不管黑貓白貓，抓住老鼠就是好貓。

2025年12月3日，「甲子光年」在北京萬達(dá)文華酒店圓滿舉辦“轟然成勢(shì)，萬象歸一”2025甲子引力年終盛典。

在下午的AI模型、基礎(chǔ)設(shè)施與生態(tài)建設(shè)專場(chǎng)中，「甲子光年」邀請(qǐng)到五位身處不同位置的關(guān)鍵實(shí)踐者——中關(guān)村科金副總裁劉倩、北電數(shù)智CMO楊震、RWKV元始智能COO羅璇、思必馳IOT事業(yè)部首席產(chǎn)品官馬斌斌、深勢(shì)科技玻爾技術(shù)研發(fā)負(fù)責(zé)人曹凱，圍繞《當(dāng)AI模型具備推理能力，它改變了什么？》這一主題展開深入探討。

過去一年，以DeepSeek為代表的大模型突破，不僅點(diǎn)燃了技術(shù)圈的激情，更將“AI推理能力”從實(shí)驗(yàn)室概念推至產(chǎn)業(yè)變革的前沿。人們興奮于其帶來的生產(chǎn)力躍升，卻也困惑于其背后究竟是真正的認(rèn)知革命，還是高級(jí)的概率把戲。

在這場(chǎng)圓桌討論中，嘉賓們圍繞“真假推理”展開了激烈而坦誠(chéng)的思想碰撞。一方犀利指出當(dāng)前模型本質(zhì)仍是“超級(jí)小鎮(zhèn)做題家”，另一方則從產(chǎn)業(yè)實(shí)效出發(fā)，強(qiáng)調(diào)“黑貓白貓，抓住老鼠就是好貓”。

從金融場(chǎng)景的智能體重構(gòu)，到醫(yī)療診斷的精準(zhǔn)賦能；從端側(cè)設(shè)備的混合架構(gòu)探索，到科研范式的閉環(huán)革命，我們既看到了現(xiàn)有技術(shù)在垂直場(chǎng)景中釋放的巨大價(jià)值，也觸及了其在可解釋性、可靠性方面等面臨的深層挑戰(zhàn)。

更為重要的是，討論超越了單純的技術(shù)辨析，延伸至人機(jī)關(guān)系的未來圖景：數(shù)字員工將如何與人類協(xié)作？AI是否會(huì)催生“一人公司”的新業(yè)態(tài)？當(dāng)機(jī)器承擔(dān)更多推理工作，人類的價(jià)值與創(chuàng)造力又將定位何處？

以下是本場(chǎng)圓桌的文字實(shí)錄，經(jīng)「甲子光年」編輯，在不改變?cè)獾幕A(chǔ)上略有刪改。

1.無需糾結(jié)于真假推理之辯，關(guān)鍵在于AI能否洞察并解決用戶的痛點(diǎn)需求

劉楊楠（主持人）：大家下午好。我們回到AI浪潮的起點(diǎn)，聊聊模型。推理能力是過去一年模型迭代的核心，它推動(dòng)模型創(chuàng)新，也深刻影響底層架構(gòu)效率與上層應(yīng)用發(fā)展。今天很高興邀請(qǐng)到幾位產(chǎn)業(yè)專家，分享他們的實(shí)踐與思考。首先有請(qǐng)各位嘉賓簡(jiǎn)單自我介紹。

劉倩：我是劉倩，來自中關(guān)村科金，負(fù)責(zé)產(chǎn)業(yè)研發(fā)。我在人工智能和大數(shù)據(jù)領(lǐng)域有十幾年經(jīng)驗(yàn)。中關(guān)村科金是一家以AI科技驅(qū)動(dòng)創(chuàng)新增長(zhǎng)的公司，成立于2014年，一直致力于運(yùn)用人工智能技術(shù)，為政府與企業(yè)客戶提供以科技為核心的平臺(tái)產(chǎn)品和解決方案。

楊震：大家好，我是楊震，北電數(shù)智的CMO。我長(zhǎng)期從事咨詢與數(shù)字化轉(zhuǎn)型工作。北電數(shù)智是一家年輕的人工智能原生國(guó)企，通過“數(shù)算模用”全棧布局，推動(dòng)AI在各產(chǎn)業(yè)與企業(yè)中的落地。我們?cè)诒本⒎鹕健⒅楹?、馬鞍山、云南等地布局，以城市AI底座，結(jié)合“一地一策、一業(yè)一策”的因地制宜精準(zhǔn)賦能模式，切實(shí)推動(dòng)本地產(chǎn)業(yè)AI化和AI產(chǎn)業(yè)化。

羅璇：大家好，我是羅璇，來自元始智能。此前我在阿里負(fù)責(zé)機(jī)器人與AI產(chǎn)品，目前我們專注于非Transformer架構(gòu)的研究——我們是全球首個(gè)該架構(gòu)的提出者。2020年啟動(dòng)，如今微軟在每臺(tái)Windows電腦中內(nèi)置了我們的模型，中國(guó)電科大模型也基于我們的架構(gòu)訓(xùn)練出Speed模型與Agent平臺(tái)。我們?cè)谌驌碛写罅块_發(fā)者，近200篇學(xué)術(shù)論文基于我們的架構(gòu)開展研究，也歡迎大家關(guān)注這個(gè)方向。

馬斌斌：大家好，我是思必馳IoT首席產(chǎn)品官馬斌斌。思必馳是國(guó)內(nèi)專業(yè)的對(duì)話式人工智能平臺(tái)型企業(yè)，長(zhǎng)期服務(wù)B端客戶，覆蓋汽車、家居、會(huì)議辦公等行業(yè)，客戶包括梅賽德斯-奔馳、奧迪、大眾、聯(lián)想、美的、海爾、追覓、科沃斯等眾多行業(yè)頭部企業(yè)。去年起，我們結(jié)合AI語(yǔ)音技術(shù)與大模型進(jìn)展，推出了面向C端的AI辦公本，在垂直場(chǎng)景中取得良好效果，期待與大家分享。

曹凱：大家好，我是曹凱，來自深勢(shì)科技，負(fù)責(zé)玻爾產(chǎn)品線的研發(fā)。深勢(shì)科技成立已滿七年，是一家從AI for Science起步，圍繞科學(xué)計(jì)算打造全鏈路工具鏈的公司。

劉楊楠（主持人）：謝謝曹總。幾位嘉賓的背景很多元，有的來自產(chǎn)業(yè)，有的專注模型，楊總則更偏向基礎(chǔ)設(shè)施。想請(qǐng)大家從各自角度出發(fā)，用一兩句話或一個(gè)詞，分享對(duì)過去一年AI推理能力進(jìn)化的核心感受。

劉倩：我想到的詞是“期待”。今年春節(jié)前后，DeepSeek的出現(xiàn)可以說讓大家過了一個(gè)全然不同的春節(jié)。整個(gè)行業(yè)都在加班跟進(jìn)。在經(jīng)歷前兩年的平緩期后，這如同一股新的生命力，帶來了新的訓(xùn)練方式、模型能力與應(yīng)用可能。雖然離通用人工智能還很遠(yuǎn)，但又為我們打開了新的想象空間。

楊震：我選擇“生產(chǎn)力”。自DeepSeek發(fā)布以來，推理模型真正開始走向產(chǎn)業(yè)、轉(zhuǎn)化為生產(chǎn)力。我們今年4月舉辦酒仙橋論壇時(shí)，主題就叫“AI生產(chǎn)力元年”。現(xiàn)在，我們?cè)卺t(yī)療、工業(yè)、AIGC等多個(gè)垂類場(chǎng)景已看到落地案例，AI正逐步在行業(yè)中發(fā)揮實(shí)際作用。

羅璇：我用“假推理”。當(dāng)前模型所做的“推理”和過去基于符號(hào)的邏輯推理完全不同。它本質(zhì)上是基于概率的概念計(jì)算，因此仍會(huì)出錯(cuò)。希望大家對(duì)現(xiàn)有技術(shù)的能力邊界有更清晰的認(rèn)知。

馬斌斌：我想分享一位用戶的真實(shí)反饋。他在使用我們辦公本的AI洞察功能后說：“有種后背發(fā)涼的感覺，可以深度剖析會(huì)議隱藏的問題，并給出切實(shí)可行的行動(dòng)方案，AI就像一個(gè)有十年經(jīng)驗(yàn)的專家在提供建議?！?/p>

曹凱：我用一個(gè)比喻：當(dāng)前的推理AI像是一顆超強(qiáng)的CPU，但我們還沒有能充分釋放其能力的主板、外設(shè)和操作系統(tǒng)。

劉楊楠（主持人）：謝謝曹總。確實(shí)，羅總和產(chǎn)業(yè)端同仁的視角存在一定差異。接下來這個(gè)問題，想圍繞羅總剛才提出的“真假推理”展開。蘋果公司的研究團(tuán)隊(duì)曾發(fā)布一篇題為《思考的幻覺》的論文，重錘質(zhì)疑主流LLM的推理能力，認(rèn)為它們只是“記憶性特別好的復(fù)讀機(jī)”。當(dāng)前市面上大多數(shù)模型的“推理”，是否本質(zhì)上還是高級(jí)的概率預(yù)測(cè)？我們是否在濫用“推理”這個(gè)詞？

羅璇：接著我剛才的話題，現(xiàn)在的推理更像是一個(gè)“超級(jí)小鎮(zhèn)做題家”。它把全世界的題目和答案都背下來，卻不理解解題的邏輯，只是指望在考試時(shí)遇到相似的題。這就是目前大模型的基本邏輯。

而人類的思考并非如此。我們通過少量題目就能抽象出解題方法，比如從各種現(xiàn)象中總結(jié)出圓的方程。這是符號(hào)邏輯的抽象能力，但當(dāng)前大模型無法實(shí)現(xiàn)這一點(diǎn)，它始終依賴概率計(jì)算，無法真正抽象出符號(hào)邏輯。

符號(hào)邏輯的價(jià)值在于數(shù)據(jù)收斂性，不需要海量數(shù)據(jù)就能發(fā)現(xiàn)規(guī)律。而當(dāng)前大模型卻需要無限增長(zhǎng)的數(shù)據(jù)量，甚至Scanning Law的失效也被歸因于“數(shù)據(jù)不夠用”。這就像說全世界的糧食不夠一個(gè)人吃一樣荒謬。問題究竟出在數(shù)據(jù)上，還是模型本身？

今天我想強(qiáng)調(diào)的是，當(dāng)前模型與人類的思考、記憶、推理方式都不同，甚至不太符合我對(duì)“AI”的原本定義——即創(chuàng)造出能像人一樣思考的系統(tǒng)。

RWKV元始智能COO羅璇

劉楊楠（主持人）：謝謝羅總，稍后我們?cè)僬?qǐng)您從技術(shù)層面展開。對(duì)于羅總這個(gè)觀點(diǎn)，其他嘉賓是否有不同看法？劉總，請(qǐng)您先談?wù)劇?/p>

劉倩：首先，可能不是每位都熟悉剛才提到的《思考的幻覺》這篇蘋果論文，我先簡(jiǎn)要介紹一下。這篇論文設(shè)計(jì)了包括漢諾塔、渡河等四個(gè)實(shí)驗(yàn)，測(cè)試大模型在解題中的表現(xiàn)，得出幾個(gè)結(jié)論：在簡(jiǎn)單任務(wù)（步驟少于5）中，經(jīng)過推理增強(qiáng)的模型表現(xiàn)反而更差；在復(fù)雜任務(wù)（如步驟大于6的渡河問題）中模型則完全失效。論文由此認(rèn)為大模型不具備真正的推理能力，更多是依賴統(tǒng)計(jì)概率。

但緊接著，另一篇由Claude與人類專家合著的論文《關(guān)于“思考的幻覺”的幻覺》對(duì)此提出了反駁。它指出：第一，復(fù)雜任務(wù)失效是因?yàn)槟Ｐ蜕舷挛拈L(zhǎng)度不足，無法處理問題，因此不能以此證明其缺乏推理能力；第二，渡河問題在步驟大于6時(shí)本無解，不能通過無解問題否定模型的推理能力；第三，人類同樣無法直接推導(dǎo)幾千步的漢諾塔，但不能因此說人類沒有推理能力。這兩篇論文的爭(zhēng)鋒非常精彩。

從產(chǎn)業(yè)角度看，這件事凸顯了幾個(gè)關(guān)鍵點(diǎn)：

第一，如何科學(xué)評(píng)估大模型本身就是一個(gè)挑戰(zhàn)。比如第二篇論文提到，若讓模型輸出可執(zhí)行的Lua函數(shù)（如代碼），結(jié)果可能是正確的，這說明評(píng)測(cè)方法至關(guān)重要。

第二，任務(wù)指令的設(shè)計(jì)直接影響模型表現(xiàn)——是讓它直接輸出答案，還是輸出一段代碼來執(zhí)行，結(jié)果可能大不相同。

第三，將復(fù)雜任務(wù)合理拆解，而非全部塞入長(zhǎng)上下文，更能有效發(fā)揮模型能力。

因此我認(rèn)為，產(chǎn)業(yè)界更應(yīng)關(guān)注如何用好現(xiàn)有模型能力，就像自動(dòng)駕駛分為L(zhǎng)2到L5，即便尚未實(shí)現(xiàn)L5，也不妨礙其在當(dāng)前場(chǎng)景中發(fā)揮廣泛價(jià)值。技術(shù)總是在演進(jìn)，未來也可能出現(xiàn)新的形態(tài)。

我們不必過度糾結(jié)于它是否“真正推理”，而應(yīng)著重理解技術(shù)邊界，探索如何在產(chǎn)業(yè)中最大化其價(jià)值，并推動(dòng)持續(xù)演進(jìn)。

中關(guān)村科金副總裁劉倩

劉楊楠（主持人）：謝謝劉總，非常精彩，從產(chǎn)業(yè)視角豐富了我們對(duì)技術(shù)“真?zhèn)巍钡谋嫖?。楊總，我看您剛才?duì)劉總的觀點(diǎn)也很認(rèn)同。

楊震：是的，我來自產(chǎn)業(yè)側(cè)，觀點(diǎn)會(huì)比較務(wù)實(shí)。我們堅(jiān)信實(shí)踐是推動(dòng)技術(shù)進(jìn)步的主要?jiǎng)恿Α?/p>

關(guān)于如何理解“推理”，我的定義是：基于有限信息推導(dǎo)出未知結(jié)論。 只要最終能達(dá)成結(jié)果、創(chuàng)造價(jià)值，它是否完全遵循人類的思維路徑，其實(shí)并不關(guān)鍵。

基于這個(gè)定義，再看當(dāng)前落地的關(guān)鍵：有效的數(shù)據(jù)和知識(shí)在哪里？尤其是在國(guó)內(nèi)，許多高價(jià)值數(shù)據(jù)（如醫(yī)療數(shù)據(jù)、工業(yè)場(chǎng)景的生產(chǎn)參數(shù)）是封閉的、難以獲取的。沒有這些，推理無從談起。

這正是我們致力于解決的問題。例如，我們與中日友好醫(yī)院合作的皮膚專病大模型，其核心價(jià)值不僅在于對(duì)海量專病數(shù)據(jù)的利用，更在于提煉出了數(shù)千條診療知識(shí)。數(shù)據(jù)可以輔助檢測(cè)，但真正的診療建議需要“推理”。這個(gè)模型的準(zhǔn)確率目前已接近90%，幾乎達(dá)到三甲醫(yī)院主治醫(yī)師的水平。盡管其底層可能是概率計(jì)算，但它創(chuàng)造了等同于人類推理的價(jià)值。這本身就非常重要。

第二點(diǎn)，我們并非依賴單一模型工作，而是構(gòu)建系統(tǒng)化的工作流。比如我們正在搭建的體系：一個(gè)通識(shí)模型，結(jié)合多個(gè)垂直的?？颇Ｐ?、知識(shí)庫(kù)以及智能體，并引入評(píng)測(cè)機(jī)制來校驗(yàn)結(jié)果的合理性與邏輯性。

以藥物研發(fā)為例，我們與國(guó)家級(jí)實(shí)驗(yàn)室合作，通過智能體將專家假設(shè)拆解為不同任務(wù)，由各自領(lǐng)域的專業(yè)智能體（如mRNA研究、蛋白質(zhì)研究）調(diào)用相應(yīng)模型進(jìn)行分析。之后，還有一個(gè)專家智能體負(fù)責(zé)評(píng)審這些分析是否合乎方向，若不通過則打回重做。最終，由智能體整合結(jié)論并生成報(bào)告。這是一個(gè)多智能體協(xié)作、層層驗(yàn)證的機(jī)制，而非單一模型獨(dú)立運(yùn)作。

所以，我們更關(guān)注如何通過工程化和系統(tǒng)化的方式，讓現(xiàn)有技術(shù)在實(shí)際場(chǎng)景中可靠地創(chuàng)造價(jià)值。

曹凱：非常同意剛才的分享。討論智能體是否像人類一樣推理并非關(guān)鍵，真正的挑戰(zhàn)在于大模型已跨越閾值、產(chǎn)生實(shí)際效用。當(dāng)前最重要的問題，是如何讓它的輸出更可控、可驗(yàn)證，從而成為可靠的科研決策工具。

楊震：接著剛才蘋果論文的話題，我們的首席科學(xué)家竇德景教授最近有一篇關(guān)于可解釋深度學(xué)習(xí)的論文，榮獲2025 KAIS最佳論文獎(jiǎng)。該論文從可視化、魯棒性、敏感性等維度梳理現(xiàn)狀，并提出一套融合邏輯推理與網(wǎng)絡(luò)節(jié)點(diǎn)的架構(gòu)體系。這正好回應(yīng)了劉總提到的解釋與推理的問題——模型的可解釋性本身正是當(dāng)前研究的重點(diǎn)。

馬斌斌：我認(rèn)為，當(dāng)前的模型或許尚未達(dá)到真正的推理，但也不是完全的“假推理”。它更像一個(gè)剛學(xué)會(huì)走路、還會(huì)跌倒的孩子，已具備初步的理解與交互能力。在Transformer出現(xiàn)之前，AI更多是基于模式識(shí)別的概率統(tǒng)計(jì)；而現(xiàn)在，它已能理解不同表達(dá)背后的意圖。

其次，技術(shù)從來不是完美的。從應(yīng)用層出發(fā)，我們并不糾結(jié)于它是否成熟，而更關(guān)注它能否洞察并解決用戶的痛點(diǎn)需求。是真推理還是假推理并不重要——黑貓白貓，能抓到老鼠就是好貓。這才是我們真正關(guān)心的。

2.探索技術(shù)與產(chǎn)業(yè)的邊界

劉楊楠（主持人）：謝謝馬總。幾位嘉賓的討論展現(xiàn)了兩個(gè)維度：羅總從模型與架構(gòu)層面探索技術(shù)邊界，而產(chǎn)業(yè)方則在現(xiàn)有技術(shù)基礎(chǔ)上釋放價(jià)值，并不斷觸摸產(chǎn)業(yè)邊界，這兩種路徑都極為可貴。

接下來，請(qǐng)羅總從非Transformer架構(gòu)的視角分享：您認(rèn)為通用推理能力還需多久實(shí)現(xiàn)？以及技術(shù)層面如何實(shí)現(xiàn)曹總提到的可解釋與可靠性，以支撐產(chǎn)業(yè)落地？

羅璇：我們開發(fā)的RWKV架構(gòu)，自始就認(rèn)為Transformer在效果天花板與資源消耗上存在根本局限，其擴(kuò)展模式已遇到瓶頸。從我們的視角，需解決兩個(gè)核心問題：

第一，如何從有限數(shù)據(jù)中高效提取規(guī)律——當(dāng)前Transformer依賴海量數(shù)據(jù)，效率低下。

第二，如何將規(guī)律轉(zhuǎn)化為符號(hào)邏輯。我們第八代架構(gòu)已能讓AI內(nèi)部生成符號(hào)語(yǔ)言來描述上下文，這為下一代神經(jīng)符號(hào)架構(gòu)奠定了基礎(chǔ)，也將實(shí)現(xiàn)真正的可解釋性。

只有基于這樣的新架構(gòu)，才能從根本上解決當(dāng)前大模型在符號(hào)邏輯推理與可解釋性上的局限。

我想引用楊振寧先生的觀點(diǎn)：現(xiàn)代科學(xué)源于從公理出發(fā)進(jìn)行推演，并精準(zhǔn)預(yù)測(cè)未來。如果基于不可信的模型進(jìn)行“推理”，其結(jié)論無法可靠預(yù)測(cè)未來，這能否稱為科學(xué)？

因此，我們堅(jiān)信數(shù)據(jù)必須收斂，推理應(yīng)建立在符號(hào)邏輯之上。我們推出的全球首個(gè)適用于大語(yǔ)言模型的神經(jīng)符號(hào)架構(gòu)，正是向這一方向的探索。歡迎大家關(guān)注。

劉楊楠（主持人）：謝謝羅總帶我們進(jìn)行了一番對(duì)技術(shù)未來的展望。接下來，我們請(qǐng)四位來自產(chǎn)業(yè)界的嘉賓，帶我們回歸現(xiàn)實(shí)，看看“腳踏實(shí)地”的成果。中關(guān)村科金在金融領(lǐng)域落地較多，想請(qǐng)劉總具體展開分享：AI推理能力如何具體影響現(xiàn)有的工作流？在這個(gè)過程里，人類和AI的協(xié)同會(huì)發(fā)生怎樣的變化？

劉倩：首先呼應(yīng)一下羅總，技術(shù)路線上存在Transformer與非Transformer的爭(zhēng)論與探索，對(duì)產(chǎn)業(yè)界來說是好事，新想法意味著新的可能性。

中關(guān)村科金的客戶確實(shí)有不少來自金融行業(yè)?；诋?dāng)前DeepSeek等模型的能力，我們今年做了大量研究與實(shí)踐，發(fā)現(xiàn)它在效果和效率上遠(yuǎn)超以往。我以“財(cái)富助手”產(chǎn)品為例說明。

這個(gè)產(chǎn)品服務(wù)于財(cái)富經(jīng)理或終端消費(fèi)者。去年我們采用傳統(tǒng)方式開發(fā)：先做意圖識(shí)別，再根據(jù)意圖查詢各類數(shù)據(jù)庫(kù)和行業(yè)信息，最后結(jié)合訓(xùn)練的行業(yè)模型給出配置建議或數(shù)據(jù)檢索。這種方式存在兩個(gè)痛點(diǎn)：第一，需要持續(xù)分析用戶問題，優(yōu)化意圖識(shí)別模型；第二，當(dāng)數(shù)據(jù)源、知識(shí)和信息動(dòng)態(tài)變化時(shí)，整個(gè)處理流程非常繁瑣。

今年，我們引入了智能體（Agent）和多智能體（Multi-Agent）架構(gòu)，結(jié)合推理增強(qiáng)模型后，帶來了根本性改變。開發(fā)同樣場(chǎng)景的時(shí)間周期縮短到原來的十分之一，意圖理解的準(zhǔn)確率大幅提升，并且能夠動(dòng)態(tài)接入各種新的數(shù)據(jù)源，讓最新信息被快速分析并生成報(bào)告。

舉例來說，用戶查詢“某股票近期成交量”。傳統(tǒng)方式可能只會(huì)固定地調(diào)出一張走勢(shì)圖（那往往是價(jià)格圖，而非成交量）。而新的推理架構(gòu)，即便底層沒有現(xiàn)成的成交量圖示，也能通過對(duì)數(shù)據(jù)源和意圖的深度分析，自動(dòng)生成準(zhǔn)確的成交量分析報(bào)告。

當(dāng)然，挑戰(zhàn)依然存在，模型的推理過程也可能出錯(cuò)。因此，在產(chǎn)品設(shè)計(jì)上必須做到：將整個(gè)推理過程可視化、可回溯、可追溯，并允許人工介入修正。本質(zhì)上，對(duì)于產(chǎn)業(yè)應(yīng)用而言，我們獲得了一個(gè)更強(qiáng)大的“武器”，但要想用好它，仍需依靠上下文工程、周邊工程框架等多種手段，在金融這類對(duì)合規(guī)和嚴(yán)肅性要求極高的場(chǎng)景中，兼顧靈活性、效果與可解釋性。

劉楊楠（主持人）：北電數(shù)智率先提出了“數(shù)算模用全棧布局”的理念，在您看來，這個(gè)理念是如何支持AI推理能力的？能否結(jié)合公司一個(gè)最典型的客戶案例展開分享。

楊震：謝謝。我們的經(jīng)驗(yàn)與劉總相似，但覆蓋的行業(yè)更多，包括醫(yī)療、工業(yè)、文旅等。背后的邏輯一致：以實(shí)踐推動(dòng)技術(shù)落地。

我們率先提出“數(shù)算模用”全棧布局，正是為了推動(dòng)AI真正“用起來”。

• 數(shù)：以可信數(shù)據(jù)空間為基礎(chǔ)，通過知識(shí)工程、合成數(shù)據(jù)等服務(wù)，將數(shù)據(jù)轉(zhuǎn)化為高價(jià)值知識(shí)，或?yàn)槿狈?shù)據(jù)的場(chǎng)景生成數(shù)據(jù)，推動(dòng)高價(jià)值數(shù)據(jù)釋放。

• 算：自2023年起布局國(guó)產(chǎn)算力，通過混元適配與靈活調(diào)度降低使用成本與門檻，并持續(xù)推動(dòng)算力與場(chǎng)景的直接對(duì)接。

• 模：一方面做推理引擎加速，另一方面打造垂類模型。作為原生AI企業(yè)，我們采取從專項(xiàng)模型到行業(yè)模型的路徑。例如在醫(yī)療領(lǐng)域，從專病模型做起，逐步形成?？颇酥寥颇Ｐ?。目前在政務(wù)、醫(yī)療、工業(yè)等領(lǐng)域的垂類模型均已達(dá)到可用、好用水平。

• 用：聚焦行業(yè)場(chǎng)景（如醫(yī)療、工業(yè)）落地智能體。例如，我們面向醫(yī)療行業(yè)的AI全科助手，就由多個(gè)智能體協(xié)同工作。

在醫(yī)療行業(yè)，我們構(gòu)建了數(shù)據(jù)底座來整合知識(shí)，依托垂類模型與智能體引擎，并針對(duì)患者服務(wù)、醫(yī)院管理、臨床應(yīng)用、基層醫(yī)療等不同場(chǎng)景進(jìn)行專項(xiàng)落地。這使得AI賦能得以貫穿診前、診中、診后全流程，并覆蓋從三甲醫(yī)院到基層機(jī)構(gòu)。

我們的皮膚專病模型準(zhǔn)確率超90%，認(rèn)知障礙早篩達(dá)到“雙80”水平（等同于三甲主治醫(yī)師），藥師助手也表現(xiàn)優(yōu)異。這些成果不僅能提升三甲醫(yī)院的診療與病歷水平，更能賦能基層，實(shí)現(xiàn)優(yōu)質(zhì)醫(yī)療資源下沉與普惠。

所以，“數(shù)算模用”的出發(fā)點(diǎn)是應(yīng)用。我們根據(jù)場(chǎng)景需要，去選擇并整合算力、模型與數(shù)據(jù)方案，通過模型工程與智能體工程，推動(dòng)技術(shù)從可用到好用。

北電數(shù)智CMO楊震

劉楊楠（主持人）：所以核心是通過系統(tǒng)工程來實(shí)現(xiàn)推理能力，而非依賴單一模型。

楊震：是的，并且其提效效果顯著。AI并非為了簡(jiǎn)單替代職業(yè)，而是緩解關(guān)鍵行業(yè)的資源壓力。例如，高水平醫(yī)生、高質(zhì)量客戶經(jīng)理都是稀缺資源。AI助手能大幅提升工作效率、降低誤診率，緩解這些領(lǐng)域人才緊缺的現(xiàn)狀。

劉楊楠（主持人）：接下來想請(qǐng)馬總結(jié)合實(shí)踐談?wù)劊壳岸藗?cè)設(shè)備的本地推理能力整體進(jìn)展如何？

馬斌斌：客觀說，端側(cè)推理能力目前仍落后于云端，受參數(shù)規(guī)模和技術(shù)架構(gòu)限制，尚不完全成熟。我們的AI辦公本采用了“端云一體化”架構(gòu)，支持離線語(yǔ)音識(shí)別、轉(zhuǎn)寫與會(huì)議紀(jì)要生成，適配無網(wǎng)會(huì)議、保密會(huì)議等場(chǎng)景。

從應(yīng)用層的理念來說，技術(shù)從來不是完美的，關(guān)鍵在于如何用不完美的技術(shù)去滿足用戶在特定場(chǎng)景下的具體需求。

以常見的會(huì)議轉(zhuǎn)寫和紀(jì)要生成為例，現(xiàn)有方案普遍存在兩個(gè)問題：一是轉(zhuǎn)寫原文過于冗長(zhǎng)，難以回溯關(guān)鍵信息；二是生成的紀(jì)要容易過度概括、遺漏要點(diǎn)，甚至出現(xiàn)編造，準(zhǔn)確性難以保證。

我們的解決方案是在中間增加一步，實(shí)時(shí)生成一份結(jié)構(gòu)化的AI筆記。通過將一小時(shí)、上萬字的原文，結(jié)構(gòu)化梳理成包含大小要點(diǎn)的筆記，最終濃縮至千字左右，確保要點(diǎn)無一遺漏。這樣，驗(yàn)證會(huì)議紀(jì)要的準(zhǔn)確性就變得非常直觀。

實(shí)際上，不同角色對(duì)會(huì)議內(nèi)容的需求是不同的：整理紀(jì)要的秘書需要參考原文；領(lǐng)導(dǎo)者只關(guān)心結(jié)論和下一步行動(dòng)；執(zhí)行層則需要查看清晰的要點(diǎn)筆記。我們通過流程分解，匹配了不同場(chǎng)景下的角色需求。

更進(jìn)一步，如果用戶需要獲得建議而不僅僅是總結(jié)，我們開發(fā)了AI洞察功能。它能以第三方視角，分析會(huì)議中存在的問題、關(guān)鍵決策人、支持者與決策機(jī)制。例如，在提案會(huì)上，它能自動(dòng)分析甲方關(guān)注點(diǎn)或乙方的爭(zhēng)取方向，提供深層的策略參考。

這一功能受到了用戶的高度認(rèn)可。一位投資人用戶反饋，AI洞察讓他有“后背發(fā)涼”的感覺——因?yàn)樗钚枰吹降恼菃栴}所在，而非一片大好的空話。這證明，從真實(shí)業(yè)務(wù)場(chǎng)景洞察需求，用現(xiàn)有技術(shù)加以滿足，產(chǎn)品才能真正創(chuàng)造價(jià)值。

思必馳IOT事業(yè)部首席產(chǎn)品官馬斌斌

劉楊楠（主持人）：在玻爾科研空間站中，未來的科學(xué)家將與具備推理能力的AI形成一種怎樣的新型科研伙伴關(guān)系？是人類科學(xué)家提出大膽猜想，AI負(fù)責(zé)嚴(yán)謹(jǐn)驗(yàn)證；還是AI能從數(shù)據(jù)中自主推理出全新的、反直覺的科學(xué)假說？

曹凱：我認(rèn)為未來AI與科研工作者的協(xié)作主要有兩種方式：一是人類提出問題，AI進(jìn)行驗(yàn)證；二是AI從數(shù)據(jù)中涌現(xiàn)出新問題，人類加以解釋。今天主要談?wù)劦谝环N，這也是我們玻爾平臺(tái)目前的重點(diǎn)方向。

首先需要明確，人類科學(xué)家跳躍式、非線性的靈感是目前任何大模型都無法替代的，這是人類在科研中的核心價(jià)值。

在玻爾平臺(tái)上，一個(gè)典型的科研工作流是：研究者提出一個(gè)假設(shè)，由我們的科研助手進(jìn)行理論梳理、文獻(xiàn)舉證與科學(xué)計(jì)算模擬，最后通過實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果再反饋回最初的假設(shè)，形成一個(gè)智能閉環(huán)。我們將這一流程工程化，固化為一套新的科研范式。

這個(gè)流程可歸納為“讀、算、做”三個(gè)環(huán)節(jié)：

1.讀：研究者提出假設(shè)后，科研助手通過語(yǔ)義理解，從我們底層的超過1.7億篇文獻(xiàn)中檢索相關(guān)論據(jù)，生成帶有文獻(xiàn)出處的總結(jié)。研究者可將其一鍵保存至個(gè)人知識(shí)庫(kù)，并可隨時(shí)對(duì)單篇、多篇或整個(gè)知識(shí)庫(kù)進(jìn)行交互式提問，實(shí)現(xiàn)知識(shí)的持續(xù)沉淀。

2.算：這一環(huán)節(jié)分為三層來解決不同問題：

• 底層算力：針對(duì)科研計(jì)算任務(wù)（如大體系DFT計(jì)算、分子動(dòng)力學(xué)模擬）算力需求大、資源難獲取的問題，我們構(gòu)建了一個(gè)調(diào)度平臺(tái)，將主流云服務(wù)及超算資源統(tǒng)一納管，形成一張計(jì)算網(wǎng)，通過智能調(diào)度為研究者尋找更經(jīng)濟(jì)、合適的算力。

• 科學(xué)計(jì)算大模型體系：我們提供了一系列垂類模型矩陣（如DPA原子模型、UniMol分子模型、UniFold蛋白大模型等），幫助研究者提升計(jì)算效率。

• 應(yīng)用層：我們提供了Notebook交互式編程環(huán)境供快速驗(yàn)證，以及APP廣場(chǎng)——讓研究者不僅能發(fā)表論文，還能將成果轉(zhuǎn)化為可復(fù)現(xiàn)、可體驗(yàn)的APP，拉近科研與產(chǎn)業(yè)的距離。

3.做（實(shí)驗(yàn)驗(yàn)證）：針對(duì)實(shí)驗(yàn)儀器標(biāo)準(zhǔn)不統(tǒng)一、智能化改造難的問題，我們開發(fā)并開源了Uni-Lab OS智能室操作系統(tǒng)，已接入大量實(shí)驗(yàn)儀器。計(jì)算結(jié)果會(huì)通過智能體生成實(shí)驗(yàn)工作流，下發(fā)給自動(dòng)化實(shí)驗(yàn)室執(zhí)行驗(yàn)證，最終數(shù)據(jù)回傳至平臺(tái)，形成正向循環(huán)。

這就是我們正在構(gòu)建的、讓AI與人類科研者深度協(xié)同的新范式。

深勢(shì)科技玻爾技術(shù)研發(fā)負(fù)責(zé)人曹凱

劉楊楠（主持人）：感謝曹總，這是一個(gè)非常閉環(huán)的系統(tǒng)。時(shí)間關(guān)系，我們進(jìn)入最后一個(gè)問題：請(qǐng)各位用一句最核心的話，表達(dá)對(duì)明年AI推理能力迭代的期待。

劉倩：我認(rèn)為未來人類員工和數(shù)字員工會(huì)進(jìn)入一種新的人機(jī)協(xié)同模式。隨著AI推理能力增強(qiáng)，數(shù)字員工將能做更多事，深刻改變我們的生活和工作。當(dāng)然，這也意味著掌握新技能、用好數(shù)字員工的人會(huì)更具優(yōu)勢(shì)，行業(yè)可能會(huì)更“卷”。但我們更希望的是，人類能因此有更多時(shí)間享受生活、探索世界、發(fā)現(xiàn)新的人生意義。

楊震：我還是從應(yīng)用角度出發(fā)。明年是“十五五”開局之年，國(guó)家也出臺(tái)了AI相關(guān)行動(dòng)計(jì)劃。我希望AI推理能力能夠切實(shí)提升所有行業(yè)的能力下限和效率上限。

羅璇：我認(rèn)為未來分三個(gè)階段：首先在明年，配合“十五五”規(guī)劃，端側(cè)AI將拉動(dòng)內(nèi)需，一批新型智能硬件會(huì)帶動(dòng)國(guó)內(nèi)AI市場(chǎng)。未來三到五年，AI會(huì)像嬰兒一樣在物理世界中快速學(xué)習(xí)，掌握甚至超越人類已知的物理規(guī)律，成為“AI界的愛因斯坦”。再往長(zhǎng)遠(yuǎn)看，人類自身也可能借助AI實(shí)現(xiàn)進(jìn)化，批量涌現(xiàn)出新的“愛因斯坦”。

馬斌斌：近期看，未來一兩年內(nèi)，AI很可能顛覆產(chǎn)業(yè)競(jìng)爭(zhēng)格局，催生出大量的“一人公司”甚至“一人獨(dú)角獸”。它們能以極低成本快速試錯(cuò)、推出產(chǎn)品，改變現(xiàn)有的游戲規(guī)則，這讓我很興奮。但往遠(yuǎn)看，當(dāng)AI強(qiáng)大到取代許多工作時(shí)，很多人會(huì)失業(yè)。AI會(huì)創(chuàng)造什么新職業(yè)？普通人如何找到自身價(jià)值？社會(huì)如何應(yīng)對(duì)？這些問題是我希望繼續(xù)探究和討論的。

劉楊楠（主持人）：這或許已不僅僅是技術(shù)問題了。曹總，請(qǐng)您來總結(jié)。

曹凱：在不遠(yuǎn)的未來，人類科學(xué)家只需提出一個(gè)假設(shè)，剩下的工作，從文獻(xiàn)舉證、計(jì)算模擬到實(shí)驗(yàn)驗(yàn)證，將由科研智能體在幾小時(shí)內(nèi)完成閉環(huán)，把現(xiàn)在需要數(shù)周甚至數(shù)月的過程極致壓縮。

劉楊楠（主持人）：謝謝曹總。由于時(shí)間關(guān)系，本次圓桌到此結(jié)束。感謝各位嘉賓的分享，也期待大家暢想的未來早日成為現(xiàn)實(shí)。

（封面圖及文中配圖來源：2025甲子引力年終盛典）