帮助你、服务你的东西”。这是一场比训练大模型更艰难，却也更关键的工程。
值得一提的是，就在本月初，李飞飞在拉斯维加斯举办的AI4 2026大会上，与杰弗里·辛顿、吴恩达罕见同台，三位AI领域的顶尖科学家围绕技术走向展开对谈。这本身就是一个信号，说明产业界最高层已经意识到，技术问题之外，还有一场关于信任的硬仗要打。
技术可以输给对手，但不能输给沉默
李飞飞这席话对未来全球AI竞争格局的判断，值得每一个从业者认真对待。过去我们习惯用算力规模、模型参数和技术路线来理解AI竞赛，但2026年的这场博弈已经多了一个关键变量，那就是社会信任的竞争。
美国当前面临的，与其说是反AI情绪，不如说是一道被拖延了太久的社会沟通题。数据中心建不下去、社区抗议此起彼伏、半数民众担忧大于兴奋，这些看似分散的社会现象，正在成为AI产业扩张的真实卡点。而亚洲国家在基础教育上的提前布局，提供了一个值得对照研究的样本，它说明信任是可以被主动生产出来的，而不是理所当然的结果。
对中国的AI从业者和观察者而言，李飞飞这段话同样具有借鉴价值。当技术出海、产业落地走到最后一公里，如何让公众理解并接纳AI，如何避免技术价值在情绪中被误读，将是无论哪一国都绕不开的考题。技术可以迭代，算力可以追赶，但如果不会讲好自己的故事，再先进的模型也可能在社会的信任门槛前折戟。
李飞飞的提醒，最终指向一个超越技术本身的命题。
AI的对手从来不是另一个更好的模型，而是它自己没能讲清楚的那句价值主张。当技术领先成为常态，谁能先赢得人心，谁才能真正定义这场革命的边界。
快报