AI大爆炸

see122

AI（人工智能），这个曾经遥不可及的概念，如今已经渗透到我们生活的方方面面。从手机上的语音助手到自动驾驶汽车，从AI辅助医疗诊断到金融领域的智能风控，AI正在以惊人的速度改变我们的世界。

正如“AI教母”、斯坦福大学教授李飞飞所说：“毫无疑问，历史学家今后一定会把这段时间称作‘真正的第一个AI时代’”。

而当我们回头细数AI发展史时，我们也许会惊讶于其只有短短不到80年......

这一切是如何开始的呢？

01 AI“生命”史

一、人工智能的诞生（20世纪中叶）

1950年，英国数学家艾伦·图灵在论文《计算机器与智能》中提出了著名的“图灵测试”，即设想一个机器若能实现在人机对话和交互中让人类无法分辨其身份，即可被视为具备智能。这一思想定义了人工智能的哲学目标，也成为后续人工智能技术发展的启蒙。

1956年，在美国的达特茅斯学院，约翰·麦卡锡、马文·闵斯基、克劳德·香农等科学家聚在一起，讨论用机器来模仿人类学习以及其他方面的智能。会上首次使用“人工智能（Artificial Intelligence）”一词，并规划了自然语言处理、机器学习等研究方向，AI正式脱离哲学思辨和科学幻想，成为一门应用技术。

但这一时期的人工智能实际上只是一个襁褓“婴儿”。以IBM701为代表的早期计算机每秒仅能执行1.6万次运算——不足现代手机的十亿分之一。算力匮乏的AI仅能处理符号逻辑推理等简单任务，难以应对现实世界的种种实际复杂需求。

二、符号主义的失败（1960-1970）

进入1960年代，人工智能步入“符号主义”时代。研究者试图通过编写规则库模拟人类推理，其中最典型的应用是专家系统。1976年，斯坦福大学开发的医疗诊断系统MYCIN能识别血液传染病，准确率接近人类专家水平。与此同时，企业界也展开了尝试，例如DEC公司采用XCON系统配置计算机订单，每年节省超2500万美元成本。XCON是早期的一个专家系统，用于自动配置计算机硬件组件。DEC公司在销售定制化计算机系统时，客户订单的配置需要人工检查各个部件是否兼容，这个过程容易出错，导致生产延误和额外成本。XCON系统通过内置的专家规则库，能够自动验证订单中各部件的兼容性，减少错误，从而节省时间和成本。这一案例证明，基于规则的专家系统在封闭结构化任务中具备商业价值，但也暴露了局限：XCON的规则库需数百名工程师手动维护，难以适应快速变化的市场需求，最终在1990年代被数据驱动方法取代。

这一阶段的高光时刻是日本政府于1982年启动的“第五代计算机计划”。该项目斥资8.5亿美元，目标是打造基于逻辑推理的智能计算机，实现所谓的“机器自主思考”——通过Prolog等逻辑编程语言，将人类知识编码，使计算机能像人类专家一样进行演绎推理，解决开放式问题（如医疗诊断、法律案例分析）。然而，由于过度依赖符号主义技术路线，加之硬件性能不足，如1980年代半导体工艺无法支撑大规模并行芯片（计划需1亿LIPS算力，实际仅实现百万级）这一计划于1992年就终止，成为AI史上最昂贵的教训之一。

或许过高的期望终会引发反噬。1970年代，学术界与媒体频繁宣称“十年内机器将拥有人类智能水平”之类的论调。公众一片哗然。但现实进展远远落后于宣传论调。政府和资本迅速撤离——美国国防部（DARPA）对开发“自主战场决策系统”的“战略计算计划”（SCI）从6.37亿美元被砍至0.64亿美元。大量初创公司倒闭，这一时期被称为“AI冬天”。

究其根本，是技术局限性——具体来说，是高昂的人工智能运营维护成本，扼杀了AI商业化前景。专家系统依赖人工编写规则库，例如XCON需维护超2500条规则，导致成本高企且难以扩展；专用硬件如LISP计算机售价超10万美元，远超企业承受能力。尽管AI在医疗、工业领域展现了初步价值，但始终无法处理规则外问题的应用局限性和不可扩展性最终使其沉寂近十年。

三、AI机器学习崛起（1990s-2000s）

20世纪90年代，机器学习通过概率统计模型取代了之前符号主义AI的规则驱动范式，实现了从“逻辑推理”到“数据关联”的范式转变——想象你要教一台机器识别“猫”和“狗”。

符号主义的方法是人工编写规则手册，即专家像写菜谱一样，告诉机器所有判断规则：

“猫的耳朵尖，体型小；狗的耳朵下垂，体型大。如果动物会喵喵叫，则是猫；如果汪汪叫，则是狗。”但是遇到短腿猫（体型大）或小型犬（吉娃娃）就识别错误；发现新物种（比如无毛猫）时，必须手动添加新规则，耗时费力。而机器学习的方法则是让机器自己从数据中找规律，给机器看10万张标注好的“猫”和“狗”的照片，让它自己总结特征。不再追求100%确定，而是计算“这张图有83%的概率是猫”。且当用户反馈错误时，机器自动调整模型，下次更准。

1997年，IBM的DeepBlue以每秒2亿次计算力击败了国际象棋冠军。这一赛事说明机器学习技术下的人工智能虽仍然依赖硬编码规则，但却显示出其在封闭任务中足以超越人类的潜力。紧接着，1998年，谷歌PageRank算法将网页链接建模为概率图模型——一个网页被越多人链接，谷歌就给它更高排名，这直接让搜索引擎变成赚钱机器，证明数据关联性挖掘的商业价值；同年，LeCun团队的CNN（卷积神经网络）经典之作LeNet-5投入实际使用……这些突破标志着AI从理论探索转向了工程化落地。之后，金融信用评分、搜索引擎排序、电商推荐系统等领域率先实现了人工智能商业化，人工智能从实验室走向产业。

AI技术实现了范式革命：概率模型与数据驱动取代人工规则，使AI具备处理不确定性问题的能力。这种“黑箱”式的智能虽然不完美，但让AI从实验室走了出来，广泛应用于手机、汽车、家电等领域。

四、AI深度学习革命（2010s-2020）

迈入21世纪，机器学习升级至深度学习。深度学习通过多层神经网络自动提取特征，使得AI可以自我学习，从而突破了传统机器学习中需要人工设计特征的限制，使得AI能够处理高维度、非线性的复杂数据。

2016年，AlphaGo结合深度强化学习与蒙特卡洛树搜索，击败围棋世界冠军，实现动态决策能力；同时，随着互联网囤积海量数据（PB级≈20万部高清电影）和显卡算力飙升（GPU），AI模型的“脑容量”从AlexNet的百万级参数（相当于小老鼠），暴增到GPT-3的千亿级参数（接近人脑神经元数量）。这让AI不仅能够处理简单的识别任务（如图像识别），还能够应对更为复杂的决策任务（如自动驾驶）。

20世纪末的机器学习与21世纪初的深度学习的演进揭示了AI技术面向发展的核心逻辑——数据规模、算力提升与算法创新的协同作用。1998年，LeNet-5的参数量仅为6万，相当于一本小册子的知识量；而到了2012年，AlexNet的参数量达到了6000万，相当于一座大型图书馆的知识储备，增长超过千倍。这一质变的背后，依赖于ImageNet数据集（包含1400万张图像）的出现，以及GPU算力的突破。如果把1998年的AI比作一个只能靠有限食材做简单菜肴的小厨子，那么2012年的AI就像一个拥有超级市场食材和顶级厨具的大厨，不仅能做出复杂的盛宴，还能不断创新出新的菜式。

人工智能技术的迅速发展的同时是科技巨头试图展开的企业数据垄断，科技企业通过数据垄断与算力控制构建护城河。谷歌等头部企业进一步形成“数据-算力-算法”闭环。据IDC统计，2020年全球70%数据由科技企业控制。社会层面，人工智能技术的革新也引发了诸多伦理争议，如人脸识别滥用的与人工智能技术资源的不平等。

五、AI大模型时代（2021至今）：通用智能的黎明

在2021年至今的这段时间里，人工智能领域最为瞩目的焦点非大模型莫属。大规模预训练模型的出现，推动着AI朝着通用智能的方向不断迈进。2020年GPT-3诞生，作为大规模语言模型的先驱，其展现出了强大的人类语言理解和生成能力。而2022年推出的ChatGPT更是在此基础上实现了人机语言交互能力和应用推广上的重大突破。

这些模型能够生成自然流畅的人类语言文本，与用户进行高质量的对话，在内容创作、智能客服等多个领域都展现出了巨大的应用潜力。与此同时，大模型与AI生态的发展不仅在技术上取得了重大突破，还在商业领域产生了深远的影响。生成式AI在写作、编程、图像生成等领域已经实现了广泛的商业化应用，在写作方面，它可以帮助用户快速生成文章、故事等内容；在编程领域，能够辅助开发者进行代码生成和调试；在图像生成方面，可以创造出各种风格的图像作品，这些应用不仅提高了生产效率，还为创意产业带来了新的发展机遇。AI与搜索、协作等领域的融合也成为了新的发展趋势，GoogleBard、NotionAI、Glean等产品纷纷探索AI增强工作流的可能性——即通过智能化的搜索和协作工具，提高用户的工作效率和创造力。这些应用不仅能够快速准确地提供信息，还能根据用户的需求进行个性化的推荐和辅助，为用户带来更加便捷和高效的工作体验。

随着大模型技术的不断发展，开源与闭源模式之争也日益激烈。2023年以来，HuggingFace等开源社区积极推动开源AI的发展，为开发者提供了丰富的模型资源和开放的交流平台，促进了技术的快速迭代和创新；另一边，OpenAI、Anthropic等公司则坚持闭源模式，通过商业化的运作和强大的研发实力，不断推出具有领先性能的大模型产品。

DeepSeek的出现无疑又使得人工智能开源闭源之争再次进入公众视野，这一争议不仅关乎技术的普及与创新，更涉及数据主权、商业利益以及技术伦理等多方面的考量。

此外，AGI（通用人工智能）作为人工智能领域的终极目标，也成为了众多科研机构和企业的长期技术追求。AGI旨在构建能够像人类一样在多种任务上实现自主学习、推理和适应的智能系统，而不仅仅是针对特定任务的专用AI。想象一下，如果现在的AI是单轨列车，只能在固定的轨道上运行，那么AGI就是一辆可以在任何道路上自由行驶的汽车，能够灵活应对各种复杂情况。

再打个比方，如果把人工智能比作职场，现在的AI更像是只懂算账的财务专员（专用AI），而AGI（通用人工智能）想培养的是能随时切换角色的超级员工——今天能写方案、明天能修电脑、后天还能策划团建，遇到突发状况不用老板教，自己琢磨两下就能上手，堪称打工人中的"六边形战士"。然而，AGI的发展也伴随着巨大的伦理挑战和社会风险，就像潘多拉的盒子一样。例如，大规模的就业替代、隐私侵犯等问题。

02 人工智能企业涌现和发展的四个时代

一、拓荒时代（2000-2010）：工具型玩家，AI商业化的萌芽

在2000至2010年的拓荒时代，AI领域犹如一片待开垦的荒地，初现商业化的曙光，一批工具型玩家勇敢地迈出了探索的步伐。这一时期的AI技术主要集中在特定领域的应用，如医疗、语音识别等，但整体技术成熟度较低，模型推理速度慢，市场认知度有限。

IBM凭借Watson在医疗领域的大胆探索，开启了AI在医疗诊断辅助方面的新篇章。Watson能够快速分析海量的医疗文献和病例数据，为医生提供诊断建议，例如在肿瘤诊断中，它可以帮助医生更精准地判断肿瘤的类型和分期，提高了诊断效率和准确性。但由于当时技术成熟度低，模型推理速度慢，导致其在商业化落地过程中困难重重。

Nuance则专注于语音识别技术，其语音识别产品广泛应用于语音导航、语音输入等领域。比如在汽车导航系统中，Nuance的语音识别技术可以让驾驶者通过语音指令轻松查询路线、搜索地点，提升了驾驶的安全性和便利性。但当时市场对AI技术的认知有限，客户难以理解其价值，市场教育成本高昂，使得其市场拓展上面临巨大挑战。

中国领域，科大讯飞在语音交互方面崭露头角，其智能语音输入法、语音翻译等产品，让人们切实感受到了人工智能语音交互的魅力。以语音翻译为例，科大讯飞的翻译机可以实现多种语言的实时互译，在跨国交流、旅游等场景中发挥了重要作用。

这些企业的商业模式主要围绕项目定制开发，高度依赖政府或大型企业的采购，市场范围相对狭窄，主要集中在医疗、语音识别等特定领域。尽管展现出巨大潜力，但最终因市场策略和技术落地问题未能实现大规模商业化，成为了拓荒时代的遗憾注脚。不过，这一时期的技术突破为后续AI产业化奠定了基础。随着技术的不断演进，AI领域迎来了新的发展机遇，淘金时代的大幕缓缓拉开。

二、淘金时代（2011-2016）：平台赋能者，数据驱动的AI爆发

2011至2016年，是AI领域蓬勃发展的黄金时期。这一时期，核心变量发生了显著变化——深度学习正处于黄金时代，为AI技术的突破提供了强大的动力。与此同时，云计算的普及使得计算资源更加易得，互联网巨头纷纷开放API，如Google Vision AI、IBM Watson API等，API允许不同的软件或系统之间进行通信和交互，而无需了解彼此的内部实现细节。就像快递员负责把包裹从卖家送到买家手中，API让企业可以轻松调用复杂的AI功能，而无需自己开发底层的AI模型。这种“即插即用”的方式降低了企业应用AI的门槛。

在这一背景下，人工智能企业雨后春笋般涌现。广告推荐领域的Criteo，一个基于AI的广告投放系统，可以精准分析用户的浏览历史、购买行为等数据，从而为用户推送个性化的广告。例如，当用户在网上浏览过运动鞋的相关信息后，Criteo的广告投放系统会在其他网站上为用户展示相关的运动鞋广告，这提高了广告的点击率和转化率，为广告商带来了更高的收益。Google Ads同样利用AI技术优化广告投放策略，根据用户的搜索关键词和兴趣偏好，将广告精准展示给目标受众，帮助众多企业提升了营销效果。

金融风控领域的蚂蚁金服的AI信用评分系统通过对用户的交易数据、社交数据等多维度信息的分析，能够快速准确地判断用户的还款能力和意愿，评估用户的信用风险，从而为金融机构提供了可靠的决策依据，降低了信贷风险。

视觉艺术方面，计算机视觉四小龙（商汤、旷视、依图、云从）崛起，标志着计算机视觉技术在多个行业的广泛应用。商汤科技的人脸识别技术可以实现对人员的精准识别和追踪，帮助警方快速破案；旷视科技则通过计算机视觉技术实现商品的自动识别和结算，提升了智能零售购物体验和店铺运营效率。

这一时期，AI不再仅限于实验室的研究，而是开始通过开放API和SDK提供给企业使用，计算机视觉、NLP（自然语言处理）等技术在多个行业落地生根。资本逻辑也随之变化，2014-2016年，风险投资疯狂押注AI垂直应用，推动了企业高速发展。

然而这一时期的人工智能企业高度依赖数据，这是因为深度学习技术需要大量的数据来训练复杂的神经网络模型，以实现更好的性能和泛化能力。而高质量的数据往往需要通过专业设备或服务获取，且数据隐私和安全问题日益受到关注，使得数据获取变得更加复杂。因此企业需要找到可持续的数据获取模式，以确保AI技术的持续创新和应用。另一方面，对于普罗大众来说，AI仍然是可有可无的“辅助工具”，缺乏完整的商业闭环。

三、泡沫时代（2017-2020）：场景争夺战，AI产业化瓶颈

在2017至2020年的泡沫时代，AI技术虽然已经进入大规模落地阶段，但市场竞争异常激烈，商业模式同质化问题严重。大量企业涌入相似赛道，导致竞争态势愈发白热化，尤其是在人脸识别等技术门槛相对较低的领域，产品同质化现象尤为突出。为了争夺市场份额，企业纷纷降低价格，使得人脸识别公司的毛利率跌破30%，陷入价格战的泥潭，利润空间被严重压缩。

在安防领域，传统安防巨头如海康、大华、宇视与新兴的计算机视觉初创企业如商汤、旷视等展开了激烈的市场竞争。传统安防企业依靠多年的行业经验和客户资源占据了一定的市场份额，而计算机视觉初创企业则凭借先进的AI技术和创新理念试图打破现有格局。商汤科技的人脸识别技术广泛应用于安防监控和门禁系统等多个场景，例如在大型活动现场快速准确地识别人员身份，实现高效的人员管理和安全保障。旷视科技则在金融支付领域表现出色，其人脸识别技术为移动支付提供了更加安全便捷的验证方式，提升了用户的支付体验。然而，随着市场竞争的加剧，人脸识别市场逐渐趋于饱和，企业面临着巨大的市场压力。

自动驾驶领域同样竞争激烈，Waymo凭借其强大的技术实力和丰富的测试数据在自动驾驶领域处于领先地位，其自动驾驶汽车已经在多个城市进行了大量的道路测试，积累了宝贵的实践经验。特斯拉的FSD（自动驾驶系统）也备受关注，通过不断迭代升级其自动驾驶技术，试图在智能汽车市场占据一席之地。这两家企业在自动驾驶技术的研发和应用上展开了激烈竞争，推动了技术的发展，但也面临着技术安全和法规监管等诸多挑战。

AI芯片领域，寒武纪、Graphcore等新兴企业试图挑战英伟达的霸主地位。寒武纪研发的AI芯片具有高性能、低功耗的特点，能够满足AI应用对计算能力的需求，例如在智能安防设备中快速处理大量图像数据，提高设备的识别准确率和响应速度。然而，在商业化过程中，这些企业遇到了诸多困难，如技术成熟度、市场认可度和生态系统建设等，导致商业化进展缓慢。

盈利难题也是这一时期AI企业面临的一大挑战。许多AI公司主要依赖政府和B端订单，缺乏真正的C端消费市场。政府和B端客户对AI产品的采购往往具有周期性和不确定性，导致企业收入不稳定。同时，C端消费者对AI产品的认知度和接受度不高，市场培育需要时间和成本，这些因素使得AI企业难以实现持续盈利。

此外，数据隐私和监管挑战日益凸显。随着欧盟《通用数据保护条例》的出台，AI公司获取和使用用户数据变得更加困难，严格的监管政策限制了企业获取数据的渠道和方式，增加了合规成本。数据隐私问题也引发了公众对AI技术的担忧，影响了AI技术的推广和应用。

为了应对这些挑战，这一时期的AI企业采取了一些生存策略。许多企业选择与产业巨头进行战略合作，例如商汤绑定小米，通过小米的硬件平台和渠道优势拓展AI技术的应用场景；旷视依赖阿里，借助阿里的云计算和大数据资源提升AI技术的研发和应用能力。部分企业则试图通过上市融资来缓解资金压力，但资本市场对AI的预期逐步降温，投资者对AI企业的盈利能力、技术可持续性和市场前景更加谨慎，导致上市融资难度加大。

这一时期也出现了许多典型失败案例。许多计算机视觉创业公司因商业模式未能跑通而倒闭，融资受阻。IBM Watson医疗业务的收缩为整个AI行业敲响了警钟。Watson曾被视为AI技术在医疗领域应用的典范，但在实际推广过程中，遇到了技术落地难、市场接受度低等问题，最终导致其医疗业务大幅收缩，未能实现当初的行业颠覆性目标。这些失败案例提醒我们，AI企业在追求技术创新的同时，必须注重商业模式的可行性和市场需求的实际情况。

四、重构时代（2021至今）：大洗牌，LLM大模型驱动新格局

在2021年至今的重构时代，AI领域经历了一场深刻的大洗牌，大语言模型（LLM）成为核心驱动力，彻底重塑了产业格局。OpenAI推出的GPT-3如同一颗重磅炸弹，以1750亿参数规模和强大的语言生成能力引爆了大模型时代，其生成的文本质量之高，让其在自然语言处理任务中大放异彩，引发全球研究热潮。紧接着，2022年ChatGPT的横空出世更是将大语言模型推向大众视野，它流畅自然的对话交互能力使其迅速风靡全球，无论是日常聊天、知识问答还是内容创作，它都能游刃有余。

AI产业生态也随之呈现出多元化的格局。在基础设施层面，英伟达凭借其GPU霸主地位，为AI模型的训练和推理提供了强大的硬件支持，而Databricks则在数据湖和AI数据管理方面发挥关键作用，助力企业高效处理海量数据。在模型领域，闭源霸权与开源挑战者形成分庭抗礼之势。OpenAI的GPT-4、Anthropic的Claude等闭源模型在商业市场占据重要地位，依靠先进技术和优质服务赢得企业级应用青睐。与此同时，MistralAI、DeepSeek等开源挑战者通过开放代码和共享资源，吸引了众多开发者和研究人员，推动开源模型不断前进。

应用层面同样精彩纷呈，Notion、Glean等应用采用“微创新”模式，将AI技术融入协同办公和搜索结果优化，为用户带来便捷高效的体验。Runway、StableDiffusion等则推动了AI生成内容（AIGC）的爆发，让AI在图像、视频、音频创作领域展现出巨大潜力。

商业模式也发生了显著转变。“模型即服务”（MaaS）模式的兴起，让企业无需投入巨资训练AI模型，只需调用API即可快速实现AI功能，大幅降低了使用门槛，加速了AI普及。AISaaS化趋势同样明显，JasperAI、Copy.ai等生成式AI写作工具将AI融入日常办公，为用户提供了便捷高效的创作体验。

然而，这一时期的AI市场也面临诸多挑战。大模型庞大的规模和复杂的计算逻辑导致推理成本居高不下，企业必须优化推理效率降低成本，才能在竞争中占据优势。开源与闭源之争成为市场焦点，开源模型以开放性和灵活性吸引众多参与者，但闭源模型在技术和商业应用上更为成熟，双方各具优势。全球竞争也愈发激烈，美国、欧洲和中国在监管、市场和技术上展开全方位竞争，不同国家和地区的政策、资源和技术差异使得全球AI市场更加复杂。

DeepSeek的崛起更是引起了广泛关注，其低成本推理模式和创新AI应用迅速获得市场认可，对传统AI巨头形成竞争压力，为市场注入新活力。与此同时，AI成为科技巨头新的增长引擎，微软与OpenAI深度绑定，将AI功能融入办公软件提升竞争力，谷歌推出Gemini力图与OpenAI竞争，这些布局预示着AI市场将迎接更激烈竞争和更广阔前景。

这里要特别注意的是AI大模型对AI企业发展的关键性作用。这有关“大模型基础设施→应用生态→全球格局”的传导机制。OpenAI等大模型企业为美国AI创新生态打下坚实基础，它们不仅通过技术突破推动了模型层的发展，还通过开放接口、构建生态系统、引导资本流向，有效带动了整个AI产业链的繁荣。以OpenAI为例，其发布的ChatGPT在短短5天内用户突破100万，成为史上增长最快的消费级产品之一。此外，围绕OpenAI的API生态也加速催生了大量AI应用创业公司，如Jasper.ai（AI写作）、Synthesia（AI视频）、Rewind（AI个人记忆助理）等，形成“模型即基础设施、应用百花齐放”的局面。根据CBInsights的2023年数据，美国AI初创企业获得的风投资金中，有超过35%流入了以大模型应用为核心的垂直领域公司，总额超过150亿美元。这种大模型生态效应让OpenAI不仅成为技术引擎，更是“AI创业的操作系统”，奠定了美国在全球AI产业链上的领先地位。

同样地，以DeepSeek为代表的新一代国产大模型企业，正在为中国的AI产业构建自主可控的技术底座，并推动形成多层次的“国产大模型生态体系”。自2023年底DeepSeek发布至今，其以高性价比的推理性能和开源友好策略迅速获得市场青睐。2024年3月发布的DeepSeek-V2模型在“性能-成本”曲线上的表现已接近GPT-3.5水平。中国政策层面也在加速大模型生态的搭建。2023年，我国正式启动大模型“备案制”，截至2024年第一季度，已有200多个国产大模型通过备案，涵盖教育、金融、医疗、法律、工业制造等多个垂直场景。从AI+办公、AI+教育到AI+政务，构成了中国特色的大模型产业生态。根据清华大学《AI指数报告2024》，中国AI应用企业数量在2023年同比增长184%，其中近六成与基础大模型平台存在API集成或数据服务合作。

这意味着，DeepSeek等AI大模型企业不仅是“技术研发者”，更是AI产业的基础设施提供者和生态连接器，推动着中国AI从“追赶者”逐步转向“并跑者”，并正在开源策略上对全球格局施加影响。

03 未来已至，智能未完

回溯AI的发展轨迹，从符号推理的初步试水，到深度学习的全面崛起；从专家系统的局部应用，到大模型的全球风靡，算力、数据、算法这三大核心要素，如同精密咬合的齿轮，推动了人工智能从一种不确定的构想迈向商业和日常实践阵地。

展望未来，人工智能的演进方向逐渐清晰。一方面，AI将不再追求“大而全”，而是向“精而专”转变。垂直领域的大模型将在医疗、法律、金融等高附加值行业精准落地，以低成本、高效率的规模化应用，为企业开辟全新的价值增长点。另一方面，AI将催生“企业智能体”的崛起，AI与人类员工的关系将从简单的协作转变为深度融合，共同成为企业的智能内核，推动企业决策与创新的高效运转。AI还将重塑生产关系，催生出AI即服务（AIaaS）、AI内容经济等新型商业模式，为企业提供多元化的盈利渠道和发展空间。

在这场变革中，领先企业需要敏锐的洞察力和果断的行动力，精心规划数据、算法、算力的战略布局，打造AI驱动的核心竞争力，在激烈的市场竞争中抢占先机。同时，要善于利用AI优化业务模式，提升生产效率、改善客户体验、提供个性化服务，从而在市场中脱颖而出。

未来已来。AI的未来充满了机遇与挑战。尽管通向AGI的道路充满挑战，但一旦实现突破，将彻底颠覆企业的组织形态、商业模式和产业竞争格局。站在这个关键节点上，企业的每一个技术决策都至关重要。以开放的心态、创新的精神和高效的执行力迎接这一场已经在路上的变革，企业或许才能在新的商业格局中乘风破浪，引领未来。

参考资料：

中文资料

[1]吴军.智能时代：大数据与智能革命重新定义未来[M].北京:中信出版社, 2018.[2]中国信息通信研究院.人工智能大模型发展趋势报告2024[R].北京:中国信息通信研究院, 2024.[3] DeepSeek. DeepSeek技术白皮书[R]. 2024-03.[4]极客网. AI时代：李飞飞预言：未来的历史学家将把AI视为开启全新纪元的关键节点[EB/OL]. (2025-02-12).

https://www.fromgeek.com/ai/672343.html.

英文资料

[5]Anthropic.Closed-source AI development and applications[EB/OL]. (2023).

https://anthropic.com/

[6] Barker V E, O'Connor D E, Bachant J, et al. Expert systems for configuration at Digital: XCON and beyond[J]. Communications of the ACM, 1989, 32(3): 298–318.

https://doi.org/10.1145/62065.62067

[7] Brown T, Mann B, Ryder N, et al. Language models are few-shot learners[C]//Advances in Neural Information Processing Systems. 2020, 33: 1877–1901.

[8] Crevier D. AI: The Tumultuous History of the Search for Artificial Intelligence[M]. New York: Basic Books, 1993.

[9] Digital Equipment Corporation. XCON: A Configuration Expert System for VAX Computers[R]. DEC, 1982.

[10] Gartner. Gartner年度人工智能技术成熟度曲线报告[R]. Gartner, 2024.

[11]Google.GoogleBard:AI-enhanced search and collaboration[EB/OL]. (2023).

https://www.google.com/ai/bard

[12] Glean. Glean: AI-powered collaboration platform[EB/OL]. (2023).

https://www.glean.com/

[13] Hugging Face. Open-source AI community and resources[EB/OL]. (2023).

https://huggingface.co/

[14] IDC. IDC全球人工智能市场研究报告[R]. IDC, 2025.

[15] McCarthy J, Minsky M, Rochester N, Shannon C E. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence[R]. Dartmouth College, 1955.

[16] McCulloch W S, Pitts W. A Logical Calculus of the Ideas Immanent in Nervous Activity[J]. Bulletin of Mathematical Biophysics, 1943, 5(4): 115-133.

https://doi.org/10.1007/BF02478259

[17] Mistral AI. Research on cost-effective large model development[EB/OL]. (2023).

https://mistral.ai/

[18] Notion. Notion AI: Integrating AI into workflow[EB/OL]. (2023).

https://www.notion.so/

[19] NVIDIA. NVIDIA GPU for AI computing[EB/OL]. (2023).

https://www.nvidia.com/

[20] NVIDIA Corporation. Q4 2023 Earnings Report: H100 GPU Shipments[R]. NVIDIA, 2023.

[21] OpenAI. ChatGPT: Optimizing language models for dialogue[EB/OL]. (2022).

https://openai.com/research/chatgpt

[22] OpenAI. Latest advancements in closed-source AI models[EB/OL]. (2023).

https://openai.com/

[23] OpenAI. Developer Conference Keynote: ChatGPT API Growth Metrics[R/OL]. (2023).

[24] Reinsel D, Gantz J, Rydning J. Data Age 2025: The Evolution of Data to Life-Critical[R]. Seagate, IDC, 2017.

https://www.seagate.com/www-content/our-story/trends/files/data-age-2025-white-paper-traditional-chinese.pdf

[25] Russell S, Norvig P. Artificial Intelligence: A Modern Approach[M]. 3rd ed. Upper Saddle River: Prentice Hall, 2010.

[26] Schmidhuber J. Deep Learning in Neural Networks: An Overview[J]. Neural Networks, 2015, 61: 85–117.

[27] Stanford University. MYCIN: An Antibiotic Therapy Advisor[R]. Stanford University Medical Informatics Group, 1976.

[28] Stanford University AI Index Report. AI 100: One Hundred Years of Artificial Intelligence[R]. Stanford University Press, 2021.

[29] Turing A M. Computing Machinery and Intelligence[J]. Mind, 1950, 59(236): 433–460.

https://doi.org/10.1093/mind/LIX.236.433

[30] U.S. Government Accountability Office. Strategic Computing Program:DARPA’s Funding and Management Approach[R]. GAO/IMTEC-88-36, 1988.

[31] UBS Asset Management. 2023年第一季度股票市场展望

[R/OL]. UBS, 2023-01 [2025-04-13].

https://www.ubs.com/tw/tc/assetmanagement/insights/asset-class-perspectives/equities/articles/q1-2023-equity-market-outlook.html


来源：36kr