產學醫媒四方會診：AI的價值是“有用”而非“萬能”

大模型，如何從“無所不能”走向“無處不在”？從科研、醫療到工業、金融，當人工智能（AI）的浪潮拍向千行百業的堤岸，我們迎來的，是生產力的真正革命，還是一場喧囂的泡沫？

7月28日，在中國信通院承辦的 WAIC 2025 “大模型智塑全球產業新秩序” 論壇上，來自上海人工智能實驗室、復旦大學附屬中山醫院、上海大學、第一財經等不同領域的實踐者，圍繞 AI 如何真正改變行業展開了坦誠交流。

對話中，嘉賓們的觀點交鋒，卻共同指向一個核心共識：AI落地的關鍵不在於模型參數的繼續膨脹，而在於對行業痛點的精準把握和對人的深刻理解。

例如，喬宇提出“模型落地需在通用性、專用性、經濟性中尋求平衡”、盧春來提出“AI醫療服務的對象首先是‘人’，其次才是‘疾病’”、曾丹提出“AI的應用將從‘單點替代’走向對業務流程的‘深度重塑’”、姚學潤提出“衡量一項 AI技術價值，其核心標準在於‘有用性’”……

從技術極客的算力競賽，到產業實踐的價值創造，人工智能的"下半場"已經開啓。更多關於AI如何重塑各行各業的深度洞察，請欣賞↓

回顧大模型再進階：突破、趨勢與與應用示範

主持人：中國信通院人工智能研究所-魏凱

**魏凱：**喬宇所帶領的團隊在國內AI領域取得了諸多開創性成就，尤其是書生系列大模型表現出色，並在“AI for Science”方向上實現了多項突破。

能否分享對過去一年 AI 整體發展的感受，尤其是在垂直領域的觀察與思考。

**喬宇：**過去一年間，圍繞大模型與通用AI ，確實發生了許多深刻的進展與變化。去年此時，業界主要討論的是垂直領域模型以及大模型的落地應用；如今回過頭看，可以清晰地看到兩個重要的突破。

一是模型能力的提升。去年我們常用高考成績來衡量大模型的能力，當時它在數學科目的表現大約只能達到一半的分數。然而，就在不久前，Google與DeepMind推出的最新模型在IMO 競賽中拿到35分，已經達到人類金牌選手的水平。這説明，在過去一年裏，伴隨“Test-Time Scaling”這類技術的發展，模型的推理能力得到了顯著提升。

二是智能體的應用成為一大亮點。從今天的報告中可以發現，幾乎每場演講都提到了智能體及其落地場景。智能體通過構建工作流、結合規劃和反思、藉助計劃與工具調用等方式，使得許多複雜的任務更加容易實現。

基於這些背景，相關實驗室應注重基礎創新，重點面向未來AI的兩個關鍵發展方向：一是不斷提升“智商”，讓模型具有更高的認知與推理能力；二是賦予模型類似科學家一般的知識發現力。

為此，我們於26號在同一會場發佈了全球領先的多模態科學大模型。同時，我們基於該模型打造了科學發現平台，整合數據、工具、智能體和算力資源，讓科學家能夠更直觀、便捷地使用，提高效率、降低學習成本。這些成果也讓我們對未來充滿期待。

魏凱：盧醫生，作為資深胸外科專家，您帶領團隊開發了“終節者”AI小程序，旨在識別與處理肺結節。身處繁忙的一線醫療工作，出於何種考量選擇開發這一AI應用？在實際使用過程中有哪些體會與經驗，能否加以分享？

圖注：盧春來醫生主導開發的基於AI語言大模型的肺結節風險評估小程序“終節者”，入選《2025年“人工智能+”行業標杆案例薈萃》

**盧春來：**近年來，低劑量螺旋CT在常規體檢中的廣泛使用，使更多肺部小結節被檢出，但臨牀觀察表明，大部分此類結節並不嚴重，只要少數為高危病變或早期肺癌。然而，許多患者在拿到體檢報告後往往因缺乏判斷依據而陷入緊張和焦慮。

基於此背景，“終節者”AI 小程序應運而生，用於初步識別並評估肺部小結節的風險。其核心思路是依託CT報告中關於結節關鍵特徵的描述，對低危結節給予相應提示，從而幫助患者在非就診時間也能得到一定程度的專業指導，減少不必要的恐慌與就醫成本。

“終節者”的特點在於將應用場景更多地轉向患者端，而非僅在醫療機構內部使用。通過抓取報告文本的關鍵詞，實現對潛在風險的自動判斷，並給出後續隨訪建議，既能提高醫療資源的利用效率，也能為患者提供及時且相對安心的參考意見。

**魏凱：**非常有温度的項目。它什麼時候能夠上線，以及會不會出現誤診？

復旦大學附屬中山醫院胸外科副主任醫師-盧春來

**盧春來：**在臨牀診斷中，最需要避免的是將陽性結果錯誤判定為陰性。誤診可分為假陽性和假陰性兩種情況：前者是將陰性結果判定為陽性，後者則會帶來更為嚴重的後果。若陽性結果被誤判為陰性，患者便有可能因為未及時就診而耽誤治療。正因如此，我們要調整閾值，使診斷更加嚴格。此外，AI 模型還需關注報告中可能出現的描述誤差。

基於這些考慮，我們在通過倫理審查並獲得知情同意後，選擇了多個醫院的500例患者樣本，正開展一系列臨牀研究以精準評估診斷結果的準確性。所以，目前小程序還在測試階段，還需要一段時間才能完成病例入組，並得到初步的測試結果。

**魏凱：**接下來轉向工業領域。曾丹老師在工業智能化方面造詣頗深，且研發了“智能眼”系統。能否簡要分享一下在利用AI解決工業問題時的主要心得和經驗？

**曾丹：**中國是全球最大的製造業大國，正經歷深刻變革，AI 在其中發揮着至關重要的作用。過去五到八年間成立了許多相關公司，並已經成功上市。這些企業普遍財務表現優異，淨利潤和毛利率都相當可觀，充分證明了AI在工業智能化領域的實際成效。

我們團隊專注於利用視覺技術實現工業檢測與優化，從而高效、精準、低成本地分析產線、產品與整體環境，並推動工藝改進乃至整體制造流程的優化，從而有效提升質量、效率並降低成本。

實踐中也發現，在更換產品或產線時，傳統方法往往需要重新採集數據，模型適應性仍然不足。對此，我們正在重點深耕冶金和3C等領域，目前也積累了大量視覺算法模塊，正形成系統化的解決方案，從而實現不同產品、產線和場景的快速切換與部署。此外，相關技術還逐步拓展到了航天在軌服務等新興應用場景。

（編者注：所謂3C，是將計算機（Computer）、通訊（Communication）和消費電子產品（Consumer Electronic）三類電子產品的簡稱。）

**魏凱：**視覺在AI領域中歷史悠久，尤其在工業場景下，視覺檢測的應用已持續多年。近年來技術發展是否出現新的變化？基礎模型（Foundation Model）或大模型是否為工業視覺檢測帶來了更高的效率和準確性？

上海大學通信與信息工程學院通信工程系主任-曾丹

曾丹：大模型確實帶來一些改變。以視覺測量和缺陷檢測為例。

在視覺測量領域，大模型更像加速器，還無法全面替代傳統方法。邊緣化或週期性測量任務，以及機械裝備上的即時測量與反饋控制，依舊主要採用輕量化的小模型。然而，當對大規模數據進行分析，或在工廠業務流程和工藝優化中提供數據支撐時，大模型能發揮較大作用，為相關場景提供底層支撐。

在缺陷檢測方面，最初常使用小模型進行檢測。隨着語言類大模型逐漸納入專家知識、領域知識以及跨領域的常識，其性能在小規模任務上也得到顯著提升。對此可先依託大模型進行知識融合與訓練，再經由剪裁將其變成中等或小規模的模型，既能兼顧靈活性和高性能，也能更好地適應工業具體應用場景。

**魏凱：**第一財經開發了”星翼大模型“，正在為媒體行業帶來生產力的升級和改造。姚總能否介紹下？

**姚學潤：**第一財經在大模型領域的投入，是基於深刻的技術洞察與前瞻性的市場需求。從個人層面而言，我早年投身BP神經網絡反饋研究，對大模型技術始終抱有濃厚興趣。更重要的是，這符合第一財經的戰略佈局，旨在響應不斷演進的市場需求。自2023年起，我們便已積極投身大模型技術探索，從2023年基於開源模型Llama2到2024年5月起基於DeepSeek V2，積累了豐富的實踐經驗。

星翼1.0模型於2024年7月正式發佈，使我們成為國內媒體領域較早探索大模型技術的先行者之一。去年年底，第一財經的大模型拆條功能在中宣部領導對於我們的一次重要調研中受到關注。該功能通過AI大模型，實現會議內容在結束後迅速整理成短片並完成包裝發佈。今年1月，上海市新聞辦已將此功能納入新聞發佈流程，相較於過去需要四五個小時的人工剪輯和審報比流程，現在能夠在極短的時間內完成生成與發佈，大幅提升了工作效率。

未來，針對財經領域的專業化需求，我們計劃在今年年底前發佈星翼4.0版本，並同步推出兩款深度聚焦財經應用場景的智能體。

推動行業AI深度應用：經驗、模式與可參考樣板

**魏凱：**下面，能否結合自身的實踐，談談在推動本行業AI深度應用的過程中，有哪些值得分享的經驗、模式或方法，是否有可供參考的套路？

上海人工智能實驗室領軍科學家、上海創智學院副院長-喬宇

**喬宇：**我先拋磚引玉。模型或未來智能體的落地需要在三個因素之間找到平衡：通用性、專用性和經濟性。

通用性是基礎，指模型是否具備像人類一樣通用處理開放複雜任務的能力。目前，AI的應用還比較侷限，多為點狀應用，缺乏跨場景的通用能力。雖然大模型通過增加參數和訓練數據可以提升性能，但也帶來了巨大的成本問題。

專用性則關注AI是否能在某些任務中達到甚至超越專業水準。例如，醫療領域中，AI的判斷能否達到臨牀醫師、主任醫師甚至教授級別的水平，這非常重要。然而，通用性和專用性之間往往存在一定的互斥性。走大模型路線雖然提升了通用性，但專業性可能不足，甚至出現幻覺問題。

此外，還有經濟性，即技術落地時能否真正幫助用户提升效率、降低成本。這三者既相互關聯，又存在矛盾，需要在落地時找到一個合理的平衡點。

在這樣的背景下，我們提出了‘通專融合’的路線，將通用性與專用性有效結合。目前，美國研究機構依舊採取“大力出奇跡”的做法，甚至動用數十萬張GPU的算力進行訓練，以期在超大模型中獲得專業性湧現，但這種方式的研發成本極高。Llama4、GPT4.5等大模型的研發也表明，通過規模不斷擴張確實可以提升專業性，但投入同樣巨大。

**魏凱：**在科研模型方面，許多專家正探索在分子或材料等領域打造通用的基礎模型（Foundation Model），希望能在某個垂直賽道上解決更普遍的問題。然而，這類模型並不能通過語言模型的訓練和微調直接獲得，目前該路徑仍在探索中。

以AlphaFold為例，它不僅用於蛋白質結構預測，還逐步拓展到其他相關領域。我們是否也能觀察到類似的 AI for Science 模型，在垂直行業中展現出這樣的應用潛力？

**喬宇：在 AI For Science 領域的研究中，已有一些基於基礎模型的成果。**然而，這一領域也面臨新的挑戰。

第一，科學研究中需要處理的對象應視為新的模態引入，例如分子結構、譜學測量數據以及各種結構化信息（如圖表等），必須確保模型能夠有效處理這些複雜內容。

第二，與通用的大語言模型相比，科學研究對知識的完備性和嚴謹性提出了更高的要求。科學研究不能停留於模糊或不準確的認知，必須建立在紮實可靠的知識基礎上。這對現有模型的應用提出了更高的標準。

第三，未來的科學模型不僅需要記錄和提取知識，也應如科學家般具備深度思維能力。這種“科學家思維”包含多個維度，其中推理能力是科學範式的核心之一。此外，還包括想象力、抽象能力以及直覺，這些能力在科學發現中起到重要作用。顯然，何在模型中培養這些特質是一個重要而艱鉅的任務。

儘管這些挑戰巨大，但解決這些問題的核心仍在於計算能力和經驗積累。人類通過長期的生產、生活和科學實踐總結的經驗，已為實現這些目標提供了基礎條件。因此，儘管難度不小，但未來的模型、AI系統和智能體有望在一定程度上具備這些能力，推動科學研究邁向新的高度。

**魏凱：**盧醫生，在開發小程序的過程中，有哪些值得借鑑的經驗，你是如何找到切入點的？

盧春來： 目前AI在臨牀中的主要應用包括大語言模型和多模態模型。在我的領域，使用最多的是影像學AI，尤其是用於檢測小結節的工具。這類AI大幅提升了工作效率。過去我們需要逐幀查看CT影像，耗時且費力，而現在AI可以快速識別並標註結節，讓我們只需複核即可，大大提高了效率和準確性。

要開發一款實用的醫療AI應用，需要關注兩點：患者最需要什麼，以及醫生最需要什麼。醫生既瞭解患者的需求，也清楚自身工作的痛點。因此，在開發前建議多與醫生溝通，尤其在細分領域，可以與多位醫生交流，獲取更全面的建議。同時，也可以從患者角度出發，通過調研瞭解他們的實際需求。

以我的經驗為例，在開發“終節者”項目前，我向患者諮詢過他們的看法。如果反饋積極，我會繼續推進；如果意義不大，就不會嘗試。只有充分結合患者和醫生的需求，才能開發出真正有價值、易於落地的醫療AI工具。

**魏凱：**這也提醒我們所有人，要從身邊的小需求開始嘗試。

曾教授您有什麼經驗可以分享？

**曾丹：**在工業AI的應用實踐中，一個普遍存在的核心挑戰源於數據層面。具體而言，工業場景下的數據呈現出三大顯著特徵：樣本稀疏、分佈離散、以及採集窗口受限。

首先，有效樣本的稀缺性是常態。以鋼鐵行業的表面缺陷檢測為例，一條高品質鋼產線可能連續數日才生產出一件帶有特定缺陷的鋼板。若遵循傳統方法，為訓練一個模型而收集上千個缺陷樣本，將耗費極長的時間週期，這在追求高效生產的工業環境中幾乎不被允許。因此，模型必須具備出色的小樣本學習能力。

其次，數據孤島現象嚴重。不同工廠、不同產線之間的數據通常互不聯通，形成稀疏且分散的數據格局，這為構建普適性強的模型帶來了巨大障礙。

針對以上挑戰，可以從以下三個層面探索整合性的解決方案：

第一，立足於垂直領域的深度數據積累。 這是一項基礎性工作，需要在特定行業內進行長期的深耕。以表面缺陷檢測為例，關鍵在於積累“高質量”數據。高質量不僅指圖像本身，更重要的是包含了與缺陷形成相關的多維度信息，例如缺陷與產品材質、生產工藝等因素的關聯知識。

第二，應用大模型輔助數據生成（AIGC）。 將海量的專家知識、行業常識乃至基礎的幾何學知識注入大模型，可以指導模型生成多樣性更強、質量可控的合成樣本。這種基於知識驅動的AIGC技術，能夠有效緩解原始數據不足的問題。

第三，採用分佈式學習框架應對數據離散問題。 面對數據分佈在不同用户、不同廠區的現實，可以利用多模態預訓練模型，並結合聯邦學習或分佈式預訓練等技術。這些方法能夠在保護數據隱私和所有權的前提下，實現跨主體、跨場景的協同模型訓練。

過去幾年，這些策略顯著提高了效率。如今，面對新廠商、新產線或新產品，僅需6張樣本圖即可快速上線模型。這正是得益於知識驅動的大模型AIGC技術與先進訓練方法的結合。

魏凱**：姚總有哪些經驗可以分享？**

第一財經副總經理、首席技術官-姚學潤

**姚學潤：**衡量一項AI技術的真正價值，其核心標準在於“有用”。任何技術或產品，唯有在實際應用中被驗證能有效解決問題並創造實質價值，方能彰顯其深層意義。

以我們推出的“智享會員”服務為例，這正是AI與人類專家智慧深度融合的典範。該服務中的核心AI功能主要體現在“速讀”與“智解”兩大維度：“速讀” 旨在幫助用户從海量的財經市場信息中，精準識別並即時推送每日最關鍵、最具影響力的財經資訊；則當系統判斷某條資訊具有關鍵重要性時，“智解”會進一步為用户提供全局性的深度解析，闡明其內在價值與潛在影響。其底層財經模型，通過揭示事件的橫向關聯與縱向演變，為用户的決策提供精確且富有洞察力的參考。這兩項功能推向市場後，其“有用”得到了直接的數據驗證。在“智享會員”的使用反饋中，由AI驅動的這兩項功能，其日均使用頻率比傳統人工提供的功能高出2.34倍，在特定場景下，這一數據甚至能超越5倍。

從價值創造的角度審視，這套AI系統為個人投資者所提供的支持，相當於一支由兩名專業助理組成的智囊團隊：一人負責從海量信息中精準篩選並標記重點（“速讀”）；另一人則深入分析，評估該信息對既有投資模型可能產生的波動區間（“智解”），最終將精煉的信息與分析結論一併呈遞給決策者。

破解關鍵痛點：安全、可信與AI應用的再升級

**魏凱：**最後一個問題，在各自的實踐中，當前所面臨的最核心、最關鍵的痛點或挑戰是什麼？

作為本次會議的舉辦方，中國信息通信研究院（信通院）是國家在信息通信領域的智庫以及行業發展平台。近期，信通院在工業和信息化部的指導下，牽頭成立了工信部首個人工智能行業標準化委員會，在世界人工智能大會上，為了彰顯中國企業的責任與擔當，牽頭髮布《中國人工智能安全承諾框架》並積極推動落實；同時，也在主動採取多種手段，致力於破解AI在應用落地中的各種障礙。

期待各位嘉賓能結合實踐中的痛點，為信通院未來的工作以及更廣泛的行業協作提供寶貴的建議。

**喬宇：**AI的未來發展面臨諸多挑戰。要實現通用人工智能（AGI），技術層面尚需2至3個如同Transformer級別的基石性突破。

此外，一個尤其需要強調的議題是AI的安全與可信。業界即將面對的，是一個在特定維度上超越人類能力的模型或智能體。Hinton曾説過，這種新興智能體如同被圈養的幼虎，其當前階段或許表現温順，但其最終將演變成何種形態，充滿了未知與不確定性。

因此，對安全與可信的重視刻不容緩。圍繞這一核心，構建科學的評測體系與行業標準，是亟待建立和發展的基石。這不僅是技術問題，更關乎整個產業生態的健康發展。

上海人工智能實驗室非常願意與信通院在現有合作基礎上，進一步深化協作，共同推動相關工作的進展。

**盧春來：**在醫療這一特殊領域，AI技術的應用與發展面臨兩大核心議題。

第一，是應用的“精準性”。 無論是在CT影像上輔助識別微小結節，還是在手術中應用機器人進行輔助診療，精準都是首要且不容妥協的要求。醫療行為，尤其是外科手術，通常只有一次機會，直接關係到患者的生命安全。因此，任何一項AI技術，如果其準確度無法超越或至少媲美現有成熟的傳統診療手段，那麼它將難以被臨牀醫生採納和信任。

第二，是不可或缺的“人文關懷”。 醫療服務的對象首先是“人”，其次才是其所承載的“疾病”。若一味地關注疾病本身而忽略了患者作為一個完整的人，便有悖於醫學的初衷。在診療過程中，傳遞情感支持與共情，即所謂的“情緒價值”，至關重要。

**魏凱：**是的，推動科技倫理在AI領域的全面落地，是一項至關重要的工作。信通院也在支持各個部委把科技倫理的原則，貫穿於AI研發與應用的全生命週期。

在工業領域，AI會帶來哪些根本性的改變？

**曾丹：**在工業領域，AI的應用正面臨着一場深刻的變革。當前，大模型（尤其是傳統計算機視覺模型）的應用多以“單點替代”的形式存在，即對生產環節中的某個節點進行技術升級或替換。

然而，未來的趨勢在於，AI將不再侷限於單點優化，而是要深度融入並重塑整個業務流程。

以新材料的研發與製備領域為例，要滿足下一代材料的要求，就必須對現有製造流程進行根本性的重塑。傳統的流程是“生產後檢測”，再依據檢測結果反饋並調整生產參數。而未來的模式則必然是“邊生產邊檢測”的即時閉環系統。

所以，無論是製備流程還是其他行業的業務流程，都需要智能融入並重塑，這正是工業領域的必經之路。我們正在積極探索。

**魏凱：**希望一起合作。信通院擁有非常優質的平台資源，比如華東院以及院內的人工智能產業聯盟。目前，我們在全國各地都在推進AI賦能新型工業化的工具對接活動，期待共同推動產業發展。

**姚學潤：**在AI產業的蓬勃發展中，我們必須高度關注需求端與供給端的協調發展。政策的扶持重心，可以更傾向於供給側，市場需求可以由作為市場主體的企業自主挖掘、創造。

一個值得我們深思的現象是：在GPT-3.0問世之前，以清華大學相關團隊（如智譜AI）為代表的中國頂尖高校團隊，在全球AI基礎研究領域曾處於領先地位，這些頂尖人才中的一部分最終選擇前往海外深造。

另一方面，從當前人才供給的現實來看，大量高校畢業生在進入一線AI企業後，往往難以即刻適應崗位需求，企業仍需投入額外資源進行二次培訓。

針對這一系列問題，一個可行的策略是：進一步深化產教融合，鼓勵並促成大三或大四階段的學生，進入具備雄厚實力的行業龍頭企業進行長期、深度的實習。 這種模式將帶來雙重益處。對於學生而言，能夠讓他們直面產業前沿，深入瞭解最先進的技術與真實的業務需求，從而彌合理論與實踐之間的差距；對於企業而言，這提供了一個絕佳的平台，能夠在實踐中早期發現並鎖定未來的核心人才，實現人才的有效培養與戰略儲備。

從根本上説，只有當供給端，即人才、核心技術等要素，達到足夠豐富且高質量的水平時，需求端，即企業與市場，才能通過充分的自由競爭機制，產生最優化的結果，進而推動整個AI產業的持續健康發展。