万字解读“智能+”：加什么，怎么加？

AI快讯 2025-06-25
在技术发展的长河中，人们常常会陷入一种误区：对新技术短期高估其影响力，而长期又低估其潜力。如今，大模型浪潮席卷全球，我们正站在技术范式发生颠覆性变革的关键节点。智能不再仅仅充当辅助工具的角色，而是演变成驱动产业进化的全新基因。“智能 +” 也绝非简单的技术叠加，它更是一场认知革命和生态重构，其核心要义在于为各行各业植入适应新时代发展的基因。


当前，中国智能经济正处于爆发的前夕。在这个关键时期，我们不仅要明确 “智能 +” 具体要融入哪些要素（新认知、新数据、新技术），还要解决 “如何融入”（云上智能、数字信任、π 型人才、全员参与、机制重构）的问题，如此才能迎来产业升级的奇点时刻。

一、加什么？

+ 新认知：拥抱范式革命、厘清边界、既有信心又有耐心

“智能 +” 的核心在于认知层面的变革。如今，各行业的管理层普遍强烈感受到这一波人工智能变革的冲击。无论是相关政策的引导，还是自媒体铺天盖地的报道，都让他们既因技术的加速进步而感到兴奋，又因担心错失机遇或被技术颠覆而产生变革焦虑。在近期腾讯研究院组织的 AI + 调研中，大量企业表示 “AI 是大趋势，担心不变革就落后时代了” ，这表明不少企业都存在害怕错失机会的 FOMO 心理。


企业在对待人工智能的态度上，呈现出两种典型且矛盾的心态。一方面，企业高层急切希望引入 AI，期待快速看到应用成果。有的企业一把手亲自推动大模型专项，每周听取专题汇报，每季度迭代行业大模型，对应用前景充满期待。另一方面，部分企业在推进一段时间后，由于应用多局限于知识问答、简单客服等场景，且效果难以评估，导致期望与现实差距较大，逐渐失去热情。


因此，对于 “智能 +”，我们既不能盲目高估其短期效果，也不能仅凭一时热情。这需要我们进行深刻的认知升级，并开展一场全员参与的变革之旅。


“智能 +” 意味着从依靠人的经验决策，升级为人机共同协作。它不是单纯借助 AI 打造新工具，而是利用 AI 实现人与人、人与机器之间的全新合作模式。人类在直觉判断、伦理权衡和创新突破方面具有独特优势，而 AI 则擅长海量数据分析、模式识别与全时响应。以医疗领域为例，AI 可以快速筛查影像数据并标记异常，但最终的诊断仍需医生结合临床经验和患者个体情况进行综合判断。这种分工并非简单的辅助关系，而是对决策链条的重构 —— 人类专注于战略层面（如价值观校准、复杂问题定义等），AI 负责执行战术层面（数据挖掘、方案生成等）。未来，决策的终极形态并非机器取代人类，而是人类驾驭机器实现规模化智能。当医生借助 AI 挽救更多生命，管理者依靠 AI 洞察商业迷局时，人机协同将不仅是工具的升级，更是认知边界的拓展。


“智能 +” 还意味着从追求确定性思维，转向在不确定性下进行动态持续优化。随着大模型能力的不断提升，其应用深度也在逐步解锁。第一波以 ChatGPT 为代表的大模型擅长对话，催生出 AI 新搜索 Perplexity、角色扮演 Character.ai、Talkie 等应用；第二波以 Claude 3.5 Sonnet 为代表的大模型擅长编程，推动了估值百亿美金的 Cursor 和当红编程明星 Windsurf、Devin 等的火爆；第三波以 OpenAI o1 为代表的大模型擅长深度推理，让 Agent 应用成为可能，中国的 Manus、Genspark、Lavart 等智能体吸引了全球关注。可以预见，未来第四波可能是空间智能、物理 AI 等模型能力的升级，将孕育出更具潜力的应用，为各行业提质增效带来更大的想象空间。


当然，我们也要客观看待大模型的能力边界，给予其进化足够的耐心。目前的 AI 技术在创意生成、复杂模式识别、多模态理解等方面表现出色，但在严谨逻辑推理、专业知识呈现、精确数值计算、实时动态决策和长期记忆保存等方面，仍存在局限和 “幻觉”。在创作领域，大模型能生成多样的图片和视频，但难以对生成内容进行精细化微调；在金融场景，大模型可预判趋势、提供投资参考，却难以直接应用于金融实战。此外，使用大模型会产生相应的推理成本，并非模型越大越好，根据场景适配，采用大小模型协同、判断和推理模型共用的方式，才是经济、高效解决问题的方法。

+ 新数据：深挖领域知识，构建数据飞轮

数据，尤其是行业高质量数据集，是大模型能否成功落地的关键。然而，要让数据从普通的生产要素升级为创新燃料，还需攻克三大难题。


  1. 打破部门墙，让数据流起来：数据的真正价值体现在其流动性和实时性上。过去，企业在运营过程中产生了大量数据，但由于部门之间的壁垒以及不同系统的隔离，这些数据形成了一个个 “孤岛”，严重阻碍了信息共享，降低了企业决策效率。不过，已有一些企业在打通数据方面取得了不错的成果。比如全球领先的法律信息服务公司 LexisNexis，通过收购比利时法律科技公司 Henchman，并应用检索增强生成（RAG 2.0）技术，成功打破了传统律所各部门之间的信息隔阂，将数千万份合约范本与外部法律数据库串联起来，让律师告别逐页查找的繁琐工作，能够即时调取精准的条款和判例。随着隐私计算、联邦学习等新技术的不断涌现，数据孤岛问题也有了新的解决思路。梅奥诊所启动的医疗数据平台，整合了 530 万患者长达 40 多年的 6.44 亿份临床笔记、300 万张超声心动图、1.11 亿张心电图、12 亿实验室测试结果、90 亿份病理报告、5.95 亿次诊断和 7.71 亿次手术记录等海量数据。该平台采用同态加密、差分隐私、多方安全计算等多种隐私计算方法，在保障数据隐私的同时完成计算任务，如利用同态加密技术，可在患者诊疗数据密文上进行计算，既保护了患者数据隐私，又能进行数据分析和医疗模型训练。
  2. 深挖 “暗数据”，让数据活起来：在企业内部，文本、图像、语音、视频等非结构化数据占比超过 80%，这些未被充分挖掘和利用的非结构化数据，正逐渐成为企业决策的新关键要素。医疗信息巨头 Epic 借助 GPT-4 自动从病历、医嘱记录中提炼关键信息，让医生能迅速掌握患者的核心医疗数据。亚马逊利用大语言模型分析海量用户评论，自动生成精准摘要，帮助消费者快速做出购买决策。这些应用充分展现了 “暗数据” 的巨大潜力，它不仅能让企业从繁杂的数据处理中解脱出来，还能实时生成决策支持信息，助力企业做出更精准的决策。还有一类极具价值的 “暗数据”，存在于企业老师傅的经验之中。这些经验以往大多通过师傅带徒弟的方式言传身教，蕴含着大量难以言传的智慧。若能将这些经验数字化，将在企业中发挥巨大价值。目前，一些企业通过邀请资深专家标注数据、编写问答对的方式，在一定程度上转化了部分老师傅的经验，但这其中仍有很大的挖掘空间。或许在未来，每个企业都会有几个老师傅数字人，担任新员工的职业导师，以教练的方式加速人才成长。
  3. 形成正反馈，让数据转起来：数据飞轮的核心在于通过持续的用户交互与反馈，推动智能系统不断优化和进化。以 GitHub Copilot 为例，它在与开发者的每一次交互中学习和优化编程建议，逐步形成了一个持续强化的正反馈机制。这不仅提升了模型的适应性和精准性，还让企业与 AI 的关系从单纯的工具使用，发展为长期的协作伙伴关系。

+ 新技术：从知识引擎到智能体，从工具到伙伴

在 “智能 +” 的进程中，需要融入的新技术，首当其冲的就是当下火热的生成式人工智能，也就是大家常说的大模型。但在行业落地过程中，由于业务场景、痛点需求和 IT 成熟度各不相同，所需的技术并非只有大模型，还包括传统的 AI 技术等，是核心使能技术（AI、边缘计算、联邦学习、空间智能、具身智能等）、数据层支撑技术（云计算、大数据、区块链等）、连接层技术（5G/6G、物联网、数字孪生等）协同作用的结果。


大模型是这一波智能化发展的核心牵引技术，AI 技术的进步为 “智能 +” 带来了更多可能。在 AI 技术的演进过程中，我们见证了它从 “工具” 向 “行动者” 的转变。AI 不再仅仅是为人类提供信息和决策支持的辅助工具，而是逐渐成为能够主动执行任务、推动行业智能化转型的数字伙伴。这背后不仅是技术的突破，更是人与 AI 互动方式的深刻变革。


知识引擎是 “智能 +” 最容易落地且效果显著的领域之一，也是行业大模型建设的优选方向。引入知识引擎技术，可以有效解决与企业专属知识脱离、输出时间长、回答过于宽泛、垂域业务场景解决效果不佳等问题，还能大幅降低大模型 “幻觉”。以一汽丰田为例，过去传统客服响应慢、知识库分散，机器人客服的独立解决率仅 37%，且人工回答成本较高。基于大语言模型 + RAG 技术框架，大模型知识引擎综合运用 OCR、多模态和长文本 embedding 等能力，攻克了知识处理与答案生成全链路的难点，提升了服务的准确度和效率。同时，一汽丰田还借助知识引擎进一步提炼历史客服知识库信息，作为企业知识库的有效补充，丰富了专业客服知识体系。自今年 1 月接入腾讯云大模型知识引擎以来，智能在线客服机器人独立解决率从 37% 提升至 84%，月均自动解决客户咨询问题 1.7 万次，显著提升了客服坐席服务效率和客户满意度，优化了用户体验。再如迈瑞医疗的重症大模型，通过构建知识图谱，录入全量重症知识、预制检验检查指标、药品等信息的映射关系，将重症治疗中沉淀的海量医生经验与高质量医学文献相结合，不仅能迅速预测病情演进，辅助医生决策，还能在病历撰写、患者信息检索、重症知识检索等环节发挥作用。该解决方案能让重症科医生的病情应答速度快至 5 秒，大幅提升了诊疗效率，将医生从繁琐的机械性工作中解放出来，真正做到 “把医生的时间更多地留给患者”。


AI 智能体是未来极具前景的领域，也是 “智能 +” 发挥倍增效应的关键。以微软的 365 Copilot 为例，它能够从电子邮件和日程安排中提取信息，生成会议纪要、任务清单，甚至直接制作数据报告。这体现了 AI 的进化 —— 从单纯的 “答疑解惑” 工具，转变为可以主动承担任务、帮助人类更高效工作的智能体。智能体的应用使人机协作超越了简单的信息提供，走向任务执行的深度融合。全球许多行业都已开始应用智能体，巴西最大的血库 Hemominas 与 Xertica 合作开发的聊天机器人 Agent，用于搜索和安排献血者，简化了流程并提高了效率，每年可挽救 50 万人的生命；度假租赁商 HomeToGo 创建的 AI Sunny 新型人工智能旅行助手，能在客人预订时提供咨询，并计划将其打造为端到端智能旅行伴侣；全球能源公司 AES 利用谷歌 Vertex AI 和 Anthropic 的 Claude 模型构建的 Agent，实现了能源安全审计的自动化和简化，使审计成本降低了 99%，审计时间从 14 天缩短至 1 小时，准确率提高了 10-20%；电动方程式锦标赛（Formula E）打造的驾驶 Agent，可分析赛车过程中产生的大量多模态数据，为车手提供切实可行的驾驶参考方案，帮助赛车手提升驾驶成绩。

二、怎么加？五步破解智能落地密码

拓展云上智能 —— 上云是性价比和高效能最优解

随着大模型技术从 “模型竞争” 逐渐走向 “应用落地”，云服务已成为承载大模型能力的关键基础设施。与私有部署相比，云端大模型具有诸多优势，不仅性价比高、易于接入、可弹性扩展，还能在技术快速迭代的背景下，支持模型的持续升级与版本的平滑过渡。


云是大模型落地最高效、经济的方式。在价格方面，主流大模型云的 Token 调用价格持续下降。去年，DeepSeek、阿里云、腾讯云、百度智能云、火山引擎等先后将大模型推理算力价格降低 90% 以上，部分企业甚至一度将毛利率降至负数。国内模型与国外同规格模型相比，价格普遍仅为其 5%-20%，很多 API 调用价格都降到了 10 元以下，一些模型每百万 Token 输入、输出价格已低至几毛钱，花费几毛钱就能处理一部百万字的《红楼梦》 。


价格优势只是一方面，更重要的是云端模型具备持续升级的能力。传统模型一旦部署便难以更新，尤其是一体机私有化部署方式，新模型发布后几乎无法在原有一体机上升级。而云上模型支持动态更新、版本热切换等功能，特别适合追求高频交互、实时生成、云边端协同等新型 AI 场景。


未来，大模型之间的竞争，将不再局限于参数规模或准确率的比拼，而是围绕 “性价比 + 可持续演进 + 服务生态” 展开。在这一轮变革中，中国大模型与云服务的深度融合，将构建起具有全球竞争力的数字基础设施体系。

重建数字信任 —— 以服务水平为标尺

信任是商业社会的基石。如今，我们已迈入数字社会，但很多时候信任仍停留在以血缘、地缘为基础的农业时代模式。在新时代，我们需要构建以服务能力标准为核心、与智能时代相匹配的信任机制。


新时代的 “数字信任” 应摆脱对传统关系网络的依赖，转向基于服务水平、技术透明、响应效率等量化指标的制度化信任。其核心不再是 “我信你是谁”，而是 “我信你能做到什么”。


服务水平协议（Service Level Agreement，SLA）不应仅仅是 IT 运维中的性能承诺工具，而应成为智能服务时代衡量信任的标尺。平台、模型或智能体的稳定性、准确性、响应时间、更新频率等，都可以通过明确的指标进行承诺，并对外公示、接受监督。SLA 将 “信任” 从主观情感转化为可验证的服务契约，推动信任从模糊走向清晰。


为了真正实现 “以服务能力为核心的数字信任”，需要建立一整套支撑机制。一是算法透明与审计，构建独立的算法审计机制，定期检查模型偏见、数据使用、推荐逻辑等，使算法输出具备可解释性和责任归属；二是漏洞披露与补偿机制，引入行业级漏洞披露平台和时间窗口制度，鼓励白帽、红帽参与安全保障，同时设立用户损失赔偿规则，弥补信任损伤；三是应急响应制度化，建立从异常检测、风险预警、处置流程到用户通知的全链应急响应机制，做到 “可信不等于 100% 不出问题，而是能及时发现、解决问题并防患于未然”；四是责任保险机制，探索数字服务责任保险制度，明确 AI 服务中断、数据泄露、模型幻觉等情况的赔偿边界，降低用户信任风险；五是第三方信任背书体系，建立公信力机构（如数字信任评级、AI 信任证书联盟、AI 等保体系等）提供信任认证，打破 “信任不平等”。

培育新人才 —— 横跨技术与业务桥梁的 π 型人才

“智能 +” 能否成功的关键变量，并非模型性能的每次提升，而在于是否拥有能够驾驭智能的人才结构。技术跃迁带来的红利，最终需要依靠组织中的 “人” 去感知、理解、转译和落地。在这一轮变革中，传统的 “工程师为王” 路径逐渐被打破，企业需要具备系统观的 “π 型人才”：他们跨越技术与业务的边界，既懂模型结构，又通晓业务流程，是将智力转化为生产力的核心推动者。


微软是这一转型逻辑的典型样本。这家拥有数十万员工的企业，没有将 AI 能力培训局限于技术岗位，而是系统地将 AI 素养内化为组织的普适能力。从 “AI Business School” 为管理者普及战略层理解，到为销售和市场团队开设 Prompt 设计、AI 营销课程，微软构建了一整套 “岗位嵌套式训练框架”。员工在真实业务任务中接受 “百日 AI 挑战”，不仅要学习模型的运行原理，更要产出可上线的 AI 原型。这种模式以 “结果导向” 而非 “知识导向”，通过制度机制实现学用闭环，缩短了学与用之间的距离。


这种能力构建路径并非简单的职能再分配，而是人才机制的升级。微软不仅推动工程师理解业务目标，还要求产品经理掌握模型调用与调优技能。在训练机制中引入 AI 导师制、黑客松试验、跨职能共创等机制，促进 “懂模型的业务人” 与 “懂业务的技术人” 在组织内部形成联动网络。这种能力上的 “双向穿透”，正是智能 + 时代的生产力基础 —— 相较于单点的算法专家，更需要 “AI 决策的编排者”。


在不同行业场景中，“π 型人才” 都在智能转型过程中发挥着关键作用，成为连接场景与模型的桥梁。在医疗行业，医生与 AI 工程师共同研发的病理识别模型将肝结节诊断准确率提升至 93.5%，这一成果离不开医生对数据标注、特征理解的深度参与；在金融机构，摩根士丹利通过 “顾问 + AI 工程师” 双组队机制，将 GPT 嵌入财富管理流程，每天替代顾问查询上万资料，中国工商银行构建 “1+X” 大模型范式，由业务专家与 AI 团队共同定义流程、调试模型，提升了风控与客服系统的智能化水平；在制造领域，出现了 “行业特战队” 的新组织形式，如中兴通讯将研发、产品、销售人员按行业组团，在汽车、矿业等场景推进 AI 方案端到端交付，这类团队不再区分传统岗位，以场景为单位配置技术与业务通才，数据与 AI 专家下沉到一线服务场景，带领维修工人训练调度模型，打通从需求感知到模型上线的完整路径。
©️版权声明：若无特殊声明，本站所有文章版权均归AI工具集原创和所有，未经许可，任何个人、媒体、网站、团体不得转载、抄袭或以其他方式复制发表本站内容，或在非我站所属的服务器上建立镜像。否则，我站将依法保留追究相关法律责任的权利。

相关文章

按住 Ctrl+D    或    ⌘+D 键，
把https://www.aipaitu.com/收藏起来吧！
AI工具箱收录了国内外数千个不同类型的AI工具，每日更新和添加最新AI工具，AI工具集还推荐了AI学习开发的常用网站、框架和模型，帮助你加入人工智能浪潮，自动化高效完成任务！ Ctrl + D 或 ⌘ + D 收藏本站到浏览器书签栏。

AI工具箱导航 关于我们 免责声明 友情链接

关注我们

Copyright © AI工具集  鄂ICP备2025098406号