产学医媒四方会诊：AI的价值是“有用”而非“万能”

大模型，如何从“无所不能”走向“无处不在”？从科研、医疗到工业、金融，当人工智能（AI）的浪潮拍向千行百业的堤岸，我们迎来的，是生产力的真正革命，还是一场喧嚣的泡沫？

7月28日，在中国信通院承办的 WAIC 2025 “大模型智塑全球产业新秩序” 论坛上，来自上海人工智能实验室、复旦大学附属中山医院、上海大学、第一财经等不同领域的实践者，围绕 AI 如何真正改变行业展开了坦诚交流。

对话中，嘉宾们的观点交锋，却共同指向一个核心共识：AI落地的关键不在于模型参数的继续膨胀，而在于对行业痛点的精准把握和对人的深刻理解。

例如，乔宇提出“模型落地需在通用性、专用性、经济性中寻求平衡”、卢春来提出“AI医疗服务的对象首先是‘人’，其次才是‘疾病’”、曾丹提出“AI的应用将从‘单点替代’走向对业务流程的‘深度重塑’”、姚学润提出“衡量一项 AI技术价值，其核心标准在于‘有用性’”……

从技术极客的算力竞赛，到产业实践的价值创造，人工智能的"下半场"已经开启。更多关于AI如何重塑各行各业的深度洞察，请欣赏↓

回顾大模型再进阶：突破、趋势与与应用示范

主持人：中国信通院人工智能研究所-魏凯

**魏凯：**乔宇所带领的团队在国内AI领域取得了诸多开创性成就，尤其是书生系列大模型表现出色，并在“AI for Science”方向上实现了多项突破。

能否分享对过去一年 AI 整体发展的感受，尤其是在垂直领域的观察与思考。

**乔宇：**过去一年间，围绕大模型与通用AI ，确实发生了许多深刻的进展与变化。去年此时，业界主要讨论的是垂直领域模型以及大模型的落地应用；如今回过头看，可以清晰地看到两个重要的突破。

一是模型能力的提升。去年我们常用高考成绩来衡量大模型的能力，当时它在数学科目的表现大约只能达到一半的分数。然而，就在不久前，Google与DeepMind推出的最新模型在IMO 竞赛中拿到35分，已经达到人类金牌选手的水平。这说明，在过去一年里，伴随“Test-Time Scaling”这类技术的发展，模型的推理能力得到了显著提升。

二是智能体的应用成为一大亮点。从今天的报告中可以发现，几乎每场演讲都提到了智能体及其落地场景。智能体通过构建工作流、结合规划和反思、借助计划与工具调用等方式，使得许多复杂的任务更加容易实现。

基于这些背景，相关实验室应注重基础创新，重点面向未来AI的两个关键发展方向：一是不断提升“智商”，让模型具有更高的认知与推理能力；二是赋予模型类似科学家一般的知识发现力。

为此，我们于26号在同一会场发布了全球领先的多模态科学大模型。同时，我们基于该模型打造了科学发现平台，整合数据、工具、智能体和算力资源，让科学家能够更直观、便捷地使用，提高效率、降低学习成本。这些成果也让我们对未来充满期待。

魏凯：卢医生，作为资深胸外科专家，您带领团队开发了“终节者”AI小程序，旨在识别与处理肺结节。身处繁忙的一线医疗工作，出于何种考量选择开发这一AI应用？在实际使用过程中有哪些体会与经验，能否加以分享？

图注：卢春来医生主导开发的基于AI语言大模型的肺结节风险评估小程序“终节者”，入选《2025年“人工智能+”行业标杆案例荟萃》

**卢春来：**近年来，低剂量螺旋CT在常规体检中的广泛使用，使更多肺部小结节被检出，但临床观察表明，大部分此类结节并不严重，只要少数为高危病变或早期肺癌。然而，许多患者在拿到体检报告后往往因缺乏判断依据而陷入紧张和焦虑。

基于此背景，“终节者”AI 小程序应运而生，用于初步识别并评估肺部小结节的风险。其核心思路是依托CT报告中关于结节关键特征的描述，对低危结节给予相应提示，从而帮助患者在非就诊时间也能得到一定程度的专业指导，减少不必要的恐慌与就医成本。

“终节者”的特点在于将应用场景更多地转向患者端，而非仅在医疗机构内部使用。通过抓取报告文本的关键词，实现对潜在风险的自动判断，并给出后续随访建议，既能提高医疗资源的利用效率，也能为患者提供及时且相对安心的参考意见。

**魏凯：**非常有温度的项目。它什么时候能够上线，以及会不会出现误诊？

复旦大学附属中山医院胸外科副主任医师-卢春来

**卢春来：**在临床诊断中，最需要避免的是将阳性结果错误判定为阴性。误诊可分为假阳性和假阴性两种情况：前者是将阴性结果判定为阳性，后者则会带来更为严重的后果。若阳性结果被误判为阴性，患者便有可能因为未及时就诊而耽误治疗。正因如此，我们要调整阈值，使诊断更加严格。此外，AI 模型还需关注报告中可能出现的描述误差。

基于这些考虑，我们在通过伦理审查并获得知情同意后，选择了多个医院的500例患者样本，正开展一系列临床研究以精准评估诊断结果的准确性。所以，目前小程序还在测试阶段，还需要一段时间才能完成病例入组，并得到初步的测试结果。

**魏凯：**接下来转向工业领域。曾丹老师在工业智能化方面造诣颇深，且研发了“智能眼”系统。能否简要分享一下在利用AI解决工业问题时的主要心得和经验？

**曾丹：**中国是全球最大的制造业大国，正经历深刻变革，AI 在其中发挥着至关重要的作用。过去五到八年间成立了许多相关公司，并已经成功上市。这些企业普遍财务表现优异，净利润和毛利率都相当可观，充分证明了AI在工业智能化领域的实际成效。

我们团队专注于利用视觉技术实现工业检测与优化，从而高效、精准、低成本地分析产线、产品与整体环境，并推动工艺改进乃至整体制造流程的优化，从而有效提升质量、效率并降低成本。

实践中也发现，在更换产品或产线时，传统方法往往需要重新采集数据，模型适应性仍然不足。对此，我们正在重点深耕冶金和3C等领域，目前也积累了大量视觉算法模块，正形成系统化的解决方案，从而实现不同产品、产线和场景的快速切换与部署。此外，相关技术还逐步拓展到了航天在轨服务等新兴应用场景。

（编者注：所谓3C，是将计算机（Computer）、通讯（Communication）和消费电子产品（Consumer Electronic）三类电子产品的简称。）

**魏凯：**视觉在AI领域中历史悠久，尤其在工业场景下，视觉检测的应用已持续多年。近年来技术发展是否出现新的变化？基础模型（Foundation Model）或大模型是否为工业视觉检测带来了更高的效率和准确性？

上海大学通信与信息工程学院通信工程系主任-曾丹

曾丹：大模型确实带来一些改变。以视觉测量和缺陷检测为例。

在视觉测量领域，大模型更像加速器，还无法全面替代传统方法。边缘化或周期性测量任务，以及机械装备上的实时测量与反馈控制，依旧主要采用轻量化的小模型。然而，当对大规模数据进行分析，或在工厂业务流程和工艺优化中提供数据支撑时，大模型能发挥较大作用，为相关场景提供底层支撑。

在缺陷检测方面，最初常使用小模型进行检测。随着语言类大模型逐渐纳入专家知识、领域知识以及跨领域的常识，其性能在小规模任务上也得到显著提升。对此可先依托大模型进行知识融合与训练，再经由剪裁将其变成中等或小规模的模型，既能兼顾灵活性和高性能，也能更好地适应工业具体应用场景。

**魏凯：**第一财经开发了”星翼大模型“，正在为媒体行业带来生产力的升级和改造。姚总能否介绍下？

**姚学润：**第一财经在大模型领域的投入，是基于深刻的技术洞察与前瞻性的市场需求。从个人层面而言，我早年投身BP神经网络反馈研究，对大模型技术始终抱有浓厚兴趣。更重要的是，这符合第一财经的战略布局，旨在响应不断演进的市场需求。自2023年起，我们便已积极投身大模型技术探索，从2023年基于开源模型Llama2到2024年5月起基于DeepSeek V2，积累了丰富的实践经验。

星翼1.0模型于2024年7月正式发布，使我们成为国内媒体领域较早探索大模型技术的先行者之一。去年年底，第一财经的大模型拆条功能在中宣部领导对于我们的一次重要调研中受到关注。该功能通过AI大模型，实现会议内容在结束后迅速整理成短片并完成包装发布。今年1月，上海市新闻办已将此功能纳入新闻发布流程，相较于过去需要四五个小时的人工剪辑和审报比流程，现在能够在极短的时间内完成生成与发布，大幅提升了工作效率。

未来，针对财经领域的专业化需求，我们计划在今年年底前发布星翼4.0版本，并同步推出两款深度聚焦财经应用场景的智能体。

推动行业AI深度应用：经验、模式与可参考样板

**魏凯：**下面，能否结合自身的实践，谈谈在推动本行业AI深度应用的过程中，有哪些值得分享的经验、模式或方法，是否有可供参考的套路？

上海人工智能实验室领军科学家、上海创智学院副院长-乔宇

**乔宇：**我先抛砖引玉。模型或未来智能体的落地需要在三个因素之间找到平衡：通用性、专用性和经济性。

通用性是基础，指模型是否具备像人类一样通用处理开放复杂任务的能力。目前，AI的应用还比较局限，多为点状应用，缺乏跨场景的通用能力。虽然大模型通过增加参数和训练数据可以提升性能，但也带来了巨大的成本问题。

专用性则关注AI是否能在某些任务中达到甚至超越专业水准。例如，医疗领域中，AI的判断能否达到临床医师、主任医师甚至教授级别的水平，这非常重要。然而，通用性和专用性之间往往存在一定的互斥性。走大模型路线虽然提升了通用性，但专业性可能不足，甚至出现幻觉问题。

此外，还有经济性，即技术落地时能否真正帮助用户提升效率、降低成本。这三者既相互关联，又存在矛盾，需要在落地时找到一个合理的平衡点。

在这样的背景下，我们提出了‘通专融合’的路线，将通用性与专用性有效结合。目前，美国研究机构依旧采取“大力出奇迹”的做法，甚至动用数十万张GPU的算力进行训练，以期在超大模型中获得专业性涌现，但这种方式的研发成本极高。Llama4、GPT4.5等大模型的研发也表明，通过规模不断扩张确实可以提升专业性，但投入同样巨大。

**魏凯：**在科研模型方面，许多专家正探索在分子或材料等领域打造通用的基础模型（Foundation Model），希望能在某个垂直赛道上解决更普遍的问题。然而，这类模型并不能通过语言模型的训练和微调直接获得，目前该路径仍在探索中。

以AlphaFold为例，它不仅用于蛋白质结构预测，还逐步拓展到其他相关领域。我们是否也能观察到类似的 AI for Science 模型，在垂直行业中展现出这样的应用潜力？

**乔宇：在 AI For Science 领域的研究中，已有一些基于基础模型的成果。**然而，这一领域也面临新的挑战。

第一，科学研究中需要处理的对象应视为新的模态引入，例如分子结构、谱学测量数据以及各种结构化信息（如图表等），必须确保模型能够有效处理这些复杂内容。

第二，与通用的大语言模型相比，科学研究对知识的完备性和严谨性提出了更高的要求。科学研究不能停留于模糊或不准确的认知，必须建立在扎实可靠的知识基础上。这对现有模型的应用提出了更高的标准。

第三，未来的科学模型不仅需要记录和提取知识，也应如科学家般具备深度思维能力。这种“科学家思维”包含多个维度，其中推理能力是科学范式的核心之一。此外，还包括想象力、抽象能力以及直觉，这些能力在科学发现中起到重要作用。显然，何在模型中培养这些特质是一个重要而艰巨的任务。

尽管这些挑战巨大，但解决这些问题的核心仍在于计算能力和经验积累。人类通过长期的生产、生活和科学实践总结的经验，已为实现这些目标提供了基础条件。因此，尽管难度不小，但未来的模型、AI系统和智能体有望在一定程度上具备这些能力，推动科学研究迈向新的高度。

**魏凯：**卢医生，在开发小程序的过程中，有哪些值得借鉴的经验，你是如何找到切入点的？

卢春来： 目前AI在临床中的主要应用包括大语言模型和多模态模型。在我的领域，使用最多的是影像学AI，尤其是用于检测小结节的工具。这类AI大幅提升了工作效率。过去我们需要逐帧查看CT影像，耗时且费力，而现在AI可以快速识别并标注结节，让我们只需复核即可，大大提高了效率和准确性。

要开发一款实用的医疗AI应用，需要关注两点：患者最需要什么，以及医生最需要什么。医生既了解患者的需求，也清楚自身工作的痛点。因此，在开发前建议多与医生沟通，尤其在细分领域，可以与多位医生交流，获取更全面的建议。同时，也可以从患者角度出发，通过调研了解他们的实际需求。

以我的经验为例，在开发“终节者”项目前，我向患者咨询过他们的看法。如果反馈积极，我会继续推进；如果意义不大，就不会尝试。只有充分结合患者和医生的需求，才能开发出真正有价值、易于落地的医疗AI工具。

**魏凯：**这也提醒我们所有人，要从身边的小需求开始尝试。

曾教授您有什么经验可以分享？

**曾丹：**在工业AI的应用实践中，一个普遍存在的核心挑战源于数据层面。具体而言，工业场景下的数据呈现出三大显著特征：样本稀疏、分布离散、以及采集窗口受限。

首先，有效样本的稀缺性是常态。以钢铁行业的表面缺陷检测为例，一条高品质钢产线可能连续数日才生产出一件带有特定缺陷的钢板。若遵循传统方法，为训练一个模型而收集上千个缺陷样本，将耗费极长的时间周期，这在追求高效生产的工业环境中几乎不被允许。因此，模型必须具备出色的小样本学习能力。

其次，数据孤岛现象严重。不同工厂、不同产线之间的数据通常互不联通，形成稀疏且分散的数据格局，这为构建普适性强的模型带来了巨大障碍。

针对以上挑战，可以从以下三个层面探索整合性的解决方案：

第一，立足于垂直领域的深度数据积累。 这是一项基础性工作，需要在特定行业内进行长期的深耕。以表面缺陷检测为例，关键在于积累“高质量”数据。高质量不仅指图像本身，更重要的是包含了与缺陷形成相关的多维度信息，例如缺陷与产品材质、生产工艺等因素的关联知识。

第二，应用大模型辅助数据生成（AIGC）。 将海量的专家知识、行业常识乃至基础的几何学知识注入大模型，可以指导模型生成多样性更强、质量可控的合成样本。这种基于知识驱动的AIGC技术，能够有效缓解原始数据不足的问题。

第三，采用分布式学习框架应对数据离散问题。 面对数据分布在不同用户、不同厂区的现实，可以利用多模态预训练模型，并结合联邦学习或分布式预训练等技术。这些方法能够在保护数据隐私和所有权的前提下，实现跨主体、跨场景的协同模型训练。

过去几年，这些策略显著提高了效率。如今，面对新厂商、新产线或新产品，仅需6张样本图即可快速上线模型。这正是得益于知识驱动的大模型AIGC技术与先进训练方法的结合。

魏凯**：姚总有哪些经验可以分享？**

第一财经副总经理、首席技术官-姚学润

**姚学润：**衡量一项AI技术的真正价值，其核心标准在于“有用”。任何技术或产品，唯有在实际应用中被验证能有效解决问题并创造实质价值，方能彰显其深层意义。

以我们推出的“智享会员”服务为例，这正是AI与人类专家智慧深度融合的典范。该服务中的核心AI功能主要体现在“速读”与“智解”两大维度：“速读” 旨在帮助用户从海量的财经市场信息中，精准识别并实时推送每日最关键、最具影响力的财经资讯；则当系统判断某条资讯具有关键重要性时，“智解”会进一步为用户提供全局性的深度解析，阐明其内在价值与潜在影响。其底层财经模型，通过揭示事件的横向关联与纵向演变，为用户的决策提供精确且富有洞察力的参考。这两项功能推向市场后，其“有用”得到了直接的数据验证。在“智享会员”的使用反馈中，由AI驱动的这两项功能，其日均使用频率比传统人工提供的功能高出2.34倍，在特定场景下，这一数据甚至能超越5倍。

从价值创造的角度审视，这套AI系统为个人投资者所提供的支持，相当于一支由两名专业助理组成的智囊团队：一人负责从海量信息中精准筛选并标记重点（“速读”）；另一人则深入分析，评估该信息对既有投资模型可能产生的波动区间（“智解”），最终将精炼的信息与分析结论一并呈递给决策者。

破解关键痛点：安全、可信与AI应用的再升级

**魏凯：**最后一个问题，在各自的实践中，当前所面临的最核心、最关键的痛点或挑战是什么？

作为本次会议的举办方，中国信息通信研究院（信通院）是国家在信息通信领域的智库以及行业发展平台。近期，信通院在工业和信息化部的指导下，牵头成立了工信部首个人工智能行业标准化委员会，在世界人工智能大会上，为了彰显中国企业的责任与担当，牵头发布《中国人工智能安全承诺框架》并积极推动落实；同时，也在主动采取多种手段，致力于破解AI在应用落地中的各种障碍。

期待各位嘉宾能结合实践中的痛点，为信通院未来的工作以及更广泛的行业协作提供宝贵的建议。

**乔宇：**AI的未来发展面临诸多挑战。要实现通用人工智能（AGI），技术层面尚需2至3个如同Transformer级别的基石性突破。

此外，一个尤其需要强调的议题是AI的安全与可信。业界即将面对的，是一个在特定维度上超越人类能力的模型或智能体。Hinton曾说过，这种新兴智能体如同被圈养的幼虎，其当前阶段或许表现温顺，但其最终将演变成何种形态，充满了未知与不确定性。

因此，对安全与可信的重视刻不容缓。围绕这一核心，构建科学的评测体系与行业标准，是亟待建立和发展的基石。这不仅是技术问题，更关乎整个产业生态的健康发展。

上海人工智能实验室非常愿意与信通院在现有合作基础上，进一步深化协作，共同推动相关工作的进展。

**卢春来：**在医疗这一特殊领域，AI技术的应用与发展面临两大核心议题。

第一，是应用的“精准性”。 无论是在CT影像上辅助识别微小结节，还是在手术中应用机器人进行辅助诊疗，精准都是首要且不容妥协的要求。医疗行为，尤其是外科手术，通常只有一次机会，直接关系到患者的生命安全。因此，任何一项AI技术，如果其准确度无法超越或至少媲美现有成熟的传统诊疗手段，那么它将难以被临床医生采纳和信任。

第二，是不可或缺的“人文关怀”。 医疗服务的对象首先是“人”，其次才是其所承载的“疾病”。若一味地关注疾病本身而忽略了患者作为一个完整的人，便有悖于医学的初衷。在诊疗过程中，传递情感支持与共情，即所谓的“情绪价值”，至关重要。

**魏凯：**是的，推动科技伦理在AI领域的全面落地，是一项至关重要的工作。信通院也在支持各个部委把科技伦理的原则，贯穿于AI研发与应用的全生命周期。

在工业领域，AI会带来哪些根本性的改变？

**曾丹：**在工业领域，AI的应用正面临着一场深刻的变革。当前，大模型（尤其是传统计算机视觉模型）的应用多以“单点替代”的形式存在，即对生产环节中的某个节点进行技术升级或替换。

然而，未来的趋势在于，AI将不再局限于单点优化，而是要深度融入并重塑整个业务流程。

以新材料的研发与制备领域为例，要满足下一代材料的要求，就必须对现有制造流程进行根本性的重塑。传统的流程是“生产后检测”，再依据检测结果反馈并调整生产参数。而未来的模式则必然是“边生产边检测”的实时闭环系统。

所以，无论是制备流程还是其他行业的业务流程，都需要智能融入并重塑，这正是工业领域的必经之路。我们正在积极探索。

**魏凯：**希望一起合作。信通院拥有非常优质的平台资源，比如华东院以及院内的人工智能产业联盟。目前，我们在全国各地都在推进AI赋能新型工业化的工具对接活动，期待共同推动产业发展。

**姚学润：**在AI产业的蓬勃发展中，我们必须高度关注需求端与供给端的协调发展。政策的扶持重心，可以更倾向于供给侧，市场需求可以由作为市场主体的企业自主挖掘、创造。

一个值得我们深思的现象是：在GPT-3.0问世之前，以清华大学相关团队（如智谱AI）为代表的中国顶尖高校团队，在全球AI基础研究领域曾处于领先地位，这些顶尖人才中的一部分最终选择前往海外深造。

另一方面，从当前人才供给的现实来看，大量高校毕业生在进入一线AI企业后，往往难以即刻适应岗位需求，企业仍需投入额外资源进行二次培训。

针对这一系列问题，一个可行的策略是：进一步深化产教融合，鼓励并促成大三或大四阶段的学生，进入具备雄厚实力的行业龙头企业进行长期、深度的实习。 这种模式将带来双重益处。对于学生而言，能够让他们直面产业前沿，深入了解最先进的技术与真实的业务需求，从而弥合理论与实践之间的差距；对于企业而言，这提供了一个绝佳的平台，能够在实践中早期发现并锁定未来的核心人才，实现人才的有效培养与战略储备。

从根本上说，只有当供给端，即人才、核心技术等要素，达到足够丰富且高质量的水平时，需求端，即企业与市场，才能通过充分的自由竞争机制，产生最优化的结果，进而推动整个AI产业的持续健康发展。