人工智能+与互联网+的差异 - 技术阶段不同 互联网+期间数字技术已步入成熟阶段 技术框架和应用模式相对稳定 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 [7] - 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 [8] - 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 [8] - 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 [8] - 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 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 [10] - 人工智能扩大人类的认知能力 自主能力足够强的AI将形成1+N人与AI互联协作的新范式 [10] - AI对生产力的效应呈阶跃式发展趋势 AI Agent任务完成能力每7个月翻一番 [11] - 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% [11] - 扩散路径不同 互联网遵循消费端到生产端的扩散路径 人工智能则更多遵循生产端到消费端的扩散路径 [12] - 海外近百家头部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% [12] - 人工智能+可能在某些特定行业呈现跃迁式进入 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 [13] 人工智能+的企业实践探索 - 应用牵引 优先选择数据充足 风险可控 可量化且可扩展复制的用例 快速验证AI的应用价值 [17] - 辉瑞公司将大模型的首个用例定位在为科学家赋能上 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% 药品从原型到最小可行产品的周期从数月缩短至数周 [17] - 模型实用 通过工程化构建生产级AI系统 采取提示工程 检索增强生成 微调等一种或多种方式组合 [18] - 大模型+知识库+检索增强生成是企业落地AI的最佳路径之一 [18] - 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 大幅降低AI技术应用门槛和沟通成本 [18] - 企业构建AI数据集的核心逻辑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 [19] - 数据标注公司Scale AI构建企业生成式AI应用平台 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 [19] - 算力云化 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 [20] - 西班牙石油公司Cepsa采用亚马逊AWS云计算服务 构建标准化MLOps架构 项目平均工期缩短25% 每年可节省约30万欧元成本 [20] 推动人工智能+的建议 - 从顶层设计营造人工智能+创新环境 构建拥抱不确定性 鼓励多元探索 宽容失败的创新生态系统 [22] - 以包容审慎态度推动AI应用繁荣 鼓励更多个人开发者和创业团队在AI搜索 AI编程等领域的应用开发 [23] - 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 [23] - 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 [24] - 多层次推动行业大模型应用可持续发展 系统构建数据要素市场 培育数据治理专业服务市场 [25] - 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 [25] - 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 [25]