大语言模型是人工智能发展的重要里程碑，传统的语言处理模型在面对复杂多样的自然语言任务时，常有力不从心之感。大语言模型通过创新的深度学习架构设计以及大规模的数据训练，极大地提升了语言理解与生成能力。它能够理解人类语言中的微妙语义差别、语法结构以及上下文关联，能够完成诸如智能问答、文本创作、代码生成等复杂任务。这解决了长期以来自然语言处理领域面临的难题，即如何让机器像人类一样理解和运用语言，使得人与机器之间的交流更加自然和高效。
今天人们所说的大模型已经超越了大语言模型的范畴，扩展到多种信息融合的多模态大模型。只要数据足够多、模型规模足够大、训练足够充分，结果出现智能涌现的深度学习系统都可以称其为大模型技术系统。大模型延伸了人的思维器官功能，带来了生产效率量级提升，展现了通用人工智能的可行路径。DeepSeek 的出现是大模型发展的一个关键节点，一方面凸显了中国在人工智能领域创新发展的地位，另一方面带动了各级政府、各类企业组织对AI的使用。除了写诗作画、生成图文之外，人工智能下一步的发展必然聚焦于产业，赋能新质生产力的提升。一方面，需要进一步优化大模型，使其能够更好地适配不同行业的特殊需求。例如，在医疗行业，大模型需要准确理解医学术语、病例逻辑，提升诊疗效率；在物流行业，要对多式联运的数据、组合运输策略精准把握，以进一步降低全社会物流成本。另一方面，智能体（Agent）是人工智能未来发展的重要方向。智能体能够在特定环境中自主感知、决策和行动，与大语言模型结合后，可实现更加智能化、自动化的任务执行。比如在智能客服场景中，智能体可利用大模型的知识储备，主动识别客户问题，自主选择最佳应对策略，提供高效的服务。在产业流程智能化中，智能体也可以整合内外部资源并协作，实现从价值链到价值网的迁移，大大提升产业链与供应链的效率、韧性与安全。大模型正在推动人工智能技术的快速发展，并逐渐成为新质生产力赋能产业的关键驱动力。如图所示，整体来看，大模型的产业化能力构建分为五个层次，每一层相互依托，逐层深入，都在整个大模型应用体系中扮演着不可或缺的角色。最底层是算据层，数据是所有智能的基础，在宏观尺度上，企业可以构建高质量私有数据集，我们以多元融合空天一体感知的基础数据资源为例，为实现多领域应用，需要融合卫星遥感、低空邻域信息等空天数据，融合基础建筑信息、地理信息、城市信息模型等城市数据，实现智慧城市数据以及产业领域的跨模态数据组织。这些海量、多源、异构的数据经过有效的整合与处理，为上层的模型训练和应用提供了丰富的素材，是整个大模型构建的基石，确保了模型能够基于全面且细致的数据进行学习和优化。算法层汇聚了多种前沿的深度学习技术。例如图神经网络（GNN）擅长处理图结构数据，能够捕捉实体之间的复杂关系，长短时记忆神经网络（LSTM）在处理具有序列特性的数据时表现出色，对抗神经网络（GAN）则通过生成器和判别器的对抗训练，生成高度逼真的数据样本，拓展了模型生成能力的边界。此外，还需对大模型的能力构建进行选择与评估。面向具体场景，需要最终实现端到端的大模型与算网能力的整合，大小模型与算法共同构成了智能的核心引擎，驱动着模型算法对数据的深度理解和智能生成。算力层为大模型的运行和训练提供了强大的计算保障。面向不同场景的预训练与数智化解决方案，能够根据具体需求灵活调整模型的初始状态和训练方向；移动端裁剪与小模型的优化，使得大模型的技术能够在资源受限的移动设备上得以应用；算力构建与优化目的是提升计算效率，降低能耗；边缘计算解决方案则将推理能力部署到网络边缘，靠近数据源和用户，减少延迟；资源调度与智能网络确保了算力资源的高效利用和数据的流畅传输，让整个系统的运算更加高效、稳定。系统层目标是聚焦多维场景任务的感知与推理，实现模块化的AI能力构建。关键特征和多维场景态势感知能够从复杂的数据中提取出最具代表性和关键性的信息；预测模拟与推演则基于这些信息对未来的趋势和可能的情况进行预判；多通道数据融合与监控整合了来自不同渠道的数据，形成全面的融合视角；流程重构、模型微调与推演中台则对整个业务流程进行优化，根据实际场景对模型进行精细化调整，提升模型对特定场景的适应性和准确性，使得大模型能够更好地服务于多样化的产业场景。应用层是大模型价值的最终体现，实现了AI赋能万业的美好愿景。例如在行业气象预报领域，大模型能够提供更精准、更及时的气象信息，助力农业、航空等对气象条件敏感的行业提前做好规划和应对措施；教育与医疗行业借助大模型实现了个性化学习方案的制定、智能辅助诊断等创新应用，提升了教育质量和医疗效率；农业与环保方面，大模型通过对农田、环境数据的分析，优化种植方案，监测环境污染，推动可持续发展；智慧城市与交通领域，大模型实现了交通流量的智能调控、城市资源的合理配置，提升了城市的运行效率和居民的生活质量，让人工智能技术真正深入到社会的各个角落，为各行各业带来智能化的变革与升级。大模型的产业化构建是一个复杂而精妙的系统工程，各层之间紧密协作，新一代人工智能正是得益于工程化的过程，实现社会组织与产业的赋能。企业可以根据需求，采用不同的解决方案完成端到端的AI能力建设，其中面向需求的任务拆解、高质量场景数据构建是AI的关键，一些大模型服务供应商将通用的AI能力建设成基础设施，例如DeepSeek就提供本地化部署和云端部署的方案，但私有化的数据、针对性的训练与微调才能将DeepSeek的能力融入具体业务场景中。智能体是一种基于人工智能技术的进一步的应用，它能够感知环境、根据任务目标进行自动规划和决策，然后采取行动以达成任务目标，未来可以成为人类的聪明助手。与传统软件不同，智能体具备自主性，能够在无人直接干预的情况下独立完成任务；它还具有适应性，能根据环境变化调整自身行为。此外，智能体拥有执行性，可将决策转化为具体行动，并且具有进化性，能够通过学习不断提升自身性能。最关键的是，多个智能体之间还能像人类社会一样相互链接，相互协作，共同完成复杂任务。随着大模型技术的飞速发展，智能体成为人工智能发展的下一个重要方向，它的能力得到了极大提升，但单个智能体在处理复杂任务时处理能力有限、灵活性不足、资源利用效率低、容错性差。过去20年信息社会的发展，实现了从人到物的互联互通，互联网、物联网造就了信息社会的基础设施，为多智能体的联网带来了可能。而多智能体系统的互联互通开启了万智互联的时代，多智能体互联可以实现任务分解、任务并行、协同互补，智慧化程度更高、自主性更强、成本和风险更低。因此，为了突破单智能体的能力限制，实现更大规模、更高效的智能体协作，智能体互联网（Internet of Agents）应运而生，这是人工智能技术发展的必然趋势。智能体真正联网之后，应用场景十分广泛，会改变我们的生活与工作。以智能体协助订票服务为例，用户向智能体输入订票相关的自然语言指令，如“订一张明天10点出发从北京到上海的高铁票”或“预订一家上海世纪公园附近、今晚8点、5人用的餐厅”。智能体接收到指令后，会启动大模型的推理机制，自动分析任务的关键信息，如出行日期、出发地、目的地、用餐时间、人数等，然后根据这些信息制订执行计划，确定需要访问的网站或应用程序，以及在这些平台上需要执行的操作步骤。智能体还会结合视觉识别与强化学习推理能力，模拟人类操作浏览器。如果各个服务平台网站通过API接口的方式授权智能体调用服务，它会自动打开相应的订票网站或应用程序，如12306网站或美团餐厅预订平台，在页面上找到对应的输入框、按钮等元素，填写出发地、目的地、出行日期等信息，并进行搜索。如果搜索结果中有多个符合条件的车次、航班或餐厅，智能体可能会根据用户的偏好（如优先选择某个航空公司、靠近某个地点的餐厅等）或默认规则进行筛选，也可能会将多个选项呈现给用户，让用户进行选择。确定具体的车次、航班或餐厅后，智能体自动填写乘客或用餐者的相关信息（如姓名、身份证号、联系方式等），并完成下单操作。在涉及支付环节时，由于安全机制，智能体通常会要求用户接管，由用户亲自输入支付密码或进行其他身份验证操作，以确保交易安全，如果客户授权给智能体完成所有操作，那智能体也可以开启免密模式，实现全流程接管。在网上涉及多步操作的事情，将来都可以用智能体来完成，把人们从各种办公网站、服务网站、手机App的打开、输入、选择、点击等烦琐操作中解放出来。Manus是近期国内发布的全球首个通用智能体应用，在官方网站上列举了40个案例，展示其在多种复杂场景下的应用。这些场景涵盖个性化旅行规划、股票分析、教育课程开发、保险政策比较、B2B供应商采购、财务报告分析、公司名单整理、在线商店运营分析、活动解释图制作、候选人面试安排、潜在客户寻找以及新闻发布会提词器制作等领域。这些都涉及了多个智能体的协调，每个智能体都有自己的分工和专长。大模型不仅让每个智能体更聪明，也让它们之间的协作更顺畅。智能体们可以通过自然语言交流，共享知识和策略，一起完成更加复杂的任务。这就像我们在团队项目中，每个人发挥自己的长处，同时与伙伴密切配合，最终达成共同的目标。早在2023年，斯坦福大学公布了一个“AI小镇”的项目。这个项目利用大模型，创造了一个栩栩如生的智能体虚拟社区。在这个小镇上，居住着各式各样的AI角色，他们有自己的性格特点、生活方式和社交圈子。小镇里的教师智能体会认真备课、辅导学生，医生智能体会仔细问诊、开具处方，警察智能体会巡逻街道、维护治安，软件工程师智能体可以组建软件开发团队，从产品经理、代码实现、测试等一应俱全。这些AI角色之间会通过对话互动，形成复杂的社会关系网络，展现出像人类社会一样的群体行为。“AI小镇”生动展示了大模型赋能下的多智能体系统。每个智能体不仅有个性鲜明的人设，还有与角色相称的知识和能力。他们可以进行自然流畅的对话，讨论从天气到人生的各种话题，可以根据身份和情境，做出符合常理的判断和行为，还可以通过互动交流，建立起友谊、合作等社会关系。这一切都得益于大模型提供的强大语言、知识、推理等赋能。“AI小镇”让我们仿佛看到了未来社会的缩影，一个人与AI和谐共处、协同发展的美好图景。随着技术的不断进步，智能体互联网将朝着更高质量、更智能、更个性化的方向发展。2024年，清华大学智能产业研究院发布了由智能体构成的AI医院，其中包含了21个科室、42位AI医生，模拟了实际医院求医问药的场景。未来，智能体互联网将打破单个智能体的局限性，通过大规模连接和协作，实现异构智能体之间的高效协同工作。它将在个人生活、企业运营、社会服务等各个领域发挥重要作用，为人类提供更为强大的人工智能能力，开启未来智能生活的序幕。人工智能赋能产业的关键在于技术与场景的深度融合。一方面，AI技术需要不断创新与优化，以满足不同产业场景的多样化需求。例如，研发更高效的模型训练算法，降低计算资源消耗，提高模型训练速度与性能。另一方面，产业场景需要充分挖掘自身的业务痛点与需求，积累高质量业务数据，形成数据要素的全流程生产，积极引入合适的AI技术与部署方案。构建AI产业场景化的生态至关重要。这需要产学研多方共同参与。高校与科研机构负责追踪世界前沿并开展基础技术研究，为产业发展提供技术源头；企业则重视私域数据要素积累，并结合AI技术转化为新的产品与服务模式，创造市场需求；政府部门通过制定政策法规，营造良好的产业发展环境，促进AI技术在各产业的应用推广。例如，政府可设立专项资金支持AI产业示范项目，重点产学研实现从信息到数据再到智能的贯穿式解决方案，鼓励企业开展技术创新与应用试点。同时，产业链上下游之间需要加强合作，打通数据壁垒，以数赋智，形成协同发展的格局。如芯片制造商、算法研发企业、应用开发商之间相互协作，共同推动AI技术在产业场景中的落地应用。在大模型企业应用过程中，存在诸多风险需要防控。数据安全是首要问题，企业在使用大模型处理数据时，可能面临数据泄露、篡改等风险。因此，企业需建立严格的数据加密机制，对数据的存储、传输与使用过程进行全程加密保护。同时，加强数据访问权限管理，确保只有授权人员能够访问敏感数据。模型偏见与幻觉也是一个重要风险。由于大模型是基于大量数据训练的，如果训练数据存在偏差和幻觉，可能导致模型输出带有偏见的结果。企业在训练模型前，应对数据进行仔细清洗与预处理，去除可能存在的偏差数据。此外，在模型训练过程中，引入公平性评估指标，及时发现并纠正模型可能产生的偏见。法律合规风险同样不容忽视。随着AI技术的广泛应用，相关法律法规不断完善。企业在应用大模型时，需确保自身行为符合法律法规要求，如遵守数据保护法规、知识产权法规等。例如，在使用第三方数据训练模型时，要确保获得合法的数据使用授权，避免侵权行为。当前，全球人工智能发展正处于由弱人工智能向强人工智能过渡的阶段，人工智能已然成为主导国家战略竞争力的重要支撑和推动科技革命的重要力量，人工智能已经具备典型通用技术特征，是培育和发展新质生产力的重要引擎。未来，“人工智能+新一代信息通信”技术将成为人类社会生活的基本场景，从大模型到万智互联、智能体联网协作，不是替代人类的工作，而是把我们从繁重、重复、低效的劳动中解放出来，去追求更加有挑战的工作和任务。为了加速这一愿景的实现，组织与个人需要共同努力，积极拥抱这场人工智能变革，去驾驭AI而不是被AI替代。
来源：国资报告
