构建一个拥抱不确定性、鼓励多元探索、宽容失败的创新生态系统。
2015年3月，“互联网+”写入政府工作报告，推动互联网与传统行业的深度融合。十年后，“人工智能+”也写入了政府工作报告，新一轮变革正在上演。从“互联网+”到“人工智能+”，不仅意味着技术工具的迭代升级，更可能引发商业和社会的模式创新与重构。
“人工智能+”与“互联网+”的差异
1.技术阶段不同
“互联网+”期间，数字技术已步入成熟阶段， 技术框架、应用模式和商业规则已相对稳定。企业在应用移动互联网技术时，面对的是一个技术路径明确、解决方案丰富的成熟生态；而“人工智能+”立足的技术仍处在快速迭代期，技术路线和应用产品不确定性强，需要较大的试错空间。
当前人工智能技术的不确定性主要表现在三个方面。
一是技术迭代异常迅速，GPT-3到GPT-4.5等模型更新周期已从月缩至日，SOTA记录保持时间缩短至“按周计算”。
二是能力边界持续扩展，DeepSeek-R1以来，Open AI、谷歌、xAI 等模型更新明显加速，平均1.5天就有一次重大迭代，推动模型从设计到编程再到分析，不断解锁新技能。
三是产品形态多处于“中间态”，在通用工具和专业解决方案之间摇摆，新旧界面和交互模式共存等。如AI助手的独立应用与嵌入式体验并存，AI功能在辅助与核心地位间转换，这些中间态也表明市场对产品形态的最佳实践尚未形成共识。技术差异导致企业在应对两次技术浪潮时采取的策略不同，“人工智能+”时代需更高的容错率和更灵活的战略调整能力。
2.价值层次不同
“互联网+”本质是连接增强，核心驱动在于追求网络效应，通过增加网络节点数量、提升信息交互效率创造价值，网络越大，价值越高；“人工智能+”本质则是计算增强，核心驱动深入到节点本身，通过重构智能创造和分配方式提升每个节点的生产力，进而提升节点乃至整个网络的价值。可见其价值释放将比“互联网+”更深刻广泛。
从影响范围看，互联网扩展了人类的连接范围，但主体还是人与人的连接；人工智能则扩大人类的认知能力，自主能力足够强的AI还将进一步扩大连接范围，形成“1+N”人与AI互联协作的新范式，进一步扩大网络效应。同时，AI让专业能力更易获取，大幅压缩专业技能获取周期，提升人类生产效率。这种从工具到智能伙伴的转变，使“人工智能+”可能比“互联网+”的影响更具革命性。
从经济价值看，AI对生产力的效应呈“阶跃式”发展趋势。研究表明，AI Agent任务完成能力每7个月翻一番，进化速度可能还会加快。随着AI能力的不断提升，其创造的经济价值也日趋可观。普华永道2025年预测AI有可能在未来十年内推动全球经济规模增长15%。更关键的是，人工智能不仅在数字空间发挥作用，还与各类硬件结合深入物理世界，正在推动医疗、制造、农业等各个领域的生产力革命。
3.扩散路径不同
互联网作为“连接型技术”，用户具备基础数字素养即可获得即时满足，因而遵循“消费端到生产端”的扩散路径；而人工智能作为“分析型技术”，其复杂价值需深度融入业务流程才能实现，前期高投入与明确市场契合度的要求使得企业端（生产力端）是优先的前期采纳者，“生产端到消费端”的扩散更符合人工智能的特征。例如，海外人工智能大量新应用均是B端应用，最新统计，近百家头部AI初创公司中，企业应用占比最高为46%，消费者应用仅占6.5%。因为海外企业级市场付费订阅接受度较高，能提供更可预测的回报和较低的风险。
这种路径差异还反映在创新传播机制上：互联网依靠“横向社交扩散”，通过零风险试错与病毒式传播迅速渗透消费市场；人工智能则更多遵循“垂直产业渗透”逻辑，先在具备落地配套条件（数据、专业知识、基础设施）的环境验证价值，再沿产业链扩散。目前，“人工智能+”时代，这两种扩散逻辑更多是并行生长。
扩散路径差异也将带来“人工智能+”不平衡的现象。“人工智能+”则可能在某些特定行业（如内容创作、知识工作）呈现“跃迁式”进入，而在制造等产业链条长而复杂的领域则需要更长的适应期。当前，人工智能技术本身的进步速度远超其被行业吸收应用的速度，这种“技术过剩”状态可能导致阶段性泡沫。但从长期看，真正能够释放AI价值的，将是那些能有效将人工智能技术与具体场景深度融合的应用。
▲企业构建AI数据集的核心逻辑应避免“为数据而数据”，而应聚焦“为业务而数据”，将数据策略深度融入AI应用的全生命周期，利用实时数据支持AI优化。
“人工智能+”的企业实践探索
1. 应用牵引，发掘AI高价值潜力场景
优先选择数据充足、风险可控、可量化且可扩展复制的用例，同时最好是核心业务而非边缘业务场景，快速验证AI的应用价值。例如，对辉瑞公司而言，医药研发是其核心竞争力，但开发一种药物大约会生成2万份文件，科学家需要利用各种工具查找数据，耗时耗力，这也是造成研发低效的原因之一。后来，辉瑞就将大模型的首个用例定位在为科学家赋能上，通过与亚马逊和Anthropic合作，打造云上托管的企业智能搜索服务，如此一来，1500名科学家在整理数据上所花费的时间缩短80%，基础设施成本降低55%，同时使药品从原型到最小可行产品的周期从数月缩短至数周，实现规模化降本提效。
2. 模型实用，通过工程化构建生产级AI系统
当前通用大模型往往专业能力不足，企业需要针对业务需求进行工程化调优，采取提示工程、检索增强生成、微调等一种或多种方式组合，让模型能在实际生产运营中发挥作用。大模型+知识库+检索增强生成，是当前企业落地AI的最佳路径之一。如国际快递公司DHL 应用腾讯云知识引擎，编排了45条企业专属工作流，迅速构建出适合物流场景的智能服务，实现客户自动接待、快件查询、地址和时间修改、寄送等一系列服务。该模式使一线业务人员能够自主配置智能服务，大幅降低AI技术应用门槛和沟通成本。
3. 数据飞轮，形成可持续的数据捕获和应用模式
企业构建AI数据集的核心逻辑应避免“为数据而数据”，而应聚焦“为业务而数据”，将数据策略深度融入AI应用的全生命周期，利用实时数据支持AI优化。数据标注公司Scale AI认为，捕捉企业专家头脑中的隐性知识至关重要，是企业AI Agent应用最关键的数据来源。以此为原则，Scale AI构建了企业生成式 AI 应用平台（SGP），帮助企业利用自身数据定制模型应用，实现“数据―模型”协同进化。过程大致分成四步：部署初始版AI Agent，如合同生成助手；将Agent嵌入专家工作流，如律师日常审阅流程；通过SGP记录人机交互痕迹，如律师对合同的修改条款、工具调用等；利用捕获数据优化模型和Agent，包括微调、强化学习。
4. 算力云化，为AI提供富有弹性的算力底座
面对AI算力需求的爆发式增长，传统私有化部署方式很难应对，云计算能更有效支持算力资源弹性扩展与成本优化。借助第三方提供的大规模高性能云计算基础设施和高速网络服务，企业能够依据AI任务特点按需灵活调用算力，摆脱大量的底层IT系统建设和运维工作，将精力聚焦于模型调优和应用落地。西班牙石油公司Cepsa希望用机器学习解决各个业务线上的复杂问题，但面临实施路径和方法不统一、模型版本难管理、算力资源难高效调度等挑战。通过采用亚马逊的AWS云计算服务，其构建了标准化的MLOps（机器学习运维） 架构，实现模型构建、训练、部署等全流程自动化，大幅提升模型开发和应用效率。以其上海石化工厂 YET Dragon项目为例，通过该架构可独立自动训练、部署和跟踪6个模型，每个模型部署了30多个版本以支持不同业务，项目平均工期缩短25%，每年可节省约30万欧元成本。
我国“人工智能+”的进展与挑战
我国企业大模型采用率全球领先，但整体处于“试点多而实用少”阶段。腾讯研究院2024年企业调研显示，我国企业AI应用积极性高，其中企业对外的应用场景渗透率最高，包括销售、客服和市场营销，渗透率接近40%；生产、研发和企业内部管理场景渗透率相对较低，不足3成。人工智能落地应用试点广泛但深度不足，背后有技术、算力、人才、数据、安全等多重原因。加快“人工智能+”落地，关键在于识别制度性、系统性、长期性的深层次问题，主要有以下三方面。
自研软件应用生态薄弱导致“人工智能+”落地缺乏系统性支持。企业要将AI技术与现有业务系统整合，若缺乏成熟的中间件、API接口和行业解决方案，就需要进行大量定制开发，提高应用落地的技术门槛和实施成本。据统计，2024年全球SaaS公司超3万家，我国只占2%。以国产芯片软件生态为例，用户如果要迁移，需要重写大量的软件代码，且存在较高失败风险。一旦用户场景发生变化，需要芯片厂商与用户一起进行定制和优化工作，结果存在不确定性。加之“重硬轻软”导致软件厂商盈利困难，AI应用创新动力不足，导致“模型多、应用少”的断层。
数据深层次问题导致企业场景数据储备不足。我国数据要素市场培育不完善与数据共享机制缺失的结构性问题，导致企业场景数据储备严重不足，制约AI应用深度。Gartner 2024年调研数据显示，我国企业生成式AI落地面临的首要挑战之一，就是企业数据的AI就绪度不足。企业数据往往存在“两高一低”问题：分散程度高、非结构化比例高、标准化程度低。许多企业数据分散在不同部门和系统中，格式不统一且缺乏标签，无法直接用于AI训练。“数据+人工智能”模式的数据汇聚和治理专业公司相对缺乏，医疗、法律、金融、工业、科研等多个领域的公共数据授权运营主体目前仍在培育中。上述种种因素造成企业获取公共数据的渠道有限。相比而言，美国data.gov已汇聚开放了近31万个数据集，包括健康、教育、生态、商业、交通等。
软硬协同不足导致工程化创新价值难以普惠共享。移动互联网的繁荣，很大程度上得益于Android和iOS两大平台建立的开放标准和清晰的软硬件分层架构，这使得各类企业能在共享基础设施上进行应用创新。加快我国“人工智能+”进程，也要充分释放工程师文化的优势，加大软硬协同创新。当前，我国企业在推理模型、算法优化等工程化领域已取得显著突破，但这些创新成果因国产化认证标准多以“烟囱式架构”存在于各企业内部，导致整体产业仍面临高昂的部署和应用成本。同时，大企业习惯“私有化部署+项目定制”模式，限制应用创新空间，也带来了供应链弹性不足、技术迭代慢、规模效应弱等问题。
推动“人工智能+”的建议
1.从顶层设计营造“人工智能+”创新环境
回顾十年前，“互联网+”的蓬勃发展与2015年国务院发布的《关于积极推进“互联网+”行动的指导意见》的系统引导密不可分，这一顶层设计为数字经济腾飞提供了清晰框架和强劲动力。今天，“人工智能+”同样需要这样的国家战略引领，但面临的环境更为复杂——AI技术正处于爆发式迭代期，技术路径和应用形态存在巨大不确定性，今天的判断可能被明天的突破所颠覆。因此，不同于“互联网+”时代的明确路径规划，AI+的政策设计不应过早锁定技术方向，而应构建一个拥抱不确定性、鼓励多元探索、宽容失败的创新生态系统。
2.加快构建国产AI软硬件协同生态
一是支持国产芯片和大模型企业合力攻关，共同研发针对大模型优化的芯片和软件栈，构建开放生态；推动国产芯片厂商提供统一的算子库编程接口，支持国内外主流AI框架，提升技术服务和供应连续性，并接轨PyTorch、CUDA等国际先进技术和生态，降低应用迁移适配成本。
二是创造公平开放、多元发展的市场环境，鼓励营造国产软硬件厂商百花齐放的技术创新氛围，为用户提供多样化的产品选择，避免走单一路线，促进国内相关厂商在市场竞争环境下优胜劣汰。
三是优化国产算力支持政策，兼顾各类企业，按照全国统一大市场原则，构建发放算力补贴券的支持政策及实施机制，国家和地方在政策上形成合力，有效解决当前供需双方地域限制问题，使算力券补贴政策惠及更多企业。
3.以包容审慎态度推动AI应用繁荣
一是鼓励更多个人开发者和创业团队在AI搜索、AI编程、情感陪伴、智能体助手等领域的应用开发，支持大模型创业创新生态建设。
二是培育有利于长期投资的市场环境，引导国资创投和企业风投加大对大模型细分领域的投资力度，敢于“投小投早”支持各类初创企业发展。特别是针对模型工程化的各种工具和配套服务，可设立专项基金或投资项目加强支持，推动自研软件生态和工具链发展壮大，包括数据预处理工具、模型开发框架、微调环境和工具、自动化测试工具、加速推理框架等，共同加快大模型在千行百业的应用落地。
三是支持AI企业“走出去”参与全球市场竞争，并积极吸收美国在通用平台工具方面的成功经验，构建中国大模型应用的技术生态和标准。
4.多层次推动行业大模型应用可持续发展
一是系统构建数据要素市场。培育数据治理专业服务市场，提升数据AI就绪度；创新内容版权授权模式，平衡权利人收益与AI技术发展需求，从根本上破解制约AI发展的数据瓶颈；制定跨行业数据质量和格式规范，提升数据的可用性。
二是促进行业应用场景市场开放，鼓励大中小企业、产学研联合创新，扩展采用公有云方式部署AI应用范围，树立“云上AI”示范并推广。
三是突破市场分割和技术封闭问题，按照全国统一大市场原则，着力培育从基础模型到行业应用的完整生态链，使AI技术创新不再停留在实验室和小规模试点阶段，真正将科技创新与产业创新融合落到实处。
– End –
转载请注明：好奇网 » 所有人都在谈“人工智能+”，到底怎么落地？