人工智能系列谈丨从技术创新到价值创造，AI如何实现质效跃迁？

　　“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、全国一体化算力网等建设与集约高效利用。在这一战略部署中，人工智能(AI)无疑是核心引擎——它不仅推动数字基础设施实现代际跃升，更在千行百业的渗透中，重塑生产力形态、开辟价值创造新路径。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的观点分享，为我们解析AI从技术创新到价值创造的跃迁逻辑提供了重要视角。

　　技术革新：中美差异化路径下的中国突破

　　历经70余年发展，AI在2022年底ChatGPT引发的生成式AI浪潮中，迈入“技术爆发—场景验证—规模落地”的新阶段。值得关注的是，中美两国在AI技术演进路径上呈现显著差异，而中国的创新探索正开辟出独特发展赛道。

　　在算力路径选择上，美国走“规模驱动”路线，追求“更大更强”的算力集群——计算中心规模从数千卡、数万卡跃升至几十万卡，OpenAI更计划打造万亿级计算中心，投入成本呈指数级增长;中国则以“效率优化”破局，DeepSeek等企业通过工程化创新与技术迭代，大幅降低算力需求，改变了传统规模定律的演进方向，既推动多元化算力体系发展，更为国产芯片厂商创造了广阔市场空间。

　　生态开放策略的分野更为鲜明。美国以闭源模式为主，仅向市场开放性能相对薄弱的模型版本，维持技术垄断优势;中国则坚持“领先模型开源”策略，将自主研发的顶尖模型向全球开放，不仅极大激活了全球开源AI生态的创新活力，更依托开源社区的协同效应，加速技术迭代与场景适配。

　　尽管中美技术路线各有侧重，但当前均面临瓶颈突破的挑战。OpenAI的ChatGPT-5试用反馈显示，其性能提升未达市场预期;DeepSeek推出的OCR新模型虽解决了文本图像压缩存储难题，但长上下文处理带来的算力负担仍难以规避。这意味着，行业亟需跳出传统技术框架，探索多模态融合、轻量化模型等新路径。

　　智能体(Agent)的兴起为技术突破提供了新方向。与传统大模型的“问答交互”不同，智能体可自主调用工具、围绕任务目标形成闭环交付，更贴合真实场景需求。国务院《关于深入实施“人工智能+”行动的意见》明确提出，到2027年新一代智能终端、智能体等应用普及率超70%，2030年超90%，这一规划凸显了智能体作为AI价值落地核心载体的战略地位。

　　应用落地：千行百业的“AI+”价值重构

　　AI的终极价值，在于对产业效率的提升与业态的重塑。麦肯锡咨询报告显示，不同行业、不同环节的AI应用成熟度差异显著，但整体已从“单点试点”向“规模化落地”演进，在To C与To B领域形成双轮驱动格局。

　　从算力需求结构看，互联网行业是当前AI算力的主要消耗者，占比达55%-60%，政府、教育、金融等领域紧随其后。在互联网行业内部，移动端AI应用规模远超PC端，AI搜索、综合智能助手成为用户最青睐的应用类型。从市场格局看，豆包、DeepSeek、腾讯元宝占据用户规模前三，但头部应用用户量仍未突破“亿级”门槛——对比中国10亿以上的互联网用户基数，这一数据表明，AI应用仍处于“早期培育期”，未来增长空间巨大。

　　在垂直行业领域，AI的渗透深度与行业属性高度相关：

　　城市治理与政务服务 是AI落地的“先行领域”。地方政府聚焦两大核心场景：一是政务服务智能化，通过升级内部办公系统、部署12345热线智能客服等，实现政策咨询、审批流程的自动化;二是城市治理精细化，在智慧交通、水电气管网智能检测等场景中，AI的预测性维护能力大幅降低运维成本，提升城市运行效率。

　　教育领域 呈现“分层赋能”特征。中小学阶段，大模型通过个性化教学系统，实现作业批改、错题解析、习题生成的精准化，破解“因材施教”难题;高等教育阶段，企业与高校的协同不断深化，如中兴通讯与高校合作优化课程体系、搭建实训平台，同时借助教育出海项目，提升学生科创能力与产学研转化效率。

　　医疗领域 实现“全流程覆盖”。诊前阶段，大模型提供专业症状咨询与就医指导;诊中环节，AI影像诊断系统将报告分析效率提升数倍，助力精准诊疗;诊后通过健康数据监测与智能随访，完善康复管理体系。

　　工业领域 仍处于“谨慎探索期”。因工业场景对准确性要求极高，大模型的“AI幻觉”(数据源或分析结论错误)问题尚未完全解决，目前主要应用于知识问答、财务核算、园区管理等辅助场景，核心生产环节的规模化应用仍需技术突破。

　　整体来看，AI在研发侧(编码等结构化场景)、营销侧(文案策划等创意场景)的应用最为成熟，而在生产制造、核心服务等“高价值环节”，仍需突破技术适配与信任构建的双重障碍。

　　破局挑战：市场化进程中的五大核心命题

　　从技术创新到价值创造，AI的市场化之路并非坦途。当前行业需直面五大核心挑战，通过协同创新实现“破局”：

　　挑战一：国产芯片的性能与适配难题 客观而言，国产AI芯片与国际顶尖产品仍存在性能差距。破局关键在于“场景化选型”——训练场景优先选择高性能芯片保障模型精度，推理场景则侧重性价比更高的国产芯片，通过“按需匹配”降低成本。

　　挑战二：生态迁移的兼容性壁垒 从国外芯片向国产芯片迁移过程中，需解决模型运行稳定性、性能损耗等问题，涉及工具体系重构、算子优化、精度校准等全链条工作。这需要芯片厂商、模型开发商、应用企业形成协同，共建适配国产芯片的技术生态。

　　挑战三：大规模算力集群的工程化能力不足 万卡级算力集群的建设，不仅需要巨额资金投入，更对工程集成交付、运维保障提出极高要求。目前行业存在“重建设、轻运营”现象，需通过智能化运维系统与专业团队建设，提升算力集群的利用率。

　　挑战四：技术与场景的“适配鸿沟” 上半年AI热潮中，不少企业购置设备后，仅能使用基础问答功能，无法与自身业务场景深度融合，导致应用热情回落。这一现象印证了“没有万能模型”的行业规律——AI落地必须坚持“场景导向”，通过定制化开发解决行业个性化需求。

　　挑战五：体系化竞争力的构建滞后 长期来看，AI竞争力不仅取决于算力规模，更涵盖模型训练、推理优化、迁移部署、API调用、定制开发、运维服务等全链条能力。中国需探索符合自身产业特征的发展路径，避免“单点突破、体系薄弱”的短板。

　　结语：以协同创新激活AI价值潜能

　　AI从技术创新到价值创造的跃迁，本质是“技术突破—生态构建—场景落地”的协同演进过程。中国在AI领域的差异化创新——以效率优化替代规模扩张、以开源生态打破技术垄断、以智能体推动场景适配——已奠定坚实基础。未来，要实现AI价值的全面释放，需聚焦三大核心：

　　在技术层面，持续攻坚轻量化模型、多模态融合、AI幻觉治理等关键技术，降低应用门槛;在生态层面，深化产学研协同，构建适配国产芯片与自主模型的技术体系，打破兼容性壁垒;在应用层面，坚持“场景为王”，通过行业定制化开发，推动AI从“辅助工具”向“核心生产力”转变。

　　唯有如此，才能真正激活AI的价值潜能，让这一新兴技术成为推动高质量发展的强大引擎。