AI 发展挑战与发展路径

AI发展观点与趋势总结

AI顶流专家观点

• 田渊栋（前Meta AI科学家）观点：

  • 对Meta困境已有预见，提前获得其他公司offer。
  • Scaling Law悲观：后期训练需指数级数据，资源消耗巨大。
  • 思维链影响：可提升模型效果，减少所需样本量。
  • 大模型路线：路线不确定性高（图灵奖得主Yann Le Cun认为LLM非AGI好路线）。
  • 人才趋势：工程能力更强者更吃香，模型训练工作减少。
  • 未来就业：AI发展可能导致普遍失业。
  • AGI时间：需数十年，无洞察能力不算AGI。
  • 开源与闭源：仅为公司策略选择，无绝对优劣。

• 硅谷AI峰会关于Agent的观点：

  • 下一轮AI：从工具转向成果（按收益付费）。
  • Agent能力：从“能用”到“能干完”。
  • 创业窗口缩短：单人独角兽模式。
  • Agent经济浮现：成为经济参与者。

大模型发展概况

• 主导形态：Agent。
• 数据挑战：千亿级LLM用于提升效率、人机交互、内容生成、AI编程等。
• 技术与社会挑战：幻觉、推理能力不足。
• 三大隐喻：
  • DeepSeek打破预训练算力神话，降低大模型门槛。
  • 完全开源建立透明演进规则。
  • 近零门槛私有部署。
  • 深度思考与思维链提升可解释性。
  • AI应用拐点到来（类似2010年代Mobile Apps）。
  • 华人工程师主导Agent开发。
  • 行业私域数据成为AI应用护城河。

Agent-智能体经济

• 延伸与跃迁信息化与移动互联网时代。
• Agent形态与数据需求：
  • 数字内容创造：游戏、娱乐、情感、创意、幻觉友好。
  • 中短期依赖Data+AI的数据飞轮。
  • 软件范式变化：功能实现→数据驱动→知识进化+决策闭环→认知创造。

Agent可能性

• 数据+大模型超越人类老师傅的场景分析。
• 企业知识库场景的数据库技术需求。

AI+金融应用

• 生成类场景：落地较多（如BondGPT、BloombergGPT）。
• 决策类场景：落地难度大（容错性低、责任大）。
• 应用场景：
  • 高频业务：债券问题解答、报告生成。
  • 营销、风控、舆情管理、智能投顾、投研、理赔、客服。
• 落地挑战：安全性、合规性、准确性等要求高。

大模型商业化心得

• 大模型本质：有损与无损压缩。
• 垂直vs通用大模型。
• 知识库（RAG）vs工作流。
• 准确率、幻觉、测试集建立。
• 落地谨慎：超一周场景需慎重。
• 工程化角度：IM对接与流量入口。
• 落地路径：个人→部门→跨部门。
• 大模型局限：高合规、高确定性、高性能等。

2025年中国企业级AI商业化8大洞察

1. 规模化探索期：超七成企业部署AI模块，从概念验证转向生产力落地。
2. SaaS主导但AI原生商业化率更高：AI原生厂商收入闭环更强。
3. 收费模式分化：SaaS订阅+增值，AI原生效果付费。
4. 需求端挑战：碎片化需求与付费意愿不足。
5. 行业深耕：向垂直领域渗透（制造、金融等）。
6. 商业化路径分层：工具型普及vs行业型突破。
7. 大模型生态融合：外部调用主流化，本土模型崛起。
8. 研发投入加码：企业计划2026年增加AI预算（模型优化、数据标注）。