1月15日，神州信息董事長郭為在DC·AI生態創新中心開幕活動上發表主旨演講，以下為演講全文整理。
在剛剛落幕的2025年CES大會上，黃仁勛先生的演講再次點燃了人們對人工智能的熱情。在此，我也與諸位分享一下我們對中國人工智能發展路徑的見解。
通專融合
首先，我想讓大家看一下這張圖，這張圖來自上海浦江實驗室主任、首席科學家周伯文的一個報告。按照周教授的觀點，結合人工智能專業性和泛化性兩個維度分析，我們可以看到：
圖中的縱軸代表的是專業性。以DeepMind的AlphaFold為例，這一AI模型在生物分子相互作用結構的精準預測方面，已經助力兩位科學家獲得了諾貝爾獎。在蛋白質結構預測領域，它已經超越了人類的能力。我們常常討論AGI如何超越人類，而AlphaFold已經給出了答案。但這樣一個強大的AI，卻可能無法回答一個簡單的日常問題，這一現象反映了專業模型盡管在某一特定領域表現優秀，但其泛化能力極為有限。
橫軸代表泛化性，按照周伯文教授的定義可分成狹義人工智能、廣義人工智能和通用人工智能。例如Google、OpenAI和Meta等各自推出的大語言模型，都展示了在知識學習和壓縮方面的卓越能力，表現出前所未有的靈活性和適配性，能夠處理廣泛的任務，并快速適應新情境。相比專業模型，這些大模型的泛化能力可以給人留下深刻的印象。但是，在高度專業化的問題上，它們的表現往往缺乏深度的專業理解和精準性。
因此，周教授指出，AI發展存在一個高價值區域，就是這張圖右上角我用紅圈標示出來的區域。也就是說，在專業性上，AI能力應達到或超過90%以上專業人士的水平。在泛化性上，AI需要達到廣義人工智能級別的泛化能力，可以以極低成本實現不同任務之間的遷移。
這一“高價值區域”正是AGI路線圖中的關鍵所在，也是未來推動新一輪技術革命的方向。只有在這個區域內，AI才能真正實現專業性和泛化能力的平衡，成為變革生產力和創新的核心驅動力。
如何讓大語言模型在保持泛化能力的同時，還能精準解決專業問題，正是當前AI所面臨的最大挑戰。這不僅僅是技術問題，更是整個AI研究領域的戰略目標。有人說AGI到來的時間是三年、五年甚至十年。從我的角度看，今天最重要的還是應用。對企業來說，關鍵在于如何實現商業化應用。它可能尚未達到完全的AGI水平，或許僅處于專業能力排名前1%甚至前10%的階段。但我們真正需要研究的是，如何借助通用大模型，在較低成本的情況下實現這一目標。
但企業面臨的問題更加復雜，不是一個蛋白質結構的問題，可能是多個類似于蛋白質結構的復雜問題交織在一起的問題。因此我們需要找到一個方法，讓大語言模型能夠在企業內部，保證大模型具備的強通用性、強泛化能力的同時，還能深度的適配特定的行業、企業的專業化需要，我們把它叫做“通專融合”。
泛化和專業化能力的融合：神州問學解決之道
針對這個“通專融合”高價值區的問題，leyu.樂魚給出了自己的答案——神州問學：神州問學是一個完整的平臺，幫助企業從算力、模型、企業知識到智能體等多方面完成AI落地。
首先要解決企業如何在安全、可控的條件下，構建對自己業務問題的專業模型。本質上來講，神州問學通過企業專屬數據和生成數據，來驅動通用模型快速專業化，滿足業務需求。運用強化學習和持續學習機制，讓模型隨著企業業務的變化不斷進化。同時在企業內部混合部署通用模型和多個專業模型來解決通專融合的問題。
當然對一個企業來講，還普遍存在諸如如何面對龐大的、散落各個地方的、各式各樣的非結構化的數據，如何把這些數據變成企業的知識和大模型可以利用的數據集，如何保證企業知識和敏感數據的安全，以及知識的持續治理、有效數據不足等問題。這些都要求企業有一個知識管理和治理平臺。而神州問學也在這些方面給出了一些答案。
神州問學可以提供知識管理的模塊支持企業做數據準備，將內部的專有數據形成標準化的訓練數據集；結合領域專家的知識對關鍵數據點進行深度標注，以增強模型的專業理解能力；同時幫助企業進行數據生成，利用數據合成技術生成高質量的合成數據，以補充真實數據的不足。在一些專業領域，如醫療行業，生成邏輯鏈路可以讓模型可以更好的理解和推理復雜的場景，從而進一步推動模型的專業化。
另外，企業也需要一個平臺來對大模型進專業化訓練，需要管理和跟蹤多個模型，讓它們協同工作、有效反饋，具備持續優化模型的性能。leyu.樂魚也提供了模型訓練和模型管理的功能。
同時我們也看到，由于企業要降低成本，不可能把所有的數據都用通用的大模型來訓練，因此這方面我們也通過資源池化和虛擬化的方式，針對不同模型需求進行資源分配，降低企業應用大模型的成本。
我們通過“批量推理”的方式，提升了運行效率，更充分地利用了計算資源；同時采用混合精度計算方式，在推理階段對模型權重進行優化處理；并通過并行計算等技術，持續幫助企業以較低成本將通用大模型改造為專業化模型。此外，為了提高傳播效率，我們將產品發布在開源社區上。
“流水線”的啟示——AI for Process
大家都知道，AI在科學研究領域（AI for Science）取得了很大的成就，發揮巨大的作用。但我們也必須看到，應用于科學研究的AI是不計成本的。而企業不一樣，對于企業而言，開發專用模型并非易事，畢竟并非人人都能像訓練AlphaFold那樣輕松實現。通常只有少數國家的大型實驗室才有能力完成如此大規模的投入。對于大多數行業、企業，甚至整個城市來說，這樣的投入都顯得過于沉重。因此，如何讓更多的企業擁抱AI的成果，是我們目前面臨的重要課題。神州問學希望為此提供一條可行的路徑。
怎樣才能提供這樣的路徑？左邊這張圖是我過去一年的研究成果。五、六年前，我提出了認知顛覆、技術顛覆和產品顛覆的概念，但如何真正實現這些顛覆？經過深入研究，我發現推動企業持續成長的關鍵在于三個要素：一是商業模式，二是管理方法，三是技術架構。這三者的有機結合能夠不斷推動企業的發展，而它們的結合點正是流程。
一百多年前，福特發明了流水線。其實，在流水線發明之前，電動汽車已經出現，而當時占據主導地位的是蒸汽機車，汽油發動機汽車僅占市場的20%。福特流水線的發明，使汽油發動機汽車的成本大幅下降。正是流水線奠定了美國在過去一百年成為“車輪上的國家”的基礎，也推動了全球的技術進步和產業升級。流水線（Process）不僅改變了商業模式，推動了技術進步，還改變了我們現代的管理方式。我們今天許多管理方法，實際上也是建立在流水線的基礎之上。
因此，對于企業來說，企業流程恰恰是一個企業管理的“流水線”。在數字經濟時代，技術范式的創新顛覆了傳統認知，進而推動商業模式的深刻變革，同時也帶來管理方法的演進。商業模式、管理方法和技術范式這三大核心驅動力的持續變革與相互作用，正在推動企業結合自身優勢，構建數字時代的新引擎。而它們的結合點，正是企業的流程——Process。
右邊這張圖是我曾在《數字化的力量》一書中提到的。數字化時代的企業創新就是數據資產的重新編排，其本質就是流程再造。流程本質上就是業務本身。以銀行為例，信貸管理流程本質上就是信貸產品，是銀行的核心競爭力。存款管理和總帳管理流程也同樣如此。當我們看到AI如何賦能各行各業的時候，重點在于通過AI實現流程再造和優化，幫助企業更深入的結合自身的業務流程實現持續的創新與突破。數據資產不斷的組合和業務的不斷變化，都需要不斷地優化流程、變革流程，從流程為中心切入AI應用，不僅僅是企業數字化轉型的重要路徑，也是我為什么提出AI加速的數云融合技術愿景的背景。當然，Al for Process也是神州問學發展的戰略方向。
現在神州問學的AI Agent的編排空間已經可以作為Al for Process的實現平臺，給企業提供一個功能全面、結構化的環境，讓企業內部的AI模型能夠訪問和解析企業內的多源異構數據，幫助企業高效地構建和部署可以擴展的、適配業務需求的業務AI Agent智能體。這些智能體不僅能夠精準的理解業務的意圖，還能感知動態環境，自主規劃任務路徑，并通過調用現有的工具、服務接口和API執行操作。
更重要的是，平臺能將分散的業務節點不斷地組合成新的流程，這樣可以讓企業在復雜的企業級任務中，通過AI Agent對任務的分解和流程的執行有全面且清晰的理解，從而實現與人和其它系統的協作高效性，以及流程的自動化。
其次，神州問學還可以幫助企業“敲碎”傳統的應用。過去我們提到的ERP，包括過去的核心業務系統，在未來的發展中都需要進行碎片化、API化處理。通過將傳統業務邏輯細化、模塊化并轉化為API接口，使其能夠被AI Agent直接調用和執行。這使得企業可以更加靈活地拆解和重組現有的系統和流程，獲得敏捷的創新能力。未來的企業流程將更多表現為智能體之間的編排與對話。
針對AI在企業流程的應用，2024年神州問學團隊發布了相關論文，并成功申請了四項發明專利，創新性地打造了Al for Process框架下的自適應、成本可控、增強性的知識密度提升模塊。
可以想象，未來企業流程一定會從傳統的、靜態的操作模式轉變為以智能體為核心的動態編排與協作系統。大家可能不太容易理解這句話的含義。十七、八年前我做產品的時候，最深刻的體會是一個產品的生命周期可能只有幾個小時，如當年中國移動春節晚會的短信平臺。也就是說，未來的產品和服務形態都將是一種動態編排模式，而這正是AI應用的巨大優勢。智能體通過實時交互和任務分發，能夠高效完成復雜、跨部門、跨系統的工作，將成為企業運營的主流方式。
微軟的CEO薩提亞前幾天說，行業內討論的焦點已經不再是模型本身，而是模型的編排、模型的評估以及如何部署基于這些模型的應用，未來數據的交互和業務邏輯的處理將由AI智能體所主導，這也意味著AI Agent將重新定義整體企業軟件生態，SaaS模式將不復存在。
所以，我認為Al for Process是一個重要且核心的AI應用領域，推動以流程為中心的AI應用落地，將企業數據資產與業務需求深度融合，不斷優化和革新流程，會成為企業數字化轉型的重要路徑。
生態合作——神州問學的AI for Process實踐
當然，這一過程和目標絕非單個企業能夠獨立完成。leyu.樂魚已經與德勤展開戰略合作，共同推出了“AI Factory”概念。此次合作不僅聚焦于人工智能技術本身，更致力于通過企業流程變革實現AI的落地價值。今天，DC·AI希望向大家展示更多應用場景。我們也在與國際、國內領先的人工智能企業、大模型廠商以及AI基礎架構廠商展開深入合作，共同探索落地實踐。我們希望通過這些努力，讓更多的企業從中受益。
半年前，也是在這個房間，我們曾舉辦過一場座談會。當時，許多合作伙伴和生態伙伴一致認為，只有聯合全球不同領域的企業，共同打造AI生態系統，才能真正推動AI的發展。過去的一年中，神州問學也落地了一些項目，獲得了一些經驗，有的項目是從知識管理的角度出發，有的是從企業流程 AI for Process的角度出發，有的是從算力管理的角度出發，有的是從Agent的角度出發，都給我們的客戶帶來了巨大的價值。
我簡單舉幾個例子。就拿剛才我提到的問學團隊論文的客戶實踐案例來說，我們幫助一家商業地產企業以極低的成本實現AI Agent與現有系統的深度集成，將算力成本節約了40倍，團隊用Qwen2.5-7B模型，結合數據合成、微調和ASR評估模型反饋技術，將工具選擇準確率從基礎模型的28.1%，大幅度提升到95.6%，顯著超越了GPT-4的88.1%的水平。這就是神州問學在復雜流程自動化應用場景中展現出的卓越能力。
我們還和一個大型的零售電商購物平臺合作，基于神州問學的智能體技術，構建了意圖識別的基礎框架和標準流程。通過整合大模型的能力、智能體工作流的構建、提示工程的分類細化，以及檢索增強生成等技術，我們成功地實現了對電商業務中售前、售中、售后等十余類意圖以及每一類意圖中具體流程參數的精確識別?；诳蛻舴降膬炔繙y試結果顯示，該項目的整體意圖識別精準率和召回率均超過98%，顯著優于原有基于規則的問答系統，指標結果明顯超出客戶預期。此外，在支持業務多并發的情況下，單條問答的平均響應時間控制在三秒鐘內。這一成果不僅提升了用戶體驗，也為企業電商業務實際運營效率帶來顯著提升。這是我們采用GenAI 技術進行業務流程優化又一個成功案例。
今天在場的有不少來自銀行業的朋友們，借此機會，我也想分享一個我們在零售銀行業務中的實踐案例。我們通過人工智能技術對數據資產進行深度的分析和流程優化，實現了高效的業務流程編排，以大幅度提升客戶體驗和運營效率。具體來講，我們利用AI驅動的流程自動化技術，重新設計了客戶的交互和內部業務的處理流程，在數據采集和管理層面，通過構建集成化的智能化數據平臺，將來自于客戶賬戶、交易記錄、消費行為和外部市場動態的海量數據實時匯聚。AI算法可以自動識別關鍵客戶行為模式，生成實時洞察。
在流程編排層面，我們嘗試采用AI智能工作流技術，將復雜的客戶流程自動化。例如，當一位客戶開始查詢購房貸款信息時，系統會即時觸發AI編排流程：第一步，分析客戶信用評分、收入情況和消費習慣，快速生成預審批額度；第二步，根據實時市場數據和客戶所在區域房價趨勢，定制推薦合適的貸款產品；第三步，通過API將這些信息直接推送到客戶的移動銀行APP，附上個性化的視頻或互動指南，幫助客戶更快地完成決策。
如果客戶在一定時間內未采取行動，AI系統會自動進入下一步流程，推薦新的方案，如調整貸款利率，或是推薦相關的理財產品，同時該系統還會將用戶行為數據反饋至中央數據平臺，給未來的優化提供支持。
這種AI驅動的流程編排，不僅簡化了客戶體驗中的每一個環節，還顯著縮短了從客戶需求識別到產品交付的時間，同時降低了運營成本。我們希望通過這一創新使客戶在激烈競爭的零售銀行市場中更快、更智能地響應客戶需求，充分展示了AI在優化企業流程中的強大潛能。
機會與挑戰：中國AI產業長期發展的思考
我們討論了AI在企業中的通專融合，也探討了企業AI落地的核心在于流程優化，還了解了leyu.樂魚提出的解決方案。然而，這些其實只是冰山一角，還有更多深層次的問題正在影響著我們。這實際上是一個生態系統的挑戰。簡單來說，就是我們面臨的機遇與挑戰。
例如，在AI進行數據交換的過程中，我們對數據主權的保障制度仍在不斷完善；在圍繞AI應用的技術創新方面，仍有大量技術需要進一步集成與再創新；在討論基礎設施時，大模型如何真正成為我們的基礎設施，仍是一條漫長的道路。如何高效調用這些基礎設施？這些問題既是發展的機遇，也給我們帶來了挑戰，是所有企業努力奮斗的方向。
最后，回到我今天會議的發言主題——走出一條中國特色的AI發展道路。
我們可以看到，經過四十多年的積累，中國經濟已經培育出全球第二大市場。在眾多產業中，尤其是大型制造業，我們已經達到了世界領先水平。例如，我國造船業的訂單量占全球60%以上，鋼鐵行業產量占全球50%以上。這些產業在全球的領先地位，正是我們實現“AI for Process”落地發展并實現領跑的堅實基礎。
我們也看到，在CES大會上黃仁勛所談到的AI算力普及化。這種AI算力的普及將極大的激活中國在AI應用上的創新能力。同時，中國作為數據供給和數據消費的大國，也給中國的人工智能可持續發展創造了巨大的機會。
特別是我們也看到這家叫DeepSeek（深度求索）的杭州公司，所展現出創新能力。同樣是做大模型，他們走出了一條中國之路。因此，我相信中國人一定會走出一條不一樣的路，具有中國特色的AI發展道路。
?京公網安備11010802043876
