智能体引领新方向！AI 跨越技术瓶颈，在千行百业中创造真实价值

　　“十五五” 规划建议明确提出，适度超前建设新型基础设施，推进信息通信网络、全国一体化算力网、重大科技基础设施等建设与集约高效利用。人工智能(以下简称 “AI”)作为这一期间的核心发力点，正推动数字基础设施实现重大飞跃，为各行各业带来深层次变革与高质量发展。中兴通讯副总裁、中国区战略规划总工张嗣宏在第 12 届新华网思客年会上，围绕 AI 技术发展、行业应用与市场化挑战，分享了深刻见解。

　　技术革新：差异化路径破局，智能体成核心方向

　　AI 历经 70 余年发展，在生成式 AI 的推动下迈入新阶段。当前中美两国 AI 技术发展呈现鲜明差异化特征，同时智能体的崛起与商业化场景的细分，正勾勒出行业未来的发展蓝图。

　　中美技术路线各有侧重，中国开源创新显优势

　　从技术演进来看，美国 AI 发展侧重 “更大更强”，追求极致算力规模 —— 计算中心从几千卡、几万卡逐步升级至几十万卡，OpenAI 更计划建设万亿级计算中心，投入成本巨大。而中国企业在 DeepSeek 崛起后，通过工程优化与技术创新，有效降低了算力需求，改变了部分规模定律的演进方向，不仅推动国内多元化算力发展，更为国产芯片厂商创造了宝贵机遇。

　　在技术生态层面，美国以闭源模式为主，仅对外开放相对弱势的模型;中国则坚持开放最领先的模型，极大地推动了全球开源 AI 市场的繁荣。不过，中美大语言模型发展均陷入一定瓶颈：OpenAI 的 ChatGPT-5 试用反馈未达预期，DeepSeek 推出的 OCR 新模型虽能以图像形式高效压缩文本，但长上下文处理给算力带来巨大负担，亟需探索新的技术路线实现突破。

　　智能体成政策支持重点，商业化聚焦场景定制

　　相比传统大模型的问答模式，智能体能够调用周边工具，围绕任务驱动实现闭环交付，已成为 AI 发展的重要方向。国务院印发的《关于深入实施 “人工智能 +” 行动的意见》明确目标：到 2027 年，新一代智能终端、智能体等应用普及率超 70%;到 2030 年，这一比例将提升至 90%，彰显该领域巨大的发展潜力。

　　从商业化潜力来看，大语言模型在文本处理领域表现突出，但因准确率不足，目前难以直接应用于工业场景。未来，To C 领域中，大模型与智能体将大幅优化消费体验;To B 领域则是 AI 价值释放的核心阵地，需针对各行业垂直场景的真实需求，开展定制化开发，真正解决企业痛点。

　　应用落地：赋能千行百业，AI + 场景加速渗透

　　AI 不仅是传统产业升级的 “催化剂”，更是新兴产业催生的 “孵化器”。其在各行业流程中的深度应用，正持续推动企业效率提升，不过不同领域的应用成熟度与市场空间存在显著差异。

　　行业应用：研发与营销侧率先成熟，互联网行业算力需求居首

　　当前，大语言模型的生成式能力在研发侧和营销侧应用最为成熟。研发侧因编码结构化程度高、数据质量好，成为大模型落地的核心场景;营销侧的各类文档、策划案等均可通过大模型快速生成，大幅提升工作效率。

　　从算力需求分布来看，咨询报告显示，55%-60% 的 AI 算力需求来自互联网行业，政府、教育、金融等领域紧随其后。在互联网行业中，移动端 AI 应用发展远超电脑端，AI 搜索和 AI 综合助手是最受欢迎的应用类型。从市场格局来看，豆包、DeepSeek、腾讯元宝位列用户规模前三，但整体行业仍处于早期阶段 —— 中国拥有超 10 亿互联网用户，主流 AI 应用需成长至数亿用户量级，才能标志行业进入成熟可持续的发展阶段。

　　重点领域：从城市治理到民生服务，AI 赋能落地见效

　　城市智能化升级：地方政府推动 AI 落地主要聚焦两类场景 —— 政务服务智能化(政府内部办公系统升级、12345 热线智能客服、政策咨询自动化等)与城市治理精细化(智慧交通、水电气智能化检测维修等)，推动政务从数字化向智能化转型，提升公共服务与城市治理水平。

　　教育领域：AI 在人才培养中发挥多元作用。中小学阶段，大模型可实现个性化教学，辅助作业批改、错题解答与题目生成;高等教育阶段，中兴通讯等企业与高校合作优化课程体系、搭建实训平台，开展教育出海，提升学生科创能力与产学研结合水平。

　　医疗领域：AI 应用覆盖诊前、诊中、诊后全流程。诊前提供专业症状咨询与建议;诊中提升报告分析、影像诊断效率，体检报告生成速度较以往提升数倍，有效减轻医护人员负担。

　　工业领域：因对准确性要求极高，大模型受 “AI 幻觉”(数据源错误或分析结论错误)影响，应用相对谨慎，目前多用于知识问答、财务核算、园区管理等辅助场景。

　　直面挑战：思变应变，探索中国特色 AI 发展之路

　　当前 AI 大模型在市场化过程中，仍面临五大核心挑战，需产业各方协同发力、思变应变，方能实现从技术创新到价值创造的顺利跨越。

　　挑战一：国产芯片性能与选择适配

　　客观而言，当前国产芯片与国际最先进芯片仍存在差距，性能相对受限。应对策略需结合场景需求精准选择：训练场景侧重性能优先，推理场景侧重性价比优化，最大化发挥国产芯片的实用价值。

　　挑战二：生态迁移与技术适配难题

　　将基于国外芯片的系统迁移至国产芯片，需解决模型运行稳定性与性能优化问题，涉及工具体系构建、算子适配、精度分析及开发升级等多个环节，需产业链上下游联动攻关。

　　挑战三：大规模算力建设的工程化考验

　　万卡级算力集群对工程化能力要求极高，需在工程集成交付、运维保障等方面持续优化，确保算力集群稳定高效运行，满足大规模 AI 应用的算力需求。

　　挑战四：应用落地 “最后一公里” 梗阻

　　上半年 AI 热潮中，不少企业引入相关设备后，难以与自身业务场景深度结合，仅能使用基础问答功能，导致应用热情回落，反馈产品 “不好用、不匹配场景”。这一现象表明，没有任何一款模型能 “包打天下”，需产业各方协同合作，针对具体行业场景开展定制化开发。

　　挑战五：体系化核心能力构建不足

　　中长期来看，AI 竞争力不仅取决于算力规模，还涵盖模型训练、推理优化、生态迁移、API 调用、定制化开发、运维服务等全链条能力。中国 AI 产业需探索符合自身实际的发展路线，构建全方位、体系化的核心竞争力。

　　从技术创新到价值创造，AI 正跨越概念与实用的鸿沟。在 “十五五” 规划的指引下，随着差异化技术路径的深化、行业应用场景的拓展以及市场化挑战的破解，AI 将真正融入千行百业，成为推动高质量发展的新质生产力，共筑 “AI+” 的智能新时代。