大模型时代：探索智能生态的共生与开放

人们正疾步迈向AI的怀抱。你是否担心，在大型模型的包围中，普通人的未来何在？当AI与各种场景深度融合，它将如何重塑生产力？智能体正引发原有App生态与开放协议的激烈碰撞，中国互联网的下一站是“封闭”还是“共生”？本文基于每日互动CEO方毅在2025中国互联网大会“人工智能终端高质量发展论坛”上的主题演讲，将深入探讨大模型时代最硬核的生存法则与生态密码。以下是方毅的现场发言实录：

一、从“数据智能”到“人造智能”：产业实践者的观察

今日，我见证了众多关于大模型的技术解析与深度思考，大家分享了许多系统总结。作为产业实践者，我也想分享自己的感受。

回顾AI发展史，从达特茅斯会议至今，历经三波高潮、两波低潮。关于“Artificial Intelligence”的翻译，我认为“人工智能”易让人联想到“替代人工”或“人工+智能”。或许“人造智能”更为贴切，其对应词是“神造智能”。长久以来，AI的发展以拟人、类人为主要方向，典型如棋类博弈。这引发了一个关键思考：科学家们从人类身上提取高度抽象的特征（如Transformer模型），塑造了今天的AI。那么，人类如何从AI中重新学习这些被抽象化的精华？

二、AI发展的三阶段启示：吃透规则、多想两步与笨鸟先飞

理解AI的进化，我们可以从其发展历程中汲取智慧：

第一点是吃透规则（如五子棋）：就像大一学生能编写简单的人机对战程序，其核心是吃透有限规则（如堵截、禁手）。记住规则就能干。现实中大家去考证也是一样，精研各行业的规则，拿出“证”来，把规则范围内的事搞清楚。

第二点是多想几步（如深蓝）：国际象棋棋谱可穷举背诵，但是为什么人类打败不了“深蓝”呢？因为深蓝能推演12步，远超人类的10步极限。凡事比别人多想想在现实中是非常难得的。就像在工作中，能比别人“多想两步”（如预见设备故障、提前协调资源）的人，更容易脱颖而出，成为高手。他的价值就在于能不能预见你下一个问题，并准备好方案——就像深蓝，多算两步就赢了。

第三点是笨鸟先飞（如AlphaGo）：面对无法穷举的围棋，AlphaGo先学习人类棋谱，后通过强化学习（自我对弈+奖励函数）超越人类，直至AlphaGo Zero达到不可战胜之境。这体现了“笨鸟先飞”、持续进步的力量。所以我们学AI，要学“笨鸟先飞”：每一步都在进步，这就是我们古话说的，“日拱一卒，功不唐捐。”

三、大模型时代的核心挑战：注意力、数据与生态

今天很多专家都讲到AI非常重要的一点是“All About Attention”（注意力机制）。AI当中非常重要的一点也是通过多头注意力（Multi-Head Attention）和混合专家模型（MoE）实现高效信息处理。现在Kimi也做得非常好，它用更少的多头注意力模型，但是用更多的MoE模型去做。通常情况下，人脑的功耗仅二三十瓦（高考时约四五十瓦），而现在单张英伟达显卡的能耗高达4000瓦。所以说，机器模仿人脑尚有一百倍的提升空间。但是从另一个方面说，摩尔定律或超摩尔定律将驱动其快速进步，所以我们未来再去跟大模型比计算速度是没有意义的，我们要做的是掌握对数据的理解，做好人类专家。

比如说在混合专家模型中，以医学影像识别为例，大家知道，目前AI对CT片的识别准确率可以达到95%甚至97%以上。相比之下，一位人类专家的准确率通常在92%-93%左右。这就带来了一个有趣的现象：人类专家现在学会了“后发制人”——他们不会急着在结论出来前就发表意见，而是会先和你聊点别的。等AI的结论出来，专家再仔细审看，找出那关键的3%错误。这个过程恰恰证明了人类专家不可或缺的价值。

反过来看，如果人类专家先发表意见，AI很可能从中找出7%的误差。所以未来的趋势是，人类会越来越懂得“后说话”的智慧——先让AI展现能力，再由人类发挥其独特的判断与纠错优势，形成更高效的协作。这可能也是未来人与AI共处的时候最重要的一个抓手。

在实践大数据应用的过程中，我们深入思考了其核心构成，总结为三个关键要素：Data（数据）、Machine（机器）、People（人）。数据是基础，机器是载体——其上部署着各种算法模型。而最关键的，是人对场景的理解能力。这一点，行业内的各位专家都强调过，它永远不会过时。

这引出一个现实问题：未来职业如何选择？最近我侄女高考填报志愿时问我：“叔叔，该选什么专业？”我的建议是：要么扎根AI难以替代的底层学科，如物理、数学，要么成为AI时代的“组织者”。她最终选择了编导专业。未来，可能类似编导这类型工作的价值将更加凸显——因为编导的核心在于“想表达什么”（What）、“为何表达”（Why）和“如何表达”（How），这正是创造力的体现。

四、未来路径：端云协同与开放生态

我们认为，未来AI应用的关键在于端（设备侧）与云（中心侧）的协同。为此，春节期间我们邀请了杭州主要的AI企业（戏称为“集齐七龙珠”），进行了长达四小时的深入探讨。讨论中形成了两大技术流派——“云派”主张模型应集中部署在云端；“本地派”（如我们）：模型应更靠近用户，部署在本地。

在推进本地部署的实践中，我们观察到企业的投入意愿与其市值规模挂钩——普遍愿意投入约市值的万分之一（如千亿市值企业愿投千万，十亿企业愿投十万）。然而，当前国产算力实现“满血”（高性能）本地部署的成本仍高达五六百万，门槛过高。所以为了降低门槛，我们最早也自研了一款低成本的设备，成功将完整的671B参数模型塞入其中。但这带来了一些性能上的妥协——输出缓慢、处理能力有限。

五、生态开放：AI发展的必然选择

那么，面对正在崛起的智能互联网——也就是AI时代——产业应该“封闭”还是“开放”？对此，我们也广泛咨询了产业内的意见。主流观点认为：中国不必完全复制美国基于开放互联网的MCP协议模式，但必须找到适合国情的开放路径。

一是构建通用技术层：如同移动互联网时代有行业级消息推送SDK一样，推出一款AI SDK打通底层通用能力接口。

二是共建开放应用生态：在主管部门（如工信部）的指导与协调下推动建立一个开放的AI应用与服务生态平台。

六、行业共生：边界感与多元化

前不久我们联合信通院等机构在杭州组织了一场深度闭门研讨会与会者涵盖了从头部到腰部的多元化App代表。

一种是“全能Agent”路线：主张在对话界面内一站式完成所有操作形成闭环。

一种是“只看不干”的“边界感”路线：对话界面应聚焦于高效呈现信息与意图理解当涉及具体服务（如购买、预订）时通过“摩卡”跳转至原生应用完成。

七、看得见的安全 连得通的世界

“云-边-端”协同框架是实现智能化普惠与可信赖落地的务实之选。