“数字原生推动企业数字化从被动转型走向主动原生，彻底地释放AI潜力。

在AI大模型规模持续扩大、应用场景日益丰富的当下，行业却普遍面临一大关键难题：如何跳出同质化竞争与低水平复制的困局，让AI技术真正转化为业务与社会价值，推动产业数智化转型迈向更深层次？

9月8日，由数智猿与数据猿联合主办、中关村科学城公司协办，并获新华社中国经济信息社等多家机构支持的“2025第五届数智化转型升级发展论坛——暨AI大模型&AI Agent趋势论坛”针对这些问题，展开了深入而广泛的讨论。

本次论坛聚焦AI大模型与AI Agent在产业数智化转型中的挑战与突破路径，更被纳入北京市科委、中关村管委会策划的“智领未来”北京人工智能系列品牌活动，成为行业交流与思想碰撞的重要平台。

面对行业共同关注的数智化转型难题，中国信通院云大所所长何宝宏博士在论坛主旨演讲中不仅剖析了大模型落地的关键环节与企业面临的现实痛点，更提出“数字原生”体系与框架，为行业突破传统转型范式、释放AI技术价值提供了清晰指引。

“流量”正被AI时代的Token所替代

时代迭代的深层逻辑如出一辙

我们正站在时代更迭的关键节点——从以互联网为中心的时代，迈向以AI为中心的时代。若以30年为一个长经济周期来审视，这一迭代脉络清晰可辨，何宝宏博士称为“30年‘网’东，30年‘智’西”的演进节奏。

回溯互联网时代的崛起，TCP/IP协议的出现一统网络技术江湖，奠定了互联网的基础设施根基。彼时，以通信技术为核心的思科等企业，凭借基础设施层的优势，估值一度攀升至令人惊叹的高度。

但仅有基础设施还远远不够，生态的搭建才是引爆革命的关键——网景Netscape浏览器诞生，如同为互联网装上了“入口钥匙”，让TCP/IP的技术潜力转化为可触达的用户体验，彻底点燃了互联网革命的浪潮。

延伸到应用层，互联网从最初的文字交互，逐步演进到多媒体融合；从服务大众的通用互联网，延伸至企业内部的专用网络，“流量”成为衡量价值的核心指标，构建起完整的互联网生态闭环。

何宝宏博士说，如今的AI时代，正以高度相似的逻辑复刻这一进程。Transformer架构如同当年的TCP/IP，一统人工智能技术江湖，成为AI基础设施的核心；以算力为核心的英伟达等企业，也正因这一基础设施的需求爆发，迎来估值的爆发式增长。

生态层的突破同样清晰。OpenAI的ChatGPT，恰似当年的网景浏览器，以具象化的应用场景激活了AI的技术潜力，点燃了人工智能革命的火种。

应用层面，AI也在重复从文字到多模态的演进，从通用大模型向私域部署、垂直领域专用模型延伸。只不过，互联网时代的“流量”，如今被AI时代的“Token”所替代，但其背后“通过核心指标衡量生态价值”的逻辑，本质上高度一致。

当然，互联网时代曾经历泡沫破灭的阵痛，AI时代是否会重蹈覆辙呢？历史规律的相似性，值得行业警惕与思考。

何宝宏博士介绍说，若30年是时代更迭的大周期，那么AI领域自身还存在一个“7年之痒”的小周期——技术每隔7年左右便会因“审美疲劳”而迭代新名词，这既是应对外界——投资界、媒体、管理层——对“成果落地”的追问，也是技术自身突破瓶颈的必然。就像大模型，2017年Transformer架构提出，2018年通用大模型开始兴起，至今已近7年。

此前的深度学习阶段，强调专用数据与判定式输出。而大模型阶段，试图突破“通用”边界，走向生成式智能，通用性虽远超从前，但现状仍是“能用却不够好用”——这与当年TCP/IP刚诞生时“能用但需完善”的状态如出一辙。有人看好其潜力，有人诟病其不足，但不可否认的是，技术正是在这样的争议与迭代中，一步步推动时代向前。

从技术突破到实战落地

大模型应用落地路径日渐清晰

随着大模型技术从“暴力美学”的训练阶段迈向实用化落地阶段，其应用落地路径已初步清晰，何宝宏博士将其可概括为模型准备、Agent应用、运营维护三大核心阶段。

大模型落地的第一步是模型准备阶段，需完成从数据处理到模型微调、再到检索增强生成（RAG）的全流程准备；进入应用阶段后，核心是围绕推理优化与Agent构建，让模型能力适配实际业务场景；最后是运营维护阶段，重点在于模型部署后的动态迭代与合规认证——不同于传统技术，大模型需持续响应业务变化，因此“迭代”成为维护环节的关键，确保模型在长期使用中保持实用性与安全性。

而在各阶段推进中，数据、架构、增强方式及推理环节的改进与挑战相互交织，共同塑造着大模型落地的“众生态”。

当前数据处理已从单一的“净化”转向系统性“数据战略”：标注类数据正从劳动密集型向工程化、智能化、标准化升级，同时需适配多模态数据的标注需求；私域数据则聚焦高价值行业数据的释放，不仅要求专业化标注（如医疗、金融领域需专业知识支撑），更需突破安全合规与流通交易的基础设施瓶颈。

而合成数据的应用则打破了“垃圾进垃圾出”的固有认知，在精准控制剂量的前提下，可有效覆盖稀有场景，但如何平衡合成技术、数据保真度及与真实数据的混合比例，仍是待解难题；甚至“毒性数据”的应用也成为新探索，研究表明控制10%以下的毒性数据训练，可让模型更好适应真实世界的复杂环境，但毒性剂量控制、特征解耦与推理干预机制，还需进一步完善。

与当年TCP/IP协议一统网络江湖类似，Transformer架构作为大模型的技术底座，已形成深厚的产业生态，因此当前改进更倾向于改良而非颠覆。效率层面，通过混合精度训练、网络稀疏化（解决全链接架构的资源浪费问题）提升性能；能力层面则探索多模态融合、长序列处理及与传统人工智能（逻辑推理优势）的结合，弥补纯统计模型的短板。

增强方式的创新则从“嵌入式”与“外挂式”两条路径推进。嵌入式增强以微调为核心，已发展出领域微调、任务微调、价值微调等细分方向，目标是让模型深度适配特定场景。同时也面临效果不稳定、价值黑化、灾难性遗忘等问题，且成本重心从算力转向专业数据标注，同时标注方、基模方与微调方的责任边界模糊，易引发纠纷。

外挂式增强则不改变模型本身，通过API插件、强化学习、RAG等外部工具扩展能力，核心是实现大模型与现有业务系统的协同，如用RAG提升回答准确性，用插件对接企业现有数据库等。其挑战在于如何实现外部工具与模型的高效协同，避免形成新的“能力孤岛”。

推理环节的改进则聚焦“从增强到实战”，Agent成为当前的核心共识。何宝宏博士认为，通过整合多技术能力，让模型具备目标导向的环境感知、自主决策与行动能力，同时围绕开源生态建设与用户体验优化，推动推理技术落地。

由此可见，大模型应用落地路径已从模糊走向清晰，但各环节的挑战仍需通过技术迭代、生态协同与规则完善逐步化解，唯有正视这些难题，才能推动大模型真正从技术概念转化为产业价值。

大模型进入下半场，

Agent成行业最大共识

随着大模型技术从规模竞赛迈入实用落地的下半场，Agent已成为行业内外的最大共识——它不仅是大模型能力落地的核心载体，更引领着技术适配、场景应用、生态建设与用户体验的全面升级。

从技术演进方向看，Agent推动大模型实现从“规模优先”到“效率优先”的关键转向。相较于上半场追求参数规模的“暴力美学”，下半场更注重通过Agent优化模型推理能力，强化多模态融合效果，让模型在处理复杂任务时既高效又精准，摆脱对冗余参数的过度依赖，更贴合实际应用中的资源约束与性能需求。

在应用场景层面，Agent则成为“AI+”落地的核心抓手：不再局限于通用领域的基础交互，而是向专业化、场景化深耕，深度嵌入垂直行业——无论是工业生产中的流程监控、医疗领域的辅助诊断，还是金融场景的风险预警，Agent都能聚焦具体问题，将大模型技术转化为可落地的行业解决方案，破解“技术与业务脱节”的痛点。

生态建设维度，Agent正推动开源协作成为主流。一方面，开源大模型为Agent提供了灵活的技术底座，降低了开发门槛；另一方面，开源Agent框架如LangChain、AutoGPT等的涌现，让开发者可快速搭建定制化Agent应用；更重要的是，开放访问协议（如MCP）的探索，打破了不同Agent与系统间的壁垒，促进能力互通与资源共享，加速形成“底座-框架-协议”三位一体的生态体系。

在用户体验上，Agent则致力于打造更自然的交互模式——通过模拟人类决策逻辑，让用户无需掌握复杂技术，即可通过自然语言等方式与模型互动；同时，Agent引入权威数据源作为支撑，有效减少大模型“幻觉”问题，提升输出内容的可信度，让用户在政务咨询、知识查询等场景中更安心。

这种全方位的升级，也预示着Agent市场的巨大潜力。据预测，到2035年Agent市场规模将增长至2168亿美元，年复合增长率达40.15%，成为驱动数字经济增长的重要引擎。

然而，Agent在迎来机遇的同时，也面临着多重挑战。从核心逻辑来看，Agent以目标为导向，需具备环境感知、自主决策与行动执行的完整能力，其设计借鉴了经济学中“理性代理人”的概念——既可以是如温控器般简单的单功能体，也能是如企业复杂的系统集合。事实上，IT领域早有软件Agent、安全Agent等雏形，但当前Agent的爆发式发展中，部分产品仅简单叠加基础功能便冠以Agent之名，稀释了其核心价值。

更深层的挑战则源于技术本身的固有属性。如Agent遗传了LLM的“固疾”，如对模糊指令的理解偏差、复杂逻辑推理的局限性等。而终极目标不一致性问题难以觉察——用户设定的表层目标与Agent实际执行中的深层逻辑可能存在偏差，尤其在涉及多步骤任务时，易引发结果偏离预期。

另外，机器的思维与行为方式与人类存在本质差异，Agent的决策逻辑可能不符合人类常识，导致用户难以理解或信任。同时Agent普遍缺失有效的自我修正机制——当执行出现偏差时，无法像人类一样主动反思、调整策略，需依赖人工干预，限制了其在无人值守场景中的应用。

何宝宏博士说，Agent应用现实挑战最核心的是复杂目标的意图传递难题，如人类80%知识无法用语言表达，难以清晰定义模型目标；通用Agent的逻辑悖论，若通用Agent能力覆盖基础模型，将与基模功能重叠；完全自主决策所需的技术成熟度，均需长期探索等。

数字原生，

未来智能化社会全面发展的核心引擎

何宝宏博士提出的“数字原生”，正为未来智能化社会的发展提供关键指引。这一理念倡导以AI原生理念突破传统数字化转型范式，构建“思客（Thinker）—技术创新—应用创新”的新框架，推动社会从“被动转型”走向“主动原生”，重塑智能化发展的底层逻辑。

从发展脉络来看，“数字原生”的提出契合了技术与社会演进的发展趋势。过去，信息化、数字化转型多是对传统模式的改造与优化，存在“新瓶装旧酒”的局限；而“数字原生”则强调从源头构建以AI为核心的全新体系，正如国务院《人工智能+行动计划》中专门提及“智能原生”，明确在技术、产品、业务等领域推动智能原生企业发展。

何宝宏博士指出，“不能老转型，能原生就原生”。相较于对传统架构的修补，原生模式能更彻底地释放AI与数字技术的潜力。这种演进还体现在“数字世界与物理世界的融合次序”上：互联网时代先有消费互联网（数字世界），再延伸至产业互联网（物理世界）；如今，大模型与Agent先在数字世界成熟，下一步必然走向与物理世界的结合，发展“具身智能”，而数字原生正是衔接这两个阶段的关键理念。

更重要的是，AI原生时代将催生新的“共处与协作关系”，不再局限于自然人之间的分工，而是拓展到自然人、数字人、AI人之间的和谐协作，这就要求社会从底层重构人机互动的规则与模式，数字原生理念恰好为这种新关系提供了思想基础。

回顾技术演进，信息处理单元经历了从“0-1二进制”到“字节”，再到“数据”“大数据”的抽象化提升；如今，大模型时代进入“Token”阶段，机器首次具备处理自然语言的能力，从前需依赖机器语言编程，现在可通过自然语言与机器交互，这不仅是技术的飞跃，更是人机关系的根本性变革，让数字技术更贴近人类的认知与表达习惯，为智能化社会的普及奠定了基础。

技术飞跃离不开生产关系与思想理念的同步升级：生产力层面，Token处理能力打破了人机交互的壁垒；生产关系层面，则需要“数字原生”的思想理念做支撑——正如互联网时代诞生了互联网思维，AI时代也需要与之适配的“AI思维”，尽管其具体形态仍在探索中，但可以确定的是，它必须突破传统思维的束缚，涵盖经济学、社会学等多领域的理论创新。

何博士强调，“要破界、反卷，就需要全新的思维方式”，数字原生正是这种思维革新的集中体现，它不再局限于技术或应用层面的创新，而是从思想理论源头为智能化社会铺路。

数字原生不仅是一种技术理念，更是引领未来智能化社会全面发展，推动社会从“转型依赖”走向“原生创新”，从“数字与物理割裂”走向“人机协同融合”，从“技术驱动”走向“思想与技术双轮驱动”。在数字原生的指引下，未来智能化社会将实现信息处理效率、人机协作模式、思维创新维度的全方位突破，真正迈向“破界反卷”的新发展阶段。

来源：数据猿