AI产业下一个十年何处去？业内：大模型规模化落地依旧是挑战，四大难题待解

　　炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

（来源：每日经济新闻）

每经记者：可杨 每经编辑：陈俊杰

在实现通用人工智能这一宏伟目标牵引下，AI产业正迈向其发展的“下一个十年”。

不过，在模型能力持续提升的同时，产业落地的速度却并未同步前进。11月16日，在“2025人工智能+”大会上，多位业内人士表示，高昂成本、缺乏高质量行业数据、工程化能力不足以及对大模型能力边界认知的偏差，正成为制约AI规模化应用的四大结构性难题。

与此同时，从开源与商业化的平衡，到AI入口从云端向终端迁移，产业格局正在发生微妙变化。

规模化落地四大难题待解

当产业界尝试将大模型从实验室推向车间、办公室和街头巷尾时，规模化落地遇到的阻力远超预期。

“大模型（当前的）叙事逻辑对赋能千行百业不友好的地方在于，我们一直说规模法则，要把模型越做越大、越来越强，对应的结果是成本越来越高。”清华大学计算机系副教授、面壁智能联合创始人兼首席科学家刘知远在圆桌论坛上表示。

刘知远指出，叙事逻辑的不友好直接带来了大模型训练和使用成本的持续攀高。他认为，任何技术要对人类社会产生深远影响，都必须解决标准化和成本问题。正如芯片行业的摩尔定律，他所在的团队提出了大模型能力密度法则，即通过技术创新，让更少的参数承载更多的模型能力。“摩尔定律每18个月一个周期，使其密度加倍。我们会发现大模型可以做到每100天，也就是3.3个月至3.5个月左右，实现模型密度翻倍。”

当前，大模型训练和使用的高昂成本已成为行业无法回避的问题。云知声创始人兼首席执行官黄伟也提到，一个典型的场景是，客户虽然认可满血版的DsspSeek模型效果好，但高昂的成本让其无法使用，“客户要的是最终结果，不管用的哪个模型，我就这点预算，搞定我的问题”。

另一个被多次提到的结构性短板是高质量数据，尤其是行业语料的不足。“有数据不代表有语料。”阿里云智能集团副总裁霍嘉表示，很多行业依旧存在数据质量和数量不足，导致模型无法训练的问题。

北京数据集团副总经理、北京国际大数据交易所董事长李振军指出，人工智能发展以后，数据交易市场对模型训练数据的需求正快速增长，两年时间里，数据交易从零增长到已占到交易所交易量的三分之一。

李振军强调，AI应用深化的真正瓶颈在于数据准备工作。“（企业）生产经营过程中积累大量数据，但是没有AI需求的时候，数据分散在不同专业业务系统里边，没有以人工智能视角建成数据集，这个数据集建设其实刚刚起步”。

他认为，这项数据集建设工作，是AI技术与产业结合最关键的业务连接，可能需要两年时间才会找到比较好的路径。

工程化能力的不足正成为落地的“最后一公里”障碍。上海交通大学计算机科学与工程系特聘教授、思必驰公司联合创始人俞凯在论坛上强调，真正在产业上交付，必须解决三个核心问题：首先是要交付全系统、全链路；其次是软硬件结合；此外，大规模可定制——结合真实场景用大小模型、不同工具进行柔性、快速、大规模地定制同样重要。

与此同时，一个更底层的挑战是产业对大模型能力边界的认知偏差。“大模型今天在产业里边落地，其中一个问题还是对大模型能力认知的不足。”霍嘉描述了一个普遍现象：“往往是业务领导对大模型充满绝对信心，反而做技术的人对如何落地感到非常担忧。”

从实验室到产业链的生态重塑

从实验室的原始创新，到产业链的商业闭环，AI落地应用的原有的分工和逻辑正在被改写。

清华大学交叉信息研究院助理教授许华哲以具身智能为例，分析了当前创新生态中的三种不同角色。他指出，高校是人才密集度最高和最好想法的来源地，但也存在资源量不如企业的问题。企业则能投入大量的资源，在看清方向后进行大规模投入。

而新型研发机构则提供了第三种可能。许华哲认为，这类机构足够灵活，可以下决心做一件事，但是不一定追求ROI（投资回报率），能承担那些短期收益不高但长期意义重大的任务。

在商业模式上，开源与闭源的对立关系也开始松动。智谱华章董事长刘德兵在被问及如何平衡开源与商业化时表示：“这是相互共生的状态，不是相互抵触的。”

刘德兵认为，开源对人工智能行业的发展至关重要，能让千千万万有知识、有技术的各行各业人才共同贡献。从公司战略角度，开源带来的生态繁荣，最终会转化为商业用户。他透露，在开源架构的基础上，智谱的商业收益也在快速增长，“我们想象未来AI本身成为社会的基础设施，为各行各业赋能的时候，这里面蕴含着巨大的商业价值，可能是万亿级别的”。

在落地路径上，AI的入口正在从云端向终端迁移。阶跃星辰创始人兼首席执行官姜大昕提出了智能终端的定位，即“人、车、家”三大场景。他认为，智能终端将成为下一个人机交互的接口，而智能体是实现这一变革的关键。姜大昕认为，终端比场景更关键，因为它决定了AI应用的触点位置与使用频率。这种理解意味着，AI落地的竞争正从模型能力转向入口位置，而入口的争夺，也将从消费端延伸到产业端。

面对复杂的落地路径，什么才是真正有价值的AI？范式联合创始人、首席科学家、执行董事陈雨强认为，人工智能落地的关键是能够改变行业的北极星指标。换言之，AI不是用来提供附加功能，而是用来改善决策速度、生产效率、成本结构或质量稳定性等核心业务指标。