刘琼 吴朋阳 腾讯研究院
十多年前，互联网与政府工作报告相结合，促进了互联网同各个领域的全面融合。现在，历史使命传到人工智能身上——《关于全面推行“人工智能+”计划的文件正式公布。人工智能迈向更宽广的平台，将引发产业结构的全新调整和社会运作模式的深刻变化。
“人工智能+”与“互联网+”的差异
1.技术阶段不同
数字技术当前已进入完善时期，技术体系、使用方式以及经营准则都趋于稳固。公司采用移动网络技术时，会遭遇一个技术路线清晰、配套方案充裕的完善体系；但人工智能领域的基础尚在高速变革阶段，技术走向和应用成品的不确定性很大，必须留出充足的机会去尝试和修正。
当前人工智能技术的不确定性主要表现在三个方面。
技术革新速度极快，GPT-3至GPT-4.5等模型的升级间隔已从月份缩短为天数，顶尖成果的保持期限也压缩到以星期为单位。
技术能力范围不断拓宽，自DeepSeek-R1之后，Open AI、谷歌、xAI等模型的升级速度显著加快，每隔1.5天就会有一次重要改进，促使模型在从构思到编码再到解构的各个阶段，持续获得新的功能。
产品种类大多处在一种过渡阶段，既像通用的工具，又像专门的服务，旧式的界面和新的交互方式同时存在。例如，AI助手既有单独使用的版本，也有嵌入在其他应用里的形式，AI的功能有时候是辅助性的，有时候又起着关键作用，这些过渡阶段说明市场对于产品种类的最佳做法还没有达成一致意见。行业特性使公司面对前后两波技术变革时所运用的方法有所区别，在“人工智能”阶段，要求具备更强的纠错空间和更敏捷的战术变动本领。
2.价值层次不同
互联网的核心是强化关联，主要动力是追求规模效应，依靠扩大参与方规模和优化信息传递方式来产生效益，参与方越多，效益越显著；人工智能的核心是强化算力，主要动力是深入到每个参与方内部，通过革新智能的创造和分配方法来提高每个参与方的效能，从而提升参与方乃至整个系统的效益。显然，它的效益展现将比互联网更为深刻和广泛。
互联网拓展了人类的互动范围，核心在于人与人之间的互动；人工智能则增强了人类的理解力，自主性强的AI还能拓展互动范围，构成“1+N”人与AI共同协作的新模式，从而增强网络的影响力。此外，AI使专业技能更容易获得，显著缩短了掌握专业技能的时间，提高了人类的工作效率。从单一功能设备演变为辅助决策的同行，这种发展让“人工智能”结合其他领域的潜力，或许会超越“互联网”结合其他行业的变革程度。
从经济角度分析，AI对生产力的作用呈现跳跃式发展态势。相关研究指出，AI Agent执行任务的效能每过七个月份就会增长一倍，其进化进程或许能更快实现。伴随AI能力的持续增强，它所能产生的经济收益也变得越来越显著。根据普华永道在2025年发布的研究，AI或许将在未来十年里促使全球整体经济产出增加百分之十五。人工智能不仅活跃于虚拟领域，也跟各种设备相融合渗透到现实环境，正在促使医疗、制造、农业等多个行业发生生产效能的深刻变革。
3.扩散路径不同
互联网凭借其“连接型技术”属性，用户只需具备基本的数字技能就能迅速获得满足感，因此其传播通常遵循从个体到群体的路径；人工智能属于“分析型技术”，它的价值实现需要深度整合到工作流程中，前期需要大量资金投入，并且必须确保与市场需求高度匹配，这就决定了企业（作为生产方）是优先采用者，其传播过程更倾向于从生产方到使用方。海外人工智能多数用于企业领域，新开发的用途几乎都是面向B端市场，根据最新数据统计，在近百家领先的人工智能初创企业中，企业应用的市场份额最大，达到了46%，而面向个人消费者的应用仅占6.5%。这是因为企业级市场对于付费订阅模式接受程度较高，能够带来更稳定的收益，并且风险相对较小。
这种路径的不同还体现在创新扩散方式上：互联网主要借助“横向社交蔓延”，利用零成本试错和爆发式扩散快速进入消费领域；人工智能则更多依照“纵向行业深入”模式，先在拥有相应配套资源（数据、专业能力、基础建设）的场景验证其效用，再向产业链其他环节扩展。当前，“人工智能+”时期，这两种扩散方式往往同时发展。
传播途径的不同也会造成“人工智能+”发展不均衡的情况。“人工智能+”或许会在某些特定行业（比如内容制作、智力型工作）迅速实现跨越式发展，但在生产制造这类产业链条绵长且结构复杂的领域，则需要更长的磨合时间。现阶段，人工智能技术本身的革新步伐远远快于行业采纳和运用的进程，这种“技术超前”的局面或许会引发周期性的虚火。长远而言，能够充分展现人工智能作用，在于那些能将AI技术同实际状况紧密结合的应用。
企业打造AI数据集的根本思路要防止单纯收集数据，需要以业务需求为导向，把数据规划紧密结合AI应用整个过程，借助即时信息来提升AI性能。
“人工智能+”的企业实践探索
1. 应用牵引，发掘AI高价值潜力场景
要挑选那些资料丰富、风险小、能够明确衡量并且容易推广的实例来尝试，这些实例最好涉及主要业务而非次要领域，以便迅速证明人工智能的实用效果。比如，辉瑞公司的医药研发是其关键优势，然而研制一种新药时大约会产生两万份文档，研究人员必须借助多种手段来搜寻信息，这个过程既费时又费力，也是导致研发效率不高的一个因素。辉瑞随后把大模型的第一个应用方向确定为辅助科研人员，借助亚马逊和Anthropic的协作，开发出云端运行的企业级智慧检索平台，借助这个平台，1500名科研人员在处理资料上所需时长减少八成，设备维护开销下降五成，并且让药物从初步设计到最小化可用方案的流程从数月压缩为数天，达成了全面降低成本和提升效率的目标。
2. 模型实用，通过工程化构建生产级AI系统
现在通用的巨型模型通常专业性不够强，公司必须根据具体业务要求进行工程化改造，可以运用提示技巧、搜索辅助创造、参数修正等一种或多种手段搭配，以便让模型能够在实际工作场景中产生价值。将巨型模型、知识库和搜索辅助创造结合起来，是如今企业实施人工智能的一个十分有效的途径。国际快递企业DHL借助腾讯云知识引擎，设定了45项企业定制化作业流程，快速搭建了适配物流领域的智能系统，可自动完成客户接待、包裹追踪、地址与时间调整、寄递等环节。这种模式让基层业务人员得以自行设定智能服务，显著降低了人工智能技术的使用难度和交流开销。
3. 数据飞轮，形成可持续的数据捕获和应用模式
企业打造AI数据集的根本思路要防止只收集数据，而要着力发挥数据对业务的价值，把数据规划全面结合到AI应用整个进程，借助即时信息来促进AI能力的提升。数据分类公司Scale AI指出，发掘公司资深人士不易言传的经验非常必要，这是企业AI智能体最核心的数据基础。根据这一理念，Scale AI打造了企业生成式人工智能系统（SGP），协助公司运用自有资料开发专属模型，达成“信息—算法”相互促进的演化过程。工作流程主要包含四个环节，首先配置基础版人工智能助手，例如合同拟定工具，接着将其融入专业操作环节，比如法律人士的文件检查步骤，然后借助特定系统追踪人与机器的互动情况，诸如法律从业者对文本的调整内容以及功能的使用记录，最后根据收集到的信息改进模型和助手，通过参数调整和强化训练提升性能。
4. 算力云化，为AI提供富有弹性的算力底座
人工智能计算能力的迅猛提升，对传统的本地化部署模式带来严峻挑战，云服务能够更出色地满足计算资源动态调整与费用控制的需求。通过利用外部机构提供的超大规模高性能计算平台和高速数据传输服务，公司可以针对人工智能工作的具体要求，随时灵活获取所需的计算能力，无需处理繁重的底层信息技术系统构建和日常维护任务，可以将主要精力投入到算法改进和实际应用开发上。西班牙石油企业Cepsa计划借助人工智能技术处理各业务板块的难题，不过遭遇流程规范不一、模型更新维护困难、计算资源分配不均等难题。借助亚马逊的AWS云平台，该公司建立了规范化的机器学习管理机制，达成模型设计、培育、应用等环节的自动化，显著增强了研发效能与实践成效。以上海石化工厂 YET Dragon项目为例，采用这种架构能够单独自动完成模型的训练、部署以及监控，总共涉及6个模型，每个模型都部署了30多个不同版本以适应各类业务需求，该项目整体工期减少了25%，每年能够节省大约30万欧元的开支。
推动“人工智能+”的建议
1.从顶层设计营造“人工智能+”创新环境
回想十年之前，互联网的迅猛进步，同2015年国务院颁布的《关于大力推进“互联网+”行动的若干意见》的周密推动，二者有着极为紧密的联系，这份高层的规划为数字经济的快速成长，确立了明确的方向，注入了强大的活力。如今，人工智能发展同样有赖于国家层面的规划指导，不过当前形势更加错综复杂，人工智能技术正经历迅猛的更新换代，其发展道路和具体应用方式都充满变数，今日的判断或许会被明日的重大进展所修正。所以，与“互联网+”时期清晰的路线图不同，AI+的政策制定不该过早确定技术路径，而要建立一个能够接纳模糊性、激励各种尝试、容忍失误的创新环境。
2.以包容审慎态度推动AI应用繁荣
倡导众多独立程序员与新兴企业机构投身于人工智能检索、智能编程、情感互动、智能代理助手等方向的软件构建，促进大型模型创业创新环境的繁荣发展。
要营造支持长期投入的良好氛围，促使国有资本与创业投资、企业风险投资，增加对大模型细分市场的资金投入，勇于支持小型和早期初创企业的发展。针对模型工程化相关的各类工具及辅助服务，应设立专门资金或投资计划予以强化扶持，促进自主研发软件生态及工具链体系的繁荣兴盛，诸如数据前处理软件、模型构建平台、参数微调场景与设施、自动化检验手段、高性能推理平台等，以此合力加速大型智能模型在众多行业领域的实践部署。
三是鼓励人工智能公司迈向国际舞台同全球对手较量，同时学习借鉴美国在通用平台工具领域的卓越做法，致力于打造中国大型模型应用的技术环境和规范体系。
3.多层次推动行业大模型应用可持续发展
建立数据要素市场体系，发展数据管理专业服务行业，增强数据人工智能兼容性；革新作品版权许可机制，协调权利方利益与人工智能技术应用需求，有效消除制约人工智能进步的数据障碍；确立跨领域数据品质及规格标准，提高数据应用价值。
其次要推动行业应用场景的市场拓展，支持不同规模企业以及科研机构与产业界协同研发，增加基于公共云平台运行人工智能系统的案例，建立“云端人工智能”标杆并加以普及。
第三要打破地域阻隔和技术壁垒，依照整体性市场理念，重点构建从根本架构到细分领域全覆盖的价值链条，促使人工智能研发不再局限于实验环境与局部尝试，切实实现科技开拓与产业进步的有机结合。
