AI产业下一个十年何处去？业内：大模型规模化落地依旧是挑战，四大难题待解

每经网11-17

在实现通用人工智能这一宏伟目标牵引下，AI产业正迈向其发展的“下一个十年”。不过，在模型能力持续提升的同时，产业落地的速度却并未同步前进。11月16日，在“2025人工智能+”大会上，多位业内人士表示，高昂成本、缺乏高质量行业数据、工程化能力不足以及对大模型能力边界认知的偏差，正成为制约AI规模化应用的四大结构性难题。与此同时，从开源与商业化的平衡，到AI入口从云端向终端迁移，产业格局正在发生微妙...

网页链接

免责声明：本文观点仅代表作者个人观点，不构成本平台的投资建议，本平台不对文章信息准确性、完整性和及时性做出任何保证，亦不对因使用或信赖文章信息引发的任何损失承担责任。

精彩评论

我们需要你的真知灼见来填补这片空白

发表看法

{"i18n":{"language":"zh_CN"},"isChannel":false,"data":{"share":"https://www.laohu8.com/m/news/2584761599?lang=zh_CN&edition=full","thumbnail":"","is_english":false,"pubTime":"2025-11-17 11:53","share_image_url":"https://static.laohu8.com/9a95c1376e76363c1401fee7d3717173","id":"2584761599","market":"hk","top_or_hot":-1,"title":"AI产业下一个十年何处去？业内：大模型规模化落地依旧是挑战，四大难题待解","media":"每经网","content":"<div>\n<p>在实现通用人工智能这一宏伟目标牵引下，AI产业正迈向其发展的“下一个十年”。不过，在模型能力持续提升的同时，产业落地的速度却并未同步前进。11月16日，在“2025人工智能+”大会上，多位业内人士表示，高昂成本、缺乏高质量行业数据、工程化能力不足以及对大模型能力边界认知的偏差，正成为制约AI规模化应用的四大结构性难题。与此同时，从开源与商业化的平衡，到AI入口从云端向终端迁移，产业格局正在发生微妙...</p>\n\n<a href=\"http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20251117115520976e0210&s=b\">网页链接</a>\n\n</div>\n","source":"tencent","html":"<!DOCTYPE html>\n<html>\n<head>\n<meta http-equiv=\"Content-Type\" content=\"text/html; charset=utf-8\" />\n<meta name=\"viewport\" content=\"width=device-width,initial-scale=1.0,minimum-scale=1.0,maximum-scale=1.0,user-scalable=no\"/>\n<meta name=\"format-detection\" content=\"telephone=no,email=no,address=no\" />\n<title>AI产业下一个十年何处去？业内：大模型规模化落地依旧是挑战，四大难题待解</title>\n<style type=\"text/css\">\na,abbr,acronym,address,applet,article,aside,audio,b,big,blockquote,body,canvas,caption,center,cite,code,dd,del,details,dfn,div,dl,dt,\nem,embed,fieldset,figcaption,figure,footer,form,h1,h2,h3,h4,h5,h6,header,hgroup,html,i,iframe,img,ins,kbd,label,legend,li,mark,menu,nav,\nobject,ol,output,p,pre,q,ruby,s,samp,section,small,span,strike,strong,sub,summary,sup,table,tbody,td,tfoot,th,thead,time,tr,tt,u,ul,var,video{ font:inherit;margin:0;padding:0;vertical-align:baseline;border:0 }\nbody{ font-size:16px; line-height:1.5; color:#999; background:transparent; }\n.wrapper{ overflow:hidden;word-break:break-all;padding:10px; }\nh1,h2{ font-weight:normal; line-height:1.35; margin-bottom:.6em; }\nh3,h4,h5,h6{ line-height:1.35; margin-bottom:1em; }\nh1{ font-size:24px; }\nh2{ font-size:20px; }\nh3{ font-size:18px; }\nh4{ font-size:16px; }\nh5{ font-size:14px; }\nh6{ font-size:12px; }\np,ul,ol,blockquote,dl,table{ margin:1.2em 0; }\nul,ol{ margin-left:2em; }\nul{ list-style:disc; }\nol{ list-style:decimal; }\nli,li p{ margin:10px 0;}\nimg{ max-width:100%;display:block;margin:0 auto 1em; }\nblockquote{ color:#B5B2B1; border-left:3px solid #aaa; padding:1em; }\nstrong,b{font-weight:bold;}\nem,i{font-style:italic;}\ntable{ width:100%;border-collapse:collapse;border-spacing:1px;margin:1em 0;font-size:.9em; }\nth,td{ padding:5px;text-align:left;border:1px solid #aaa; }\nth{ font-weight:bold;background:#5d5d5d; }\n.symbol-link{font-weight:bold;}\n/* header{ border-bottom:1px solid #494756; } */\n.title{ margin:0 0 8px;line-height:1.3;color:#ddd; }\n.meta {color:#5e5c6d;font-size:13px;margin:0 0 .5em; }\na{text-decoration:none; color:#2a4b87;}\n.meta .head { display: inline-block; overflow: hidden}\n.head .h-thumb { width: 30px; height: 30px; margin: 0; padding: 0; border-radius: 50%; float: left;}\n.head .h-content { margin: 0; padding: 0 0 0 9px; float: left;}\n.head .h-name {font-size: 13px; color: #eee; margin: 0;}\n.head .h-time {font-size: 11px; color: #7E829C; margin: 0;line-height: 11px;}\n.small {font-size: 12.5px; display: inline-block; transform: scale(0.9); -webkit-transform: scale(0.9); transform-origin: left; -webkit-transform-origin: left;}\n.smaller {font-size: 12.5px; display: inline-block; transform: scale(0.8); -webkit-transform: scale(0.8); transform-origin: left; -webkit-transform-origin: left;}\n.bt-text {font-size: 12px;margin: 1.5em 0 0 0}\n.bt-text p {margin: 0}\n</style>\n</head>\n<body>\n<div class=\"wrapper\">\n<header>\n<h2 class=\"title\">\nAI产业下一个十年何处去？业内：大模型规模化落地依旧是挑战，四大难题待解\n</h2>\n\n<h4 class=\"meta\">\n\n\n2025-11-17 11:53 北京时间&nbsp;&nbsp;&nbsp;<a href=http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20251117115520976e0210&s=b><strong>每经网</strong></a>\n\n\n</h4>\n\n</header>\n<article>\n<div>\n<p>在实现通用人工智能这一宏伟目标牵引下，AI产业正迈向其发展的“下一个十年”。不过，在模型能力持续提升的同时，产业落地的速度却并未同步前进。11月16日，在“2025人工智能+”大会上，多位业内人士表示，高昂成本、缺乏高质量行业数据、工程化能力不足以及对大模型能力边界认知的偏差，正成为制约AI规模化应用的四大结构性难题。与此同时，从开源与商业化的平衡，到AI入口从云端向终端迁移，产业格局正在发生微妙...</p>\n\n<a href=\"http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20251117115520976e0210&s=b\">网页链接</a>\n\n</div>\n\n\n</article>\n</div>\n</body>\n</html>\n","isBrief":false,"type":0,"news_type":1,"symbol":"09678","symbol_name":"云知声","start_time":0,"source_url":"http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20251117115520976e0210&s=b","article_id":"2584761599","we_media_id":null,"thumbnails":[],"rights":{"source":"tencent","url":"http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20251117115520976e0210&s=b","rn_cache_url":null,"customStyle":"body{padding-top:10px;}#news_title{font-weight:bold;#titleStyle#;}#news_description span{font-size:12px;#descriptionStyle#;}.footer-note{#statement#}","selectors":".mod-LoadTzbdNews, body","filters":".relate-stock, .hot-list, .recom-box, .wx-sou","directOrigin":true},"url":"https://stock-news.laohu8.com/highlight/detail?id=2584761599","pubTimestamp":1763351627,"columns":[],"sourceInfo":{"source_id":"tencent","name":"腾讯"},"weMediaInfo":null,"summary":"在实现通用人工智能这一宏伟目标牵引下，AI产业正迈向其发展的“下一个十年”。11月16日，在“2025人工智能+”大会上，多位业内人士表示，高昂成本、缺乏高质量行业数据、工程化能力不足以及对大模型能力边界认知的偏差，正成为制约AI规模化应用的四大结构性难题。规模化落地四大难题待解当产业界尝试将大模型从实验室推向车间、办公室和街头巷尾时，规模化落地遇到的阻力远超预期。","collect":0,"end_time":0,"defaultTopTitle":"qq.com","property":[],"viewcount":null,"language":"zh","relate_stocks":{"09678":"云知声","BK1109":"应用软件"},"translate_title":"Where will the AI industry go in the next decade? Industry: The large-scale implementation of large models is still a challenge, and four major problems need to be solved","themeId":null,"isJumpTheme":false,"ttsUrl":null,"symbols_score_info":{"09678":0.9},"content_text":"在实现通用人工智能这一宏伟目标牵引下，AI产业正迈向其发展的“下一个十年”。不过，在模型能力持续提升的同时，产业落地的速度却并未同步前进。11月16日，在“2025人工智能+”大会上，多位业内人士表示，高昂成本、缺乏高质量行业数据、工程化能力不足以及对大模型能力边界认知的偏差，正成为制约AI规模化应用的四大结构性难题。与此同时，从开源与商业化的平衡，到AI入口从云端向终端迁移，产业格局正在发生微妙变化。规模化落地四大难题待解当产业界尝试将大模型从实验室推向车间、办公室和街头巷尾时，规模化落地遇到的阻力远超预期。“大模型（当前的）叙事逻辑对赋能千行百业不友好的地方在于，我们一直说规模法则，要把模型越做越大、越来越强，对应的结果是成本越来越高。”清华大学计算机系副教授、面壁智能联合创始人兼首席科学家刘知远在圆桌论坛上表示。主办方供图刘知远指出，叙事逻辑的不友好直接带来了大模型训练和使用成本的持续攀高。他认为，任何技术要对人类社会产生深远影响，都必须解决标准化和成本问题。正如芯片行业的摩尔定律，他所在的团队提出了大模型能力密度法则，即通过技术创新，让更少的参数承载更多的模型能力。“摩尔定律每18个月一个周期，使其密度加倍。我们会发现大模型可以做到每100天，也就是3.3个月至3.5个月左右，实现模型密度翻倍。”当前，大模型训练和使用的高昂成本已成为行业无法回避的问题。云知声创始人兼首席执行官黄伟也提到，一个典型的场景是，客户虽然认可满血版的DsspSeek模型效果好，但高昂的成本让其无法使用，“客户要的是最终结果，不管用的哪个模型，我就这点预算，搞定我的问题”。另一个被多次提到的结构性短板是高质量数据，尤其是行业语料的不足。“有数据不代表有语料。”阿里云智能集团副总裁霍嘉表示，很多行业依旧存在数据质量和数量不足，导致模型无法训练的问题。北京数据集团副总经理、北京国际大数据交易所董事长李振军指出，人工智能发展以后，数据交易市场对模型训练数据的需求正快速增长，两年时间里，数据交易从零增长到已占到交易所交易量的三分之一。李振军强调，AI应用深化的真正瓶颈在于数据准备工作。“（企业）生产经营过程中积累大量数据，但是没有AI需求的时候，数据分散在不同专业业务系统里边，没有以人工智能视角建成数据集，这个数据集建设其实刚刚起步”。他认为，这项数据集建设工作，是AI技术与产业结合最关键的业务连接，可能需要两年时间才会找到比较好的路径。工程化能力的不足正成为落地的“最后一公里”障碍。上海交通大学计算机科学与工程系特聘教授、思必驰公司联合创始人俞凯在论坛上强调，真正在产业上交付，必须解决三个核心问题：首先是要交付全系统、全链路；其次是软硬件结合；此外，大规模可定制——结合真实场景用大小模型、不同工具进行柔性、快速、大规模地定制同样重要。与此同时，一个更底层的挑战是产业对大模型能力边界的认知偏差。“大模型今天在产业里边落地，其中一个问题还是对大模型能力认知的不足。”霍嘉描述了一个普遍现象：“往往是业务领导对大模型充满绝对信心，反而做技术的人对如何落地感到非常担忧。”从实验室到产业链的生态重塑从实验室的原始创新，到产业链的商业闭环，AI落地应用的原有的分工和逻辑正在被改写。清华大学交叉信息研究院助理教授许华哲以具身智能为例，分析了当前创新生态中的三种不同角色。他指出，高校是人才密集度最高和最好想法的来源地，但也存在资源量不如企业的问题。企业则能投入大量的资源，在看清方向后进行大规模投入。主办方供图而新型研发机构则提供了第三种可能。许华哲认为，这类机构足够灵活，可以下决心做一件事，但是不一定追求ROI（投资回报率），能承担那些短期收益不高但长期意义重大的任务。在商业模式上，开源与闭源的对立关系也开始松动。智谱华章董事长刘德兵在被问及如何平衡开源与商业化时表示：“这是相互共生的状态，不是相互抵触的。”刘德兵认为，开源对人工智能行业的发展至关重要，能让千千万万有知识、有技术的各行各业人才共同贡献。从公司战略角度，开源带来的生态繁荣，最终会转化为商业用户。他透露，在开源架构的基础上，智谱的商业收益也在快速增长，“我们想象未来AI本身成为社会的基础设施，为各行各业赋能的时候，这里面蕴含着巨大的商业价值，可能是万亿级别的”。在落地路径上，AI的入口正在从云端向终端迁移。阶跃星辰创始人兼首席执行官姜大昕提出了智能终端的定位，即“人、车、家”三大场景。他认为，智能终端将成为下一个人机交互的接口，而智能体是实现这一变革的关键。姜大昕认为，终端比场景更关键，因为它决定了AI应用的触点位置与使用频率。这种理解意味着，AI落地的竞争正从模型能力转向入口位置，而入口的争夺，也将从消费端延伸到产业端。面对复杂的落地路径，什么才是真正有价值的AI？范式联合创始人、首席科学家、执行董事陈雨强认为，人工智能落地的关键是能够改变行业的北极星指标。换言之，AI不是用来提供附加功能，而是用来改善决策速度、生产效率、成本结构或质量稳定性等核心业务指标。","kind":"news","is_publish_news":true,"is_publish_highlight":false,"is_publish_live":false,"is_publish_wemedia":null,"editions":null,"column":"","sentiment":"0","news_tag":"","news_rank":0,"symbols":[],"gpt_button":1,"need_auth":false,"code":"91000000","status":"200"},"commentList":[],"isCommentEnd":true,"newsSizeData":{"likeSize":0,"commentSize":0,"repostSize":0,"favoriteSize":0,"likeStatus":false,"favoriteStatus":false},"APP":{"userAgent":"Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)","isDev":false,"isTTM":false,"deviceId":"web-server-community-laohu8-v3","version":"4.35.9","shortVersion":"4.35.9","platform":"web","vendor":"web","appName":"laohu8","isIOS":false,"isAndroid":false,"isTiger":false,"isTHS":false,"isWeiXin":false,"isWeiXinMini":false,"isWeiBo":false,"isQQ":false,"isBaiduSwan":false,"isBaiduBox":false,"isDingTalk":false,"isToutiao":false,"isOnePlus":false,"isHuaWei":false,"isXiaomi":false,"isXiaomiWebView":false,"isOppo":false,"isVivo":false,"isSamsung":false,"isMobile":false},"href":"/m/news/2584761599","isCrawlerRequest":true}