刘琼 吴朋阳 腾讯研究院
十年前，“互联网+”写入政府工作报告，推动互联网与各行各业的深度融合。今天，历史的接力棒交到“人工智能+”手中——《关于深入实施“人工智能+”行动的意见》正式发布。人工智能正走向更广阔的舞台，开启新一轮产业格局的重塑与社会运行方式的变革。 “互联网+”期间，数字技术已步入成熟阶段， 技术框架、应用模式和商业规则已相对稳定。企业在应用移动互联网技术时，面对的是一个技术路径明确、解决方案丰富的成熟生态；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。一是技术迭代异常迅速，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”。二是能力边界持续扩展，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，推动模型从设计到编程再到分析，不断解锁新技能。三是产品形态多处于“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等。如AI助手的独立应用与嵌入式体验并存，AI功能在辅助与核心地位间转换，这些中间态也表明市场对产品形态的最佳实践尚未形成共识。技术差异导致企业在应对两次技术浪潮时采取的策略不同，“人工智能+”时代需更高的容错率和更灵活的战略调整能力。“互联网+”本质是连接增强，核心驱动在于追求网络效应，通过增加网络节点数量、提升信息交互效率创造价值，网络越大，价值越高；“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，进而提升节点乃至整个网络的价值。可见其价值释放将比“互联网+”更深刻广泛。从影响范围看，互联网扩展了人类的连接范围，但主体还是人与人的连接；人工智能则扩大人类的认知能力，自主能力足够强的AI还将进一步扩大连接范围，形成“1+N”人与AI互联协作的新范式，进一步扩大网络效应。同时，AI让专业能力更易获取，大幅压缩专业技能获取周期，提升人类生产效率。这种从工具到智能伙伴的转变，使“人工智能+”可能比“互联网+”的影响更具革命性。从经济价值看，AI对生产力的效应呈“阶跃式”发展趋势。研究表明，AI Agent任务完成能力每7个月翻一番，进化速度可能还会加快。随着AI能力的不断提升，其创造的经济价值也日趋可观。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%。更关键的是，人工智能不仅在数字空间发挥作用，还与各类硬件结合深入物理世界，正在推动医疗、制造、农业等各个领域的生产力革命。互联网作为“连接型技术”，用户具备基础数字素养即可获得即时满足，因而遵循“消费端到生产端”的扩散路径；而人工智能作为“分析型技术”，其复杂价值需深度融入业务流程才能实现，前期高投入与明确市场契合度的要求使得企业端（生产力端）是优先的前期采纳者，“生产端到消费端”的扩散更符合人工智能的特征。例如，海外人工智能大量新应用均是B端应用，最新统计，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%。因为海外企业级市场付费订阅接受度较高，能提供更可预测的回报和较低的风险。这种路径差异还反映在创新传播机制上：互联网依靠“横向社交扩散”，通过零风险试错与病毒式传播迅速渗透消费市场；人工智能则更多遵循“垂直产业渗透”逻辑，先在具备落地配套条件（数据、专业知识、基础设施）的环境验证价值，再沿产业链扩散。目前，“人工智能+”时代，这两种扩散逻辑更多是并行生长。扩散路径差异也将带来“人工智能+”不平衡的现象。“人工智能+”则可能在某些特定行业（如内容创作、知识工作）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。当前，人工智能技术本身的进步速度远超其被行业吸收应用的速度，这种“技术过剩”状态可能导致阶段性泡沫。但从长期看，真正能够释放AI价值的，将是那些能有效将人工智能技术与具体场景深度融合的应用。企业构建AI数据集的核心逻辑应避免“为数据而数据”，而应聚焦“为业务而数据”，将数据策略深度融入AI应用的全生命周期，利用实时数据支持AI优化。优先选择数据充足、风险可控、可量化且可扩展复制的用例，同时最好是核心业务而非边缘业务场景，快速验证AI的应用价值。例如，对辉瑞公司而言，医药研发是其核心竞争力，但开发一种药物大约会生成2万份文件，科学家需要利用各种工具查找数据，耗时耗力，这也是造成研发低效的原因之一。后来，辉瑞就将大模型的首个用例定位在为科学家赋能上，通过与亚马逊和Anthropic合作，打造云上托管的企业智能搜索服务，如此一来，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%，同时使药品从原型到最小可行产品的周期从数月缩短至数周，实现规模化降本提效。当前通用大模型往往专业能力不足，企业需要针对业务需求进行工程化调优，采取提示工程、检索增强生成、微调等一种或多种方式组合，让模型能在实际生产运营中发挥作用。大模型+知识库+检索增强生成，是当前企业落地AI的最佳路径之一。如国际快递公司DHL 应用腾讯云知识引擎，编排了45条企业专属工作流，迅速构建出适合物流场景的智能服务，实现客户自动接待、快件查询、地址和时间修改、寄送等一系列服务。该模式使一线业务人员能够自主配置智能服务，大幅降低AI技术应用门槛和沟通成本。企业构建AI数据集的核心逻辑应避免“为数据而数据”，而应聚焦“为业务而数据”，将数据策略深度融入AI应用的全生命周期，利用实时数据支持AI优化。数据标注公司Scale AI认为，捕捉企业专家头脑中的隐性知识至关重要，是企业AI Agent应用最关键的数据来源。以此为原则，Scale AI构建了企业生成式 AI 应用平台（SGP），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。过程大致分成四步：部署初始版AI Agent，如合同生成助手；将Agent嵌入专家工作流，如律师日常审阅流程；通过SGP记录人机交互痕迹，如律师对合同的修改条款、工具调用等；利用捕获数据优化模型和Agent，包括微调、强化学习。 面对AI算力需求的爆发式增长，传统私有化部署方式很难应对，云计算能更有效支持算力资源弹性扩展与成本优化。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，摆脱大量的底层IT系统建设和运维工作，将精力聚焦于模型调优和应用落地。西班牙石油公司Cepsa希望用机器学习解决各个业务线上的复杂问题，但面临实施路径和方法不统一、模型版本难管理、算力资源难高效调度等挑战。通过采用亚马逊的AWS云计算服务，其构建了标准化的MLOps（机器学习运维） 架构，实现模型构建、训练、部署等全流程自动化，大幅提升模型开发和应用效率。以其上海石化工厂 YET Dragon项目为例，通过该架构可独立自动训练、部署和跟踪6个模型，每个模型部署了30多个版本以支持不同业务，项目平均工期缩短25%，每年可节省约30万欧元成本。回顾十年前，“互联网+”的蓬勃发展与2015年国务院发布的《关于积极推进“互联网+”行动的指导意见》的系统引导密不可分，这一顶层设计为数字经济腾飞提供了清晰框架和强劲动力。今天，“人工智能+”同样需要这样的国家战略引领，但面临的环境更为复杂——AI技术正处于爆发式迭代期，技术路径和应用形态存在巨大不确定性，今天的判断可能被明天的突破所颠覆。因此，不同于“互联网+”时代的明确路径规划，AI+的政策设计不应过早锁定技术方向，而应构建一个拥抱不确定性、鼓励多元探索、宽容失败的创新生态系统。一是鼓励更多个人开发者和创业团队在AI搜索、AI编程、情感陪伴、智能体助手等领域的应用开发，支持大模型创业创新生态建设。二是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，敢于“投小投早”支持各类初创企业发展。特别是针对模型工程化的各种工具和配套服务，可设立专项基金或投资项目加强支持，推动自研软件生态和工具链发展壮大，包括数据预处理工具、模型开发框架、微调环境和工具、自动化测试工具、加速推理框架等，共同加快大模型在千行百业的应用落地。三是支持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，构建中国大模型应用的技术生态和标准。一是系统构建数据要素市场。培育数据治理专业服务市场，提升数据AI就绪度；创新内容版权授权模式，平衡权利人收益与AI技术发展需求，从根本上破解制约AI发展的数据瓶颈；制定跨行业数据质量和格式规范，提升数据的可用性。二是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，树立“云上AI”示范并推广。三是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，使AI技术创新不再停留在实验室和小规模试点阶段，真正将科技创新与产业创新融合落到实处。
仲夏六日谈：《AI Agent的终极未来｜3万字圆桌实录》
👇 点个“在看”分享洞见
