阿里雲資深技術專家羅凱發表演講。新華網 發
人工智能技術正加速推動産業變革。當前，AI浪潮從實驗室涌向産業一線，從技術突破走向場景落地。如何讓技術紅利惠及千行百業、賦能城市發展，成為時代賦予的核心命題。
2025年是“AI+”行動全面鋪開的一年，政策層面對“AI+”行動提供了強勁支持。2025年政府工作報告提出，持續推進“人工智能+”行動，將數字技術與製造優勢、市場優勢更好結合起來。國務院日前也印發《關於深入實施“人工智能+”行動的意見》，要求以科技、産業、消費、民生、治理、全球合作等領域為重點，深入實施“人工智能+”行動。
AI上半場：技術演進與理論奠基
作為新一輪科技革命和産業變革的重要驅動力量，人工智能無疑對全球經濟社會發展和人類文明進步産生了深遠影響。但回顧人工智能70餘年的發展歷程，其道路並非一帆風順，而是在迭代中不斷突破。
1956年達特茅斯會議上，美國學者約翰·麥卡錫等人首次提出“AI”概念，成為該領域的“誕生宣言”，其初衷是構建具備人類感知、認知、決策與執行能力的人工系統。
在早期發展階段，專家系統是人工智能的重要分支之一，其核心能力來源於領域知識，通過將知識固化為固定規則供機器執行。但由於這種模式無法適應複雜多變的現實場景，90年代初，隨着專家系統的衰退，AI領域進入“第二次寒冬”。
20世紀90年代中期以來，機器學習得到迅速發展並逐步取代傳統專家系統成為人工智能的主流核心技術，由此奠定了大模型發展的重要基礎。
從專家系統到機器學習，人工智能的核心概唸經歷了從基於規則推理到基於數據學習的根本轉變，但早期機器學習仍存在明顯局限，更像一個“偏科生”。例如，谷歌郵箱很早就將機器學習引入郵件系統，幫助用戶理解郵件內容並識別垃圾郵件，但同樣的模型卻難以處理語音信息。
而神經網絡的誕生，讓機器學習開始擁有“人造大腦”。這是一種模仿人類大腦的機器學習算法,能夠自動學習數據的特徵和規律,並對新的輸入數據進行預測和分類。其本質是深度學習算法通過構建深層神經網絡，學習數據的&&和特徵,進而解決更加複雜的問題。
大語言模型是一種基於深度學習架構的人工智能系統，專門設計用於理解和生成人類自然語言，其出現標誌着人工智能邁入全新發展階段。
從技術實現角度來看，現代大語言模型主要建立在Transformer架構基礎之上。2017年，谷歌研究團隊發表論文《Attention Is All You Need》，提出Transformer架構，奠定了當代大模型的理論基礎和基本框架。隨後，這些模型通過極其龐大的文本語料庫進行訓練，逐步掌握了語言的語法結構、語義關聯及常識推理能力。
但不可忽視的是，其發展仍存在兩個關鍵限制。首先，大模型的“大”體現在兩個維度：一是學習語料的量級龐大，二是模型自身的參數規模巨大。尺寸越大的模型，隨之帶來的訓練成本也越高。其次，大模型發展還受上下文窗口的限制，其大小也將直接影響模型的性能。
但總結來看，人工智能歷經70餘年跌宕發展，已完成從理論探索到技術爆發的跨越，完成了AI“上半場”的使命。進入“下半場”，核心目標是推動技術突破轉向落地賦能，將強大的模型能力落地到千行百業，讓AI真正做到服務社會，創造實際價值。
AI下半場：趨勢引領與産業賦能
步入AI“下半場”，以下四大核心趨勢值得重點關注：
第一大趨勢是大模型推理調用頻率與能源消耗將快速超越模型訓練階段。隨着大模型實用性提升與用戶規模擴大，模型使用環節的需求會呈指數級增長，此時能源需求的重心就會從模型訓練轉向模型使用。
第二大趨勢是行業發展重心已從訓練側轉向推理側。大模型的技術發展總體上遵循尺度定律,參數規模已從千億級拓展至萬億級，未來有望進一步擴大。
與此同時，行業也逐漸意識到，單純擴大模型尺寸與參數的路徑已逼近瓶頸。受心理學著作《思考，快與慢》 啟發，大模型引入“慢思考”模式，通過“思維鏈”拆解問題、分步推理，教會大模型“按步驟解題”，成功解決了長期困擾大模型的幻覺問題。但也要注意到，“慢思考”模式會消耗更多Token（詞元），進而增加算力與能源成本，疊加推理側需求的指數級增長，能源供需壓力也將持續加劇。
第三大趨勢是人們對AI的需求已從單純對話交互升級為解決現實問題。因此，AI智能體的落地進程亟待加速。日前，國務院印發的《關於深入實施“人工智能+”行動的意見》明確了我國實施“人工智能+”行動的階段性目標。到2027年，新一代智能終端、智能體等應用普及率超70%。因而，從“對話”到“行動”的轉變與升級必然要隨之加速。
第四大趨勢是多模態模型的快速發展。自然語言雖是人類智慧的結晶，卻僅為大自然奧秘的冰山一角。要認識到，語音、圖像、視頻、物理模型、世界模型等多模態數據，都是幫助AI更深入認知世界、融入生活、解決複雜問題的關鍵支撐。
在這四大趨勢的引領下，AI的價值正從數字世界向物理世界延伸，當前已在諸多真實應用場景中落地生根。除日常任務外，以智能駕駛、具身智能、低空經濟為代表的多條産業鏈正走向融合發展，實現AI與人類的深度協同互動，從而推動技術直接服務於現實生活。
對企業而言，當前國內企業普遍在積極探索與擁抱AI，在具體落地實踐過程中，可參考四步方法論：
第一步是識別，即精準定位業務場景中的痛點與潛在機會，並結合AI的核心優勢有針對性地加以運用。大模型全稱為大語言模型，其核心能力聚焦於語言相關及泛翻譯類任務，此處的“翻譯”並非僅指中英文互譯等傳統場景，還包括英文與Python代碼的轉換、文本總結等語言理解類任務，以及語音轉文字、文字轉語音、文生圖、圖生文等多模態轉換任務。因而，這類泛翻譯類場景，都可借助大模型原生能力快速落地，實現價值轉化。
第二步是定義，即在明確應用場景後，清晰界定AI落地的核心價值，並建立可量化的衡量標準與跟蹤指標。
第三步是快速推進落地執行，將前述規劃轉化為實際成果，避免停留在理論階段。
第四步是適配AI這一新型工具，重構生産關係與組織模式，推動AI數字人與人類員工實現高效協同互動，從而充分適配AI時代的企業發展需要。
AI時代的哲學思考：是否會取代人類
近年來，人工智能在全球範圍內取得了顯著進展。與此同時，“AI是否會取代人類”也成為大眾最關注的核心問題之一。
類比人腦來看，人類大腦歷經數百萬年自然選擇才進化至今，而AI這一“人造大腦”僅用70餘年的時間，便實現了從“爬行”到“奔跑”的跨越式發展，並且其發展明顯呈加速上升態勢，2023年起更是出現了顯著的增長拐點。
基於這一發展趨勢，業界也形成了兩種截然不同的觀點：以“AI教父”傑弗裏・辛頓為代表的陣營秉持悲觀態度，認為人類最終可能被自身創造的AI所取代；而以OpenAI首席執行官薩姆·奧特曼為代表的陣營則持樂觀立場，認為AI將大幅釋放人類精力，助力人們過上更高效愜意的生活。
關於這一問題的最終答案，目前尚無定論，但核心前提是做到“知己知彼”，既要充分認知AI的能力，也要清晰了解其局限性。
模型與人的最大區別之一在於，人類大腦具備持續學習能力，在日常交流與互動中可以不斷吸收新知識，並將其融入既有知識體系；而大模型的學習與使用過程完全分離，模型訓練完成後，其參數權重即固定，不會因後續使用而動態更新。
其次，二者能耗差異顯著。大腦驚人的處理能力僅需約20瓦的電力就能運轉，大致相當於點亮一盞普通燈泡所需的能量；而訓練GPT-4這類頂級模型的電力消耗則高達20-25兆瓦，是人腦能耗的100萬倍，由此可見，人腦的高效性仍無可比擬。
此外，關於AI是否具備共情能力、自主意識及創造力等長期命題，仍需在未來持續探索與解答。
但無論AI如何迭代發展，我們都應當堅定相信，AI絕不僅是征服星辰大海，更應該呵護人間煙火。期待AI能夠在千行百業中快速落地。
作者：羅凱（阿里雲資深技術專家）
