宏牛操盘人工智能系列谈丨AI时代的机遇与挑战：从科技创新到行业应用

阿里云资深技术专家罗凯发表演讲。新华网发

人工智能技术正加速推动产业变革。当前，AI浪潮从实验室涌向产业一线，从技术突破走向场景落地。如何让技术红利惠及千行百业、赋能城市发展，成为时代赋予的核心命题。

2025年是“AI+”行动全面铺开的一年，政策层面对“AI+”行动提供了强劲支持。2025年政府工作报告提出，持续推进“人工智能+”行动，将数字技术与制造优势、市场优势更好结合起来。国务院日前也印发《关于深入实施“人工智能+”行动的意见》，要求以科技、产业、消费、民生、治理、全球合作等领域为重点，深入实施“人工智能+”行动。

AI上半场：技术演进与理论奠基

作为新一轮科技革命和产业变革的重要驱动力量，人工智能无疑对全球经济社会发展和人类文明进步产生了深远影响。但回顾人工智能70余年的发展历程，其道路并非一帆风顺，而是在迭代中不断突破。

展开剩余84%

1956年达特茅斯会议上，美国学者约翰·麦卡锡等人首次提出“AI”概念，成为该领域的“诞生宣言”，其初衷是构建具备人类感知、认知、决策与执行能力的人工系统。

在早期发展阶段，专家系统是人工智能的重要分支之一，其核心能力来源于领域知识，通过将知识固化为固定规则供机器执行。但由于这种模式无法适应复杂多变的现实场景，90年代初，随着专家系统的衰退，AI领域进入“第二次寒冬”。

20世纪90年代中期以来，机器学习得到迅速发展并逐步取代传统专家系统成为人工智能的主流核心技术，由此奠定了大模型发展的重要基础。

从专家系统到机器学习，人工智能的核心概念经历了从基于规则推理到基于数据学习的根本转变，但早期机器学习仍存在明显局限，更像一个“偏科生”。例如，谷歌邮箱很早就将机器学习引入邮件系统，帮助用户理解邮件内容并识别垃圾邮件，但同样的模型却难以处理语音信息。

而神经网络的诞生，让机器学习开始拥有“人造大脑”。这是一种模仿人类大脑的机器学习算法,能够自动学习数据的特征和规律,并对新的输入数据进行预测和分类。其本质是深度学习算法通过构建深层神经网络，学习数据的表示和特征,进而解决更加复杂的问题。

大语言模型是一种基于深度学习架构的人工智能系统，专门设计用于理解和生成人类自然语言，其出现标志着人工智能迈入全新发展阶段。

从技术实现角度来看，现代大语言模型主要建立在Transformer架构基础之上。2017年，谷歌研究团队发表论文《Attention Is All You Need》，提出Transformer架构，奠定了当代大模型的理论基础和基本框架。随后，这些模型通过极其庞大的文本语料库进行训练，逐步掌握了语言的语法结构、语义关联及常识推理能力。

但不可忽视的是，其发展仍存在两个关键限制。首先，大模型的“大”体现在两个维度：一是学习语料的量级庞大，二是模型自身的参数规模巨大。尺寸越大的模型，随之带来的训练成本也越高。其次，大模型发展还受上下文窗口的限制，其大小也将直接影响模型的性能。

但总结来看，人工智能历经70余年跌宕发展，已完成从理论探索到技术爆发的跨越，完成了AI“上半场”的使命。进入“下半场”，核心目标是推动技术突破转向落地赋能，将强大的模型能力落地到千行百业，让AI真正做到服务社会，创造实际价值。

AI下半场：趋势引领与产业赋能

步入AI“下半场”，以下四大核心趋势值得重点关注：

第一大趋势是大模型推理调用频率与能源消耗将快速超越模型训练阶段。随着大模型实用性提升与用户规模扩大，模型使用环节的需求会呈指数级增长，此时能源需求的重心就会从模型训练转向模型使用。

第二大趋势是行业发展重心已从训练侧转向推理侧。大模型的技术发展总体上遵循尺度定律,参数规模已从千亿级拓展至万亿级，未来有望进一步扩大。

与此同时，行业也逐渐意识到，单纯扩大模型尺寸与参数的路径已逼近瓶颈。受心理学著作《思考，快与慢》启发，大模型引入“慢思考”模式，通过“思维链”拆解问题、分步推理，教会大模型“按步骤解题”，成功解决了长期困扰大模型的幻觉问题。但也要注意到，“慢思考”模式会消耗更多Token（词元），进而增加算力与能源成本，叠加推理侧需求的指数级增长，能源供需压力也将持续加剧。

第三大趋势是人们对AI的需求已从单纯对话交互升级为解决现实问题。因此，AI智能体的落地进程亟待加速。日前，国务院印发的《关于深入实施“人工智能+”行动的意见》明确了我国实施“人工智能+”行动的阶段性目标。到2027年，新一代智能终端、智能体等应用普及率超70%。因而，从“对话”到“行动”的转变与升级必然要随之加速。

第四大趋势是多模态模型的快速发展。自然语言虽是人类智慧的结晶，却仅为大自然奥秘的冰山一角。要认识到，语音、图像、视频、物理模型、世界模型等多模态数据，都是帮助AI更深入认知世界、融入生活、解决复杂问题的关键支撑。

在这四大趋势的引领下，AI的价值正从数字世界向物理世界延伸，当前已在诸多真实应用场景中落地生根。除日常任务外，以智能驾驶、具身智能、低空经济为代表的多条产业链正走向融合发展，实现AI与人类的深度协同互动，从而推动技术直接服务于现实生活。

对企业而言，当前国内企业普遍在积极探索与拥抱AI，在具体落地实践过程中，可参考四步方法论：

第一步是识别，即精准定位业务场景中的痛点与潜在机会，并结合AI的核心优势有针对性地加以运用。大模型全称为大语言模型，其核心能力聚焦于语言相关及泛翻译类任务，此处的“翻译”并非仅指中英文互译等传统场景，还包括英文与Python代码的转换、文本总结等语言理解类任务，以及语音转文字、文字转语音、文生图、图生文等多模态转换任务。因而，这类泛翻译类场景，都可借助大模型原生能力快速落地，实现价值转化。

第二步是定义，即在明确应用场景后，清晰界定AI落地的核心价值，并建立可量化的衡量标准与跟踪指标。

第三步是快速推进落地执行，将前述规划转化为实际成果，避免停留在理论阶段。

第四步是适配AI这一新型工具，重构生产关系与组织模式，推动AI数字人与人类员工实现高效协同互动，从而充分适配AI时代的企业发展需要。

AI时代的哲学思考：是否会取代人类

近年来，人工智能在全球范围内取得了显著进展。与此同时，“AI是否会取代人类”也成为大众最关注的核心问题之一。

类比人脑来看，人类大脑历经数百万年自然选择才进化至今，而AI这一“人造大脑”仅用70余年的时间，便实现了从“爬行”到“奔跑”的跨越式发展，并且其发展明显呈加速上升态势，2023年起更是出现了显著的增长拐点。

基于这一发展趋势，业界也形成了两种截然不同的观点：以“AI教父”杰弗里·辛顿为代表的阵营秉持悲观态度，认为人类最终可能被自身创造的AI所取代；而以OpenAI首席执行官萨姆·奥特曼为代表的阵营则持乐观立场，认为AI将大幅释放人类精力，助力人们过上更高效惬意的生活。

关于这一问题的最终答案，目前尚无定论，但核心前提是做到“知己知彼”，既要充分认知AI的能力，也要清晰了解其局限性。

模型与人的最大区别之一在于，人类大脑具备持续学习能力，在日常交流与互动中可以不断吸收新知识，并将其融入既有知识体系；而大模型的学习与使用过程完全分离，模型训练完成后，其参数权重即固定，不会因后续使用而动态更新。

其次，二者能耗差异显著。大脑惊人的处理能力仅需约20瓦的电力就能运转，大致相当于点亮一盏普通灯泡所需的能量；而训练GPT-4这类顶级模型的电力消耗则高达20-25兆瓦，是人脑能耗的100万倍，由此可见，人脑的高效性仍无可比拟。

此外，关于AI是否具备共情能力、自主意识及创造力等长期命题，仍需在未来持续探索与解答。

但无论AI如何迭代发展，我们都应当坚定相信，AI绝不仅是征服星辰大海，更应该呵护人间烟火。期待AI能够在千行百业中快速落地。