首先，我们今天处在一个善变的时代。AI善变，变在哪？数据、算法、算力、企业业态，模型之变影响数据之变。特别是企业在变，变的是什么？过去是大科技，今天是小科技，正如红杉资本说未来是一个人的独角兽公司，这对每个人都是积极的信号。善变的时代，充满机遇与挑战。

其次，春天来了。今年是体系化程度最高、生态厚度最厚的一届人工智能大会。今天技术临界点被ChatGPT打破，商业被DeepSeek打破，我们迎来AI爆发元年。AI应用不断普及，智能体开发成为人与机、信息化建设、数智化转型的主要载体。

最后，从创业的角度来看，与大家分享四个词。前两个是：窗口和节奏。当前AI的发展无疑是一个窗口，创业者以什么样的节奏迎接窗口期？那就是卷。最好三天卷一次，我自己的公司三个月反思一回，看看什么要调。各位如果不卷又没机会。后两个词是：“对错”与需求。无所谓对错，干就是了。今天觉得对的事，三个月之后也许错的，这是一种螺旋式的上升。最后一个词是需求。我们要拥抱AI、拥抱大模型。唯有用供给侧能级提升，我们才能激发需求者的活力。

亿欧董事长 王彬

1、2025年是一个人工智能基础理论实现重大突破的关键节点，人工智能部分技术达到世界领先水平。

2、人工智能发展的核心在于“三螺旋”架构协同演进：基础资源（算力、算法、数据）是根基，其中高质量语料被明确为当前最大瓶颈，需行业协同解决。

3、算力建设适度超前但需绿色能源支撑，未来用电GDP占比或超3%。模型层面虽架构原创不足但通过优化和开源显著降低成本，使小团队创业成为可能。

4、技术生态演进的关键是AI Agent的崛起，它融合多种技术，将重构人机交互成为操作系统级入口，SaaS公司凭借数据与流程优势最易转型为Agent服务商，如营销Agent预计2028年大中型企业渗透率25%，并可按能力分级。

5、场景应用落地是焦点，强调“实效见真章”的商业模式，如价值分成的“包工头模式”，需关注行业渗透不均衡现状——互联网高达90%，而科研教育、医疗健康等领域潜力巨大，而且医疗药械企业渗透率已达60%，且必须决策式AI与生成式AI并重。

6、未来核心趋势包括：合成数据将占训练数据50%、Agent引领交互变革、实效验证商业价值。评价体系方面，提出SCE模型，即从战略价值、创收能力、降本增效三个方面衡量企业价值。底层算力芯片国产化加速及基础设施服务商是生态基石。亿欧定位为连接AI方案与实体产业的桥梁，推动技术落地。

7、AI持续突破需语料攻坚、Agent突破、实效验证三螺旋合力，未来由Agent引领、价值共创驱动，数据合成化与行业深度渗透是方向。

海智在线副总裁 刘海涛

聚焦制造业供应链协同痛点，尤其解决零部件采购中非标图纸解析的难题。传统依赖人工工程师翻译图纸易错漏、效率低，需转化为结构化数据以精准匹配工厂产能。

技术需求与方案：

• 图纸结构化：通过大模型解析二维图纸的关键参数，包括尺寸、公差、材料等，构建可读数据体系，精准筛选具备加工能力的工厂。

• 跨语言/标准适配：应对全球107国采购商差异，如英寸/公制单位、各国标注标准，需统一转换为工厂可理解的语言体系。

• 多模态能力必要性：70%零部件设计直接使用二维图纸，而非三维模型，因此必须直接读取二维信息，避免强推三维工具。

从落地逻辑看：一是双飞轮迭代。模型训练与实际业务场景闭环联动——业务错误经人工修正后反馈至训练环境，持续优化模型。二是行业价值。要降低图纸误读导致的交付纠纷，增强供应链韧性，推动中小工厂数智化转型。

雪浪数制资深副总裁 晋光峰

工业场景需以实际问题驱动技术设计，二维图纸解析是刚需。数据质量与业务闭环是模型有效的核心，大小模型协同优于单一方案。技术目标始终指向降本增效与生态赋能。

• 数据筑基：优先解决工业设备数据采集与管理问题；
• 业务渗透：深入研发、生产等场景开发解决方案；
• 智能升级：引入大模型优化传统规则/统计模型。

• 数据核心：依赖高质量人工标注数据（合作伙伴优势）及工业通用语料训练模型；
• 算法融合：结合大模型语义理解与小模型视觉识别（如图纸视觉解析），提升精准度；
• 算力协同：联合开发算力一体机，支撑模型落地。

e签宝创始人兼CEO 金宏洲

由e签宝的市场地位展开介绍，从AI革命认知、Agent发展趋势、垂直领域应用优势三个方面分享观点。

当前AI大模型仍处早期阶段，其运作机理尚未完全明晰，但人才与技术发展空间巨大。参考移动互联网发展规律，ChatGPT问世后3-5年或将迎Agent应用爆发期。

Agent形态演进方面：

首先，当前局限是多数AI应用仍为“Copilot”（辅助流程优化），依附于企业现有SaaS系统。

其次，未来方向是真Agent应具备自主行动能力，根据需求调度资源完成任务，实现“行动随时随地发生”。未来企业仅需两类角色——规则设计者，即懂业务+AI的复合人才和人际连接者，中层职能将被Agent替代。

垂直领域Agent机遇：

通用大模型（如OpenAI）与垂直领域Agent将长期共存，后者需深耕行业数据与场景Know-How。

垂直领域成功依赖行业数据积累、场景理解深度及商业化落地能力（客户网络、迭代反馈），非技术公司更易突围。

AI落地挑战与方案：

行业痛点是合同等专业领域需极高精度，通用大模型存在“幻觉”风险。

因此，从技术路径来看，一是融合思维链技术与动态知识库提升决策准确性；二是可以采用隐私计算，如“可算不可见”保障数据安全；三是通过模块化引擎解析复杂文档结构，如跨页表格、上下文关联。

未来希望能够构建以AI为核心、安全可控的全球化专业服务体系（如电子合同），推动技术出海。

滴普科技联合创始人兼产研体系总裁 杨磊

聚焦企业级人工智能落地应用的核心挑战与实践思考，围绕三个核心问题展开。

第一，AI-Ready 基础设施的核心：数据治理与准备。企业数据与互联网数据存在显著差异：企业数据高度私有化、不出域、种类繁杂。而且其且时效性要求极高比如销售或财务数据。评判AI-Ready的关键标准在于数据能否被有效处理并输出高质量Token。这涉及复杂格式解析，比如不规则表格、含公式文件、多模态处理、实时精准安全获取以及数据质量保障。数据价值最终体现于能否支持精准的分析、归因与决策。

第二，企业AI落地的核心价值点：精准性。区别于消费级AI追求“涌现能力”或创意生成，企业应用的核心是绝对理性与精准。任何注入预测、分析和建议的输出都必须高度可靠，因为细微误差可能导致重大业务事故。这需要通过构建企业专属知识体系、数据底座与智能体（Agent）来保障复杂业务意图的理解与拆解，确保核心价值链的稳定可靠。

第三，AI技术平权落地的关键：场景驱动与价值闭环。企业引入AI需直面“灵魂拷问”，即AI能带来什么业务价值？价值需紧密结合实际场景，场景日益复杂要求AI能融合内外部数据进行联合分析。随着Agent应用深入和数据积累，针对特定场景的企业专属大模型微调和后训练可能是提升精准度的必要途径。

总之，企业AI成功落地的关键在于以高质量、多模态、实时数据为底座，构建确保精准输出的能力，并紧密围绕具体业务场景创造可衡量的价值。

经济学家、福卡智库首席经济学家、享受国务院政府特殊津贴专家 王德培

购买AI一体机后，发现实际应用需要大量人工配合，成本远超预期。

AI产业呈偏态分布，而非正态分布。媒体夸大AI变革性，吸引资本涌入，导致斜率陡峭上升；但资本投入与现实应用脱节，最终泡沫破裂，三分之二企业倒闭，剩余企业进入实际应用阶段。

因此AI产业的拐点将在中国实现芯片和大模型的增长替代时发生，届时美国企业（如英伟达）将面临下滑。

AI本质是“权利转移”，而非人类替代——权利从传统精英转移到AI技术精英手中，体现在国际竞争和社会结构变化。因此要对AI发展保持理性，避免盲目乐观。

中茵微电子首席战略官 王丰 

AI芯片向专用化发展是必然趋势，尤其对中国本土企业而言，AI专用/定制芯片（AI ASIC芯片）拥有巨大的市场前景，实现AI ASIC需克服核心芯片设计技术的关键能力突破。

AI ASIC芯片的趋势与发展：AI ASIC芯片成为重要技术路径随着AI应用场景多元化，对算力特性需求各异。

通用GPU代表过去，而专用化的AI ASIC芯片代表了未来方向。二级市场反应佐证了这一点，比如博通等AI ASIC概念公司的股价近年显著上涨，市场预期未来2-3年内AI ASIC将与GPU分庭抗礼。

巨大的市场潜力与本土机遇：全球AI ASIC芯片市场预计2027年将超300亿美元，但目前主要被美日台企业垄断。中国市场需求巨大，但本土AI ASIC相关公司全球占比不足3%，存在显著发展空间和本土化服务需求。

产业链分工协作模式：AI ASIC产业的兴起源于专业化分工。

系统/产品公司（如谷歌、微软、车企）：拥有核心资产，包含软件、数据、算法、场景、模型，将负责定义芯片的功能需求和规格，比如算力、带宽、功耗、成本等。

AI ASIC技术平台公司：应专注于芯片的实现，提供成熟的芯片设计技术/平台、IP解决方案、工程实现能力、供应链服务，将系统/产品公司定义的芯片物理实现并能够量产。

实现AI ASIC芯片面临多项技术挑战，包括系统高带宽、算力与功耗/成本平衡、芯片验证复杂度。因此成功的AI ASIC平台需要具备三大核心能力：接口IP技术、AI芯片设计能力和强大的工程实现能力。此外，封装技术是提升存储带宽和系统性能的关键环节。

博特智能首席科学家 谭建龙

聚焦于人工智能的安全治理挑战与解决方案，分享如何驾驭超越人类智能的AI技术。

第一是AI治理必要性。

大模型智能水平已达人类博士级别且持续提升，存在失控风险，需建立系统性的治理框架，如同人类驾驭核能。当前中国已出台大模型治理国家标准，要求输出符合人类价值观。

第二要构建三层治理框架：

• 评测系统：需建立统一标准，通过涵盖多维度的测试评估模型输出是否符合安全与价值观要求。技术手段可包括“毒性增强”提升评测覆盖性。所有大模型必须通过评测备案方可应用。

• 加固系统：核心是在模型训练阶段植入价值观对齐。通过构建特定数据集，采用指令微调、对抗微调、强化学习等技术，使模型在源头生成符合要求的输出。实验表明，加固虽可能略微影响某些能力（如文艺性），但能显著提升逻辑性和安全性。

• 围栏系统：在模型部署和应用时设置实时防护。基于规则、小模型或专用AI模型进行内容过滤和拦截，防止恶意使用或生成违规内容。需平衡效果与成本。

第三治理的核心挑战与目标：

• 文化适配性强调需研发符合中国意识形态的本土化加固技术，不能依赖国外方案。

• 容忍度与可控性：承认无法100%确保所有AI输出合规，但需保障绝大多数（80%-90%）模型“正义”，偶发问题整体可接受。

• 投入紧迫性：指出当前中国对AI安全治理（尤其是加固技术）的研发投入与AI潜在风险规模不匹配，亟需加强。

爱数信息创始人兼总裁 贺鸿富

聚焦于政企领域大模型落地的务实路径，通过“Data+AI”增强大模型实现决策智能的核心策略。

首先，政企客户面临两大痛点：一是通用大模型难以理解封闭式业务场景；二是智能体发展加速AI应用，但需解决业务规则深度理解的可靠性挑战。其关键在于通过组织自有数据增强大模型，实现可信、高效的AI决策支持。

第二，Data+AI的增强路径，对比两种主流技术方案来看：在训练侧（垂类模型）：适合长链思考场景，但面临数据安全风险，而且通常是千万级高成本投入。在推理侧（语义层增强）：通过实时构建业务语义网络召回数据。具备时效性、可解释性、安全性和经济性等显著优势。

第三，决策智能平台应该具备以下核心能力：

• 多模态数据集成：融合结构化、非结构化数据构建全域数据湖，克服模态差异难题。

• 非侵入式集成：通过数字虚拟化技术兼容客户现有数据平台，降低迁移成本。

• 业务语义层核心能力，包括抽象业务知识网络（含实体、规则、行动），非简单知识图谱；通过映射技术实现语义层与数据层高效解耦，提升效率。

• 智能体协同：结合自动化工作流（Dataflow）与语义推理（DateAgent），实现任务执行与决策支持。

• 原生安全机制：在数据、模型、决策层分层管控权限与输出合规性。

• 最后，AI大模型推动软件架构从“代码驱动”转向“数据驱动”。代码量减少97%用户通过指令驱动系统完成复杂分析决策，实现“有数据即有软件”的范式革命。

AI在脑血管疾病防治中的临床价值与落地挑战。

首先，中国是全球脑中风发病率最高的国家。

• 脑血管病作为一种重大慢病，提前干预和预防性治疗能够显著降低因脑中风而导致的致死致残。

• 神经介入手术，已经成为脑中风预防性治疗和急救的有效手段，只不过，神经介入手术对精度要求极高，医生的学习成长曲线非常长，造成医疗资源紧缺，大专家往往集中在一线城市的重点医院里。

其次，AI技术具备临床价值。

• 多模态数据驱动。整合影像、诊断、随访等数据构建数据库，支持算法研发。

• 手术全流程辅助。术前AI能够完成三维建模、血管分割、病变部位自动测量及手术方案规划。术中AI控制机械手执行高精度操作，解决人手操作的局限性。 临床效果来看，运用AI能显著提升手术成功率。

第三，医疗AI落地面临三方面挑战：

• 三层监管：包括药监局审批、卫健委新技术准入、医生伦理认可。

• 临床指南背书：需前瞻性研究验证效果并写入指南。

• 支付方协调：证明技术对医保、医院、患者的多方价值。

最后，从社会意义与愿景来看，AI技术保障了毫米级操作的精准度，能够提升治疗安全性、减少治疗中的并发症和复发率，从而减轻疾病给患者带来的身体负担及经济负担。同时，强联智创正积极推动AI技术下沉基层，缩小城乡医疗差距，有效优化医疗资源分布，推动国内诊疗能力提升，真正实现技术向善。

极光集团副总裁 殷浩

企业级智能体的生产力变革与落地路径。

首先，智能体的核心能力与价值体现在自主执行、学习适应与系统集成三个方面。

其次，当前通用智能体的企业落地瓶颈也有三个方面，包括数据隔离，即无法安全调用企业内部私有数据资产；流程僵化，导致难以适配企业个性化流程；过程失控，长任务执行中无法干预错误，导致效率低下。

第三，解决方案在于打造可定义的多智能体平台。一是实现灵活配置，企业可基于自身SOP定制工作流，支持串行/并行等协作模式。二是实现安全连接，内置连接器集成私有数据与知识库，支持非结构化数据解析。三是实现过程可控，比如拆解复杂任务并能实时追溯。

实践表明，企业智能体需通过可配置平台解决数据隔离、流程适配与过程控制问题，以价值交付推动生产力变革。

智象未来联合创始人兼CTO 姚霆

多模态智能体:重塑内容创作的未来版图。

首先，多模态AI聚焦物理世界建模，处理3D空间和时间信号，区别于文本模型的1D语言处理。其技术架构革新在于融合自回归模型与扩散模型，实现强强联合。

其次，创作智能体的必要性在于一方面当前单点AI工具需用户手动组合，创作门槛高。另一方面，智能体通过意图理解拆解任务，调用综合能力矩阵，让用户回归创意决策。

第三，Vivago智能体是基于用户意图（如图片转视频、音频配视频）推荐个性化方案，结合社区模板降低生成成本。HiClip智能体一是完成长视频多模态解析（画面+语音+字幕），拆解高光片段二次创作分发。其逻辑过程是分析核心观点→分段编辑→适配多平台分发→根据反馈优化。

因此，多模态AI生态构建逻辑在于：底层实现多模态基础模型支持高分辨率生成/复杂编辑。 在应用层覆盖图像生成、视频特效、虚拟换衣等能力矩阵。目标是通过智能体整合碎片化工具，实现“输入指令→输出成品”的端到端创作。

松鼠Ai智能老师常务副总经理 顾士永

AI是破解教育公平与质量矛盾的关键。松鼠Ai智能老师在技术和教育公平两个层面重新定义着教育的未来。

传统教育面临着资源分配不均、尤其特级教师稀缺，内容同质化，节奏固化和重知识轻思维等发展痛点。但是AI能够通过技术优势，针对上述痛点给出解决方案。

技术层面来看，松鼠Ai智能老师依托多模态智适应教育大模型，突破地域限制实现资源普惠。通过分析学生的动作、表情和脑电波等数据生成动态学习方案。此外，松鼠Ai智能老师能够从只是灌输转向思维和创新力培养，构建“学习-实践-反馈”闭环。

教育公平层面，松鼠Ai智能老师依托多模态智适应教育大模型，打破了效率、公平与个性化的“不可能”三角，其社会价值更加凸显。

松鼠Ai智能老师打通了传统教育的某些痛点，以“技术+人文”驱动，让每个孩子成为“更好的自己”。

文章来源：亿欧网