這是深水研究第二次與熊明輝老師的對話。

去年11月底，在《法律與人工智能》集刊第一期發(fā)布會現(xiàn)場，熊明輝老師分享了他對于法律與人工智能行業(yè)的深度洞察，其中包括對于算力成本必然將大幅下降、AI Agent會成為2025年人工智能行業(yè)超級賽道的預(yù)測。

2025年1月，DeepSeek轟動全球，隨后的Manus更是讓AI Agent得以出圈成為AI行業(yè)的新技術(shù)風(fēng)向標(biāo)。

在2025年6月7日于杭州舉行的2025全球人工智能技術(shù)大會上，他也進(jìn)一步分享了這半年來他的前沿預(yù)測。相比Cathy Wood木頭姐最近報告中對全球AI產(chǎn)業(yè)變化趨勢的判斷，熊明輝的觀察可能更加接近中國產(chǎn)業(yè)應(yīng)用的實(shí)際情況。

這里分享我們的專訪紀(jì)要，推薦所有AI行業(yè)從業(yè)者一讀。

人工智能目前應(yīng)用最廣泛的產(chǎn)業(yè)是什么？

如果去看各家AI大模型廠商提供的案例就會發(fā)現(xiàn)，法律在各大廠商的應(yīng)用場景里，都是極為高頻出現(xiàn)的賽道。

不過，作為《法律與人工智能》集刊主編、浙江大學(xué)數(shù)字法治實(shí)驗室主任熊明輝說，AI不僅僅正在改變法律行業(yè)，也在徹底改變他的法學(xué)教育模式。

熊明輝是那個能提前看到趨勢變化的人。

當(dāng)他在2024年提出“智能體是超級賽道”時，業(yè)界更多將其視為技術(shù)愿景，智能體概念也完全沒有進(jìn)入公眾視野。

短短半年后，智能體已經(jīng)完成了從“前瞻方向”到“生存必需品”的躍遷。

相比技術(shù)端開發(fā)者的判斷，來自應(yīng)用端觀察者的洞見可能更為即時。

熊明輝的最新判斷是：

1、曾被視為戰(zhàn)略高地的垂直行業(yè)大模型，正遭遇價值重估。行業(yè)知識壁壘正被“通用模型+私有知識庫”的組合擊穿。以騰訊ima為代表的知識庫產(chǎn)品將會在未來擁有巨大想象空間。

2、AI時代真正稀缺的能力，是在海量知識中提出關(guān)鍵問題的創(chuàng)造力。

3、在法律行業(yè)，AI應(yīng)用將極大推動司法公平，這是科技的價值。

“去年不懂大模型只是不夠潮，今年不用就會真正落后”，在我們的對話中，熊明輝以生活場景來進(jìn)行佐證——當(dāng)你家里智能電視都開始彈出AI交互菜單，這標(biāo)志著技術(shù)已深度嵌入日常。

這種“無感滲透”是顛覆的開始：AI正在從實(shí)驗室走入生活，傳統(tǒng)工作流正在開啟一場前所未有的重構(gòu)。

1990年，邁克爾·哈默（Michael Hammer）在《哈佛商業(yè)評論》發(fā)表了著名文章《再造：不是自動化，而是重新開始》（Reengineering Work: Don't Automate, Obliterate）。

哈默認(rèn)為：企業(yè)管理者最大的挑戰(zhàn)，不是用信息技術(shù)去自動化原有流程，而是徹底摒棄一切不增值的工作，把流程從零開始再設(shè)計。

回過頭看，彼時是一場企業(yè)革命的開端。35年后，我們可能又一次站在了相似的出發(fā)點(diǎn)上。

丨對話丨

技術(shù)拐點(diǎn)：

從“不夠潮”到“不會用就落后”

DeepResearch：有人認(rèn)為這一輪AI還沒到改變世界的時刻，但也有人認(rèn)為顛覆已經(jīng)開始了。如何看這種觀點(diǎn)的分歧？

熊明輝：首先我們要看到變化：在2025年之前，不會用AI的人可能只是不夠跟得上潮流。但是2025年以后，如果不用AI，就意味著落后。

從技術(shù)演進(jìn)角度看，我認(rèn)為顛覆性變革已初現(xiàn)曙光：通用大模型通過私有化知識庫的部署，重構(gòu)了搜索邏輯——比如中國知網(wǎng)從布爾檢索轉(zhuǎn)向增強(qiáng)檢索；重塑了知識生產(chǎn)模式——比如騰訊IMA知識庫通過封閉數(shù)據(jù)減少幻覺風(fēng)險。并且我們看到，在政法、醫(yī)療等領(lǐng)域也都實(shí)現(xiàn)了場景化突破。

但AI的顛覆性仍受限于多重邊界：技術(shù)層面，通用模型的幻覺風(fēng)險、數(shù)據(jù)污染問題尚未徹底解決；倫理層面，跨境數(shù)據(jù)流動、隱私保護(hù)與算法透明度的矛盾加??；產(chǎn)業(yè)層面，垂直場景的深度需求與通用模型的粗放式適配之間存在鴻溝。

比如在法律行業(yè)，判決的類案差異性無法被算法完全捕捉，法官的自由裁量權(quán)仍是不可替代的人類能動性體現(xiàn)。

此外，AI對社會結(jié)構(gòu)的沖擊具有滯后性。盡管機(jī)器在記憶和計算能力上超越了人類，但人類所特有的非理性思維和情感共鳴等特質(zhì)，依舊難以被量化和模擬，基本上無法進(jìn)行量化處理。盡管存在情感計算的概念，但所計算的絕不可能是智能體的全部情感，而是計算了中那些可以被計算的情感。機(jī)器人在2025年高考的語文、數(shù)學(xué)和英語科目中得分超過人類的實(shí)驗，正好揭示了AI在依賴記憶的“開卷考試”中的局限性。

預(yù)測方向分歧的本質(zhì)在于觀察維度的差異。

樂觀者聚焦技術(shù)突破帶來的效率革命，悲觀者則憂慮技術(shù)滲透與社會適應(yīng)之間的時滯性。實(shí)際上，AI的顛覆已嵌入具體場景，比如我們說的政法AI通過私有化部署降低幻覺率，但全面改變世界仍需突破倫理共識與制度設(shè)計的瓶頸。

在我看來，未來十年，AI將處于“局部顛覆-整體重構(gòu)”的過渡期，其影響力取決于能否在數(shù)據(jù)治理、倫理框架與行業(yè)定制化之間找到平衡點(diǎn)。

技術(shù)進(jìn)步無法阻擋，但如何讓AI服務(wù)于人的主體性，而非消解人類的獨(dú)特價值，才是決定其能否真正改變世界的關(guān)鍵。

DeepResearch：作為博士生導(dǎo)師，AI對法學(xué)教育有改變嗎？之前網(wǎng)傳一則視頻，有一位英國教師因為學(xué)生作業(yè)都是chatGPT的回答而崩潰。

熊明輝：我認(rèn)為問題出在這位教師自身。當(dāng)前的教育體系需要與時俱進(jìn)，與AI技術(shù)廣泛運(yùn)用和發(fā)展同步。如果一位教師仍然依賴傳統(tǒng)的課程論文作為評價學(xué)生表現(xiàn)的主要標(biāo)準(zhǔn)，那么這位教師可能已經(jīng)落后于時代，因為那些手工批改的論文有可能是學(xué)生借助通用人工智能工具完成的。

我現(xiàn)在檢查博士研究生的課題研究進(jìn)展情況，不看別的，我讓他們共享他們的知識庫給我，我就能夠知道他們的學(xué)習(xí)進(jìn)展。這在AI到來之前是不可想象的事情。

技術(shù)僅能暫時取代人類的部分工作，卻永遠(yuǎn)無法完全替代人類。觀察可知，真正的創(chuàng)新往往源于非理性思維，例如在爭執(zhí)中我們常常不按常理出牌，這恰恰體現(xiàn)了人性。人類之所以獨(dú)特，是因為我們兼具理性與非理性。人工智能作為一種理性工具，其核心價值在于輔助人類提出、分析和解決問題。正如圖書館的書籍對所有人開放，但只有少數(shù)人能成為科學(xué)家，關(guān)鍵在于能否有效地利用這些知識資源，提出恰當(dāng)?shù)膯栴}，這將決定我們的未來。

未來趨勢：

知識庫代替垂直大模型

DeepResearch：未來對于類似法律這樣的行業(yè)場景來說，AI技術(shù)的關(guān)鍵點(diǎn)在哪里？

熊明輝：法律領(lǐng)域的AI應(yīng)用必須滿足兩個條件：可追溯性和可信度。通用大模型的幻覺源于其訓(xùn)練數(shù)據(jù)的不確定性和神經(jīng)網(wǎng)絡(luò)算的黑箱化。

法律領(lǐng)域的特殊性要求其必須具備極高的精確性。以美國律師使用ChatGPT進(jìn)行辯護(hù)的案例為例，模型生成的虛擬案例引發(fā)了法律程序的混亂。這類問題在通用模型中難以根除，因為其訓(xùn)練數(shù)據(jù)來源于開放的網(wǎng)絡(luò)環(huán)境，其中包含大量未經(jīng)驗證的信息，甚至可以說充斥著不實(shí)信息。

大模型的推理能力是將所有先前信息視為真實(shí)知識進(jìn)行推理。盡管大型語言模型在預(yù)訓(xùn)練階段會對數(shù)據(jù)進(jìn)行清洗，但有時也會出現(xiàn)“倒洗澡水時連同嬰兒一起倒掉”的情況。

因此，通過這些數(shù)據(jù)預(yù)訓(xùn)練得出的文心、通義、混元等通用大模型的錯誤率是可想而知的。

DeepSeek的出場基本終結(jié)了基于Transformer的大語言模型對抗賽。從B端到C端的大模語言型應(yīng)用已經(jīng)閃亮登場了，它就是私有化知識庫部署。

所以我看好私有化知識庫部署方向。因為其可以通過限制數(shù)據(jù)來源，確保模型僅基于用戶提供的權(quán)威資料進(jìn)行推理。

自從2023年百模大戰(zhàn)之后，行業(yè)試圖通過細(xì)分領(lǐng)域的大模型解決特定問題，但隨著通用大模型的迭代和私有化知識庫的普及，這種模式的局限性逐漸顯現(xiàn)。

以法律領(lǐng)域為例，通用大模型的幻覺問題暴露了其在專業(yè)場景中的不可靠性。而私有化知識庫部署，比如騰訊IMA知識庫等等工具，就能直接整合用戶專屬數(shù)據(jù)，既避免了幻覺風(fēng)險，又滿足了個性化需求。

而對比來看，垂直大模型的核心問題在于其高昂的開發(fā)成本和有限的應(yīng)用場景。

傳統(tǒng)垂直模型需要針對特定領(lǐng)域進(jìn)行海量數(shù)據(jù)預(yù)訓(xùn)練，而這些數(shù)據(jù)往往難以覆蓋用戶的真實(shí)需求。比如在高?？蒲袌鼍爸校煌瑢W(xué)科的研究者對知識的需求差異巨大，一個面向法學(xué)的垂直大模型可能無法滿足經(jīng)濟(jì)學(xué)或社會學(xué)的研究需求。

相比之下，私有化知識庫通過整合用戶自有的文獻(xiàn)、研究成果和個性化偏好，能夠動態(tài)適應(yīng)用戶的實(shí)際需求，無需依賴預(yù)訓(xùn)練的靜態(tài)模型。這種靈活性是垂直大模型難以企及的。

此外，垂直大模型的開發(fā)需要大量算力和數(shù)據(jù)資源，而私有化知識庫的部署成本更低，且能通過持續(xù)更新保持知識的時效性。

因此，我的判斷是，垂直大模型的“專用性”優(yōu)勢正在被私有化知識庫的“通用性+個性化”組合所取代。

DeepResearch：近期AI廠商的焦點(diǎn)都在搜索，為什么這么看好IMA一類的私有化知識庫應(yīng)用？

熊明輝：今天的這場AI變革的核心在于“知識即資產(chǎn)”的理念。用戶能夠通過私有化數(shù)據(jù)與通用模型的結(jié)合，實(shí)現(xiàn)了高度個性化的解決方案，傳統(tǒng)垂直大模型因成本高、靈活性差逐漸被邊緣化。

比如法律領(lǐng)域通過行業(yè)定制知識庫解決了通用模型的幻覺問題，而高校科研場景中，學(xué)生構(gòu)建的私人知識庫甚至成為評估學(xué)術(shù)能力的依據(jù)。

這種模式的優(yōu)勢在于：

精準(zhǔn)性：知識庫中的數(shù)據(jù)是用戶主動提供的高質(zhì)量內(nèi)容，而非網(wǎng)絡(luò)抓取的污染數(shù)據(jù)；

可控性：用戶可隨時更新知識庫，確保輸出結(jié)果與最新動態(tài)一致；

安全性：數(shù)據(jù)封閉在私域，避免了通用模型的倫理和隱私風(fēng)險。

相比之下，垂直大模型需要大量算力和數(shù)據(jù)預(yù)訓(xùn)練，但最終仍難以覆蓋用戶個性化需求，投入產(chǎn)出比并不劃算。

比如法律領(lǐng)域的判例庫需要動態(tài)更新，而垂直大模型的訓(xùn)練周期長，無法及時反映新法規(guī)或司法實(shí)踐的變化。私有化知識庫則允許用戶按需添加或刪除數(shù)據(jù)，確保模型輸出始終基于最新的知識體系。

另外，私有化部署還能解決通用大模型的幻覺問題。以騰訊IMA知識庫為例，其設(shè)計邏輯是基于用戶提供的封閉數(shù)據(jù)進(jìn)行問答，關(guān)閉聯(lián)網(wǎng)檢索后，模型僅依賴知識庫中的內(nèi)容生成答案，從而大幅減少虛構(gòu)信息的風(fēng)險。

這種“知識庫+通用模型”的組合，既能保留大模型的推理能力，又能通過數(shù)據(jù)控制確保結(jié)果的可靠性，是垂直大模型難以替代的解決方案。