南方配资圆桌对话：从技术突破到规模化落地——AIGC与智能体的关键挑战与破局路径

专题：服贸会2025中国AIGC创新应用论坛

　　中国国际服务贸易交易会-2025中国AIGC创新应用论坛于2025年9月12日在北京举行。主题为“从大模型到智能体，驱动AI新生态”。京东方科技集团股份有限公司AIGC产品负责人王智信主持对话：“从技术突破到规模化落地：AIGC与智能体的关键挑战与破局路径”环节，视旅科技创始人、董事长李少华，百图生科技术副总裁，研发负责人张晓明，智象未来（HiDream.ai）联合创始人兼首席运营官王科，百望股份数字经济与金融科技研究院院长李国平参与对话。

　　以下为对话实录：

　　王智信：感谢李院长的介绍！各位来宾，大家下午好！我是京东方科技的AIGC产品负责人王智信。可能大家更熟悉京东方的显示产业——确实，我们在显示制造领域已经成为行业的龙头和领导者。

　　同时，京东方也在积极推动转型与突破，提出了包括“屏之物联”和“AI+”等相关战略，并在人工智能方面取得了多项成果与落地实践，AIGC正是其中的重要组成部分。在AIGC方面，我们聚焦影像领域，推出了以影像生成和修复为核心的高质量AIGC平台。同时，依托我们在显示方面的优势，还推出了集成多模态交互的会议一体机、AI TV等智能终端产品。

　　今天非常荣幸能在本次AIGC应用论坛中担任本场对话的主持人，与各位共同探讨这一前沿领域。

　　接下来，我要隆重请出本场的发言嘉宾，他们分别是：

　　- 视旅科技创始人、董事长李少华先生

　　- 百图生科技术副总裁、研发负责人张晓明先生

　　- 智象未来联合创始人兼首席运营官王科先生

　　- 百望股份数字经济与金融科技研究院院长李国平先生

　　让我们以热烈的掌声欢迎各位嘉宾的到来！

　　从各位企业代表的分享中可以看出，AIGC技术及智能体正在经历快速演进，并持续推动产业变革。接下来，想请各位嘉宾简要介绍一下自己，并分享在AIGC、智能体技术与产业融合方面的成果与见解。

　　首先有请李总。

　　李少华1：谢谢组委会的邀请，有机会能够在这里和大家分享一下。我们是一个兼具技术与行业经验的团队，在2021年底开始做AI和垂类（旅游行业）的应用创新。我们在2023年5月发布了国内首个旅游大模型，同时AI应用产品率先在香港目的地落地。这个模型在2024年3月，也成为了国内首个通过国家网信办审核备案的旅游大模型。

　　我们在2024年年底，又发布了国内首个旅游智能体架构。因为我们是做平台应用出身的，所以将技术研发与闭环的商业落地视为同等重要。

　　我们在2023年服务了50多万游客。2024年突破了100万游客。今年我们预计能实现16到18亿元履约收入，服务400万以上的游客。

　　当前，将AI技术和垂类行业创新结合，在做好业务和商业化落地方面仍面临一些挑战，之后的环节我可以分享一下。

　　张晓明1：大家好，我来自于百图生科，百图生科是全球生命科学基础大模型的先行者，我们在公司成立之初就开始构建生命科学的基础大模型，现在构建到了第三代。在用2100亿参数的生命科学跨模态基础大模型深度解码基因组、蛋白质、细胞和生物系统的底层规律。并且用这些大模型来构建任务场景里高质量的AI模型和智能体，助力客户在很多新的AI For Life Science场景有很多的创新和突破，比如说AI助力的靶点发现，AI助力的全新蛋白和药物分子的设计。

　　我个人原来是在阿里巴巴和蚂蚁集团来做大模型，2022年的时候感受到AI For Science的热潮，投身到这个行业里面来，当下是公司的研发负责人，带领AI技术团队构建跨模态、跨尺度的生命科学基础大模型，打造高通量的助力生命科学发现的智能体。

　　生命科学行业里面的AIGC有更多含义的解释，这个C可能更具产业价值，它可能是一个药物蛋白，AIGC可能就叫AIGP，P就是Protein，生成高价值的蛋白，也可以来发现靶点。本质的问题是在超高维的生命科学空间里面去找到满足不同属性要求的高价值的生物产物，期待和大家进行深入的交流，谢谢。

　　王科1：谢谢主持人，大家好，也非常荣幸在服贸会这个场所有机会和大家分享一下，首先做一个自我介绍，我来自智象未来，智象未来的英文名叫HiDream.ai，成立于2023年，做AIGC多模态大模型及落地应用。

　　我们成立不久就上线了第一代多模态的大模型和应用。2024年Sora横空出世，我们在很短的时间内也上线了DiT架构视频生成大模型，到去年年底，我们的模型已到3.0阶段，模型参数超百亿，图像与视频生成，画面更优、运动可控且适配多场景，还推出理解大模型 1.0 版，实现精准内容理解。

　　在应用层面，智象实现从SaaS到RaaS的过渡，我们已经形成了上层的一些智能体的应用，我们在全球服务了超2千万用户，覆盖100多个国家和地区，合作4万多家的企业。在文旅、教育、创作、影视这些领域多模态大模型非常有竞争力，拥有很多的应用场景，也是希望借着这个机会和各位嘉宾、各位专家一块儿交流，谢谢。

　　李国平1：各位好，感谢大会的邀请，我是来自百望股份的李国平。百望股份是一家从电子发票财税数字化出发，到做数据智能赋能普惠金融，从去年百望成立9年在港交所上市，转型升级最新的数据智能战略，在为千行百业在提供原来电子发票服务与数字普惠金融的同时，也提供了面向企业的交易管理、经营决策以及面向金融信贷相关的智能体的服务。

　　我本人在微软工作了16年时间，到百望三年多一直都是在负责金融行业。大家可以看到金融行业本身是一个对于完全基于数据驱动的业务，无论是做营销还是风控，无论是多年经典的专家经验模型，还是最新的大模型时代，都是以数据来驱动业务决策的。

　　今天在AIGC，也就是大模型Copilot智能体、MCP，A2A这些名词纷繁出现快速变革的智能时代，回到技术的本源，我非常认同今年5月份，红杉资本在美国硅谷的闭门会，讲到了一个概念，AI不应该是一个tool，AI应该是对标到业务的Outcome。结合在百望赋能客户的经验，我非常认同这个理念，我们今天在各行各业做各种各样的能力、工具、场景赋能，回归到技术本源，无论是在芯片、算力到模型参数，最终一定要回答一个问题：到底为千行百业特定的客户解决了什么业务问题，带来了哪些降本增效的业务价值。今天前面几位嘉宾也聊到了，不管是做文旅的、做医药的，做行业垂直的，今天的人工智能，或者说整个人工智能大数据这一波数字经济的技术，应该思考为每个行业创造了哪些业务价值，带来了哪些颠覆性的重构业务可能性的，深刻而长远的变化。

　　但是在这个过程中也会出现泡沫，甲方头脑一热，今年做了一个采购，但是用了一年发现没有带来业务的ROI，第二年还怎么能够持续投入，我们作为一个解决方案商，没有在day1就去帮客户深度思考如何创造最终业务价值，而只是提供了一个能力和工具，没有想清楚客户的业务产出Outcome，这个时候就会为AI应用可持续发展的困局。

　　我相信在OpenAI 2022年底起来之前，上一波的AI开始是从AlphaGo开始火热带动的，几乎已经在不管是中国，在美国都进入了一个相对冰点的状态。今天来看，OpenAI重新打开了AIGC对于市场，对于客户，对于场景的想象空间和创新热情，但是还能持续多久，取决于甲方客户自身对于数据和智能的理解，更加取决于我们在座的各技术方案提供商，能够为这些客户场景创造哪些增量的价值，是需要大家共同思考的。

　　王智信：王智信：感谢四位嘉宾的精彩分享。从大家的介绍中，我们能深切感受到AIGC已经在多个行业中实现了切实的应用。

　　刚才听到各位分别从文旅、生命科学、影视创作、金融科技等领域分享了AIGC与产业的融合实践，京东方自身也在包括制造产品、运营层面积极推进这一进程以拓展更多应用。当我们把AIGC推向不同产业、尝试商业化落地和大规模应用的过程中，难免会面临诸多挑战。接下来想请四位谈一谈，在这个过程中遇到的主要挑战有哪些？以及我们又是如何突破这些困境、实现破局的？

　　李少华2：每一次技术迭代，都会带来很多机会。但在这些技术落地之时，都要经历从困局中找到突破口的过程。之前在阿里工作的时候，经历过移动互联网落地的阶段。2013年春节之后，互联网上半场转下半场，很多支付厂商都死掉了。当时移动互联网在支付领域落地上，有很多技术方向，全国大概有几万人在做相关研发，最后是用二维码去解决的。我讲这段历史是想要分享一下，在特定场景下取得突破，为消费者带来价值，其实有很多可能性。我觉得抓住了为消费者带来价值这个点是最重要的。这次创业之前的经历中，在上一代AI的技术体系下，我们其实是找到了取得业务突破、实现规模化商业落地的方法的。

　　上一代互联网技术，通过搜索和关键字可以猜测需求，但很难跟消费者做一个多轮交互，让消费者需求充分表达出来。这就是为什么，即使是在数字化应用程度非常高的情况下，疫情前旅游行业有30%的交易额是通过线上完成的。背后的逻辑在于，原有的方式不知道怎么把握消费者诉求，这是一个非常大的问题。

　　但是这一代AI，从去年年底以来，能力不断提升的开源模型极大地释放了这个行业消费需求和供给之间匹配的潜力。这些通用大模型不太可能兼容到千行百业的多样化需求，但是开源体系让更多人有机会参与进来，这是一个非常好的行业创新契机。

　　我们今年找到了几个非常关键的场景，小场景也可以推动用户数量的大规模突破。我相信类似于二维码的技术，在AI这一波应用创新中，还是会脱颖而出。找到这样的点，就需要认真研究关键的应用场景。

　　张晓明2：生命科学里面的AI技术进步到产业落地的路径还是挺曲折的。因为2024年诺贝尔奖两个工作都和生命科学有关，一个是AlphaFold的结构预测，一个是David Baker利用AI设计分子，这个在技术角度都是有非常强的引爆点，因为它对于效率的提升和对于原来不能够干的事有一个非常大的代际的进步。

　　但是AlphaFold是整个生命科学发现很大链条中的其中一个环节，你只解决了结构预测问题，离解决整个生命科学发现问题还有一定距离。David Baker能做一些AI驱动的生物分子发现，但是它的泛化能力也很难保证。

　　所以说也许在个别Case上有一些亮点和能力，但是很难去解决通用问题，尽管技术上有突破，但是单次发现的成功率很低，因为链条很长，它的成本又很高，所以让整个产业落地变成很困难的挑战。

　　在这个前提下有两个方式能够应对这个问题，但是我觉得也很难根本解决这个问题。一个应对方法是，这个行业里边不同层次和不同阶段的客户它是有不同的需求的，比如说相对保守的客户来讲，他不信AI的能力，只信最终的结果。我们在合作上，需要更加直接地给他交付分子，比如说他原来去做一个药物设计，只要一个符合属性要求的分子就行，不管用什么方法。我们就需要自己用AI的能力，为这些客户来设计专属的分子服务才能够打动客户，但是能做的领域一定是窄的，因为链路越长，所以能够投入的精力越是有限的，只能够在少数比较聚焦的领域做到这一层。

　　还有一层是去构建生物发现的智能体，智能体里面其实底层生命科学的大模型，并不是用生物科学的文本的语料去构建的大模型，是用生命科学数据构建的。比如说用氨基酸的Token，用蛋白质的序列来从头训练的蛋白质大模型，是能够理解底层生命科学机制的。在这些大模型基础之上，它能够对于生物产物的属性有比较精准的判断，所以通过他们的生成和推理，以及在上面构建的智能体是能够具备通用的智能发现的能力，但是覆盖广度更大一些，具备一个比较好的初始发现起点的能力。用户在智能体平台之上，结合自己的专业知识，利用好AI，利用自己的knowhow做真正业务场景的发现，这种结合是能够满足一部分客户在真实场景中解决问题的。

　　还有一部分客户有平台能力，但是确实缺少关键的属性预测的模型，因为生物的高质量数据来自于实验，周期很长，数量相对少，又很贵，所以只用这一小部分的数据直接构建模型效果是不行的，需要构建在生命科学基础大模型之上了。但是每个做生物公司都有一个自己的大模型，这个门槛就太高了，希望我们能帮他们构建这样的任务模型。这几个层次我理解是不同的层次满足不同用户领域的需求，越往下覆盖得越广，越往前越专。

　　另一个方式需要持续不断的演进技术，需要闭环和进化的过程，是从最海量公开的标注的数据开始训练基础大模型，用大模型去训练任务场景的预测模型，通过AI指导的实验进行验证，再通过实验数据进行模型微调和上下文的推理生成，让下一轮的迭代会变得更好，整个发现过程的技术是在整个闭环链条里面被提升，然后全面承接下一代需求的到来，提高产业落地的转化成功率。

　　王科2：我们先回到这个问题本身，本身是说在技术发展商业化的过程中怎么去看这种挑战，有没有什么经验分享？是这个问题吧？我重复一下问题，怕大家忘记了（笑）。

　　对于智象未来来说，我们也遇到过这样的问题，我相信在每个创业公司的发展过程中都会遇到这样的问题，我想把这个问题稍微拆解一下。

　　刚才两位嘉宾也都提到了，我觉得这是一个事物的两端，如果一个新的技术或者说一个新的模式甚至一个新的时代，如果真的到了，第一个问题就到了，我们从供给侧来看，技术是不是足以改变这个世界？是不是就如当年的互联网、移动互联网，还有当年的工业革命一样，AI是不是这个技术？AI是不到了这个足以改变整个商业模式，足以改变整个世界商业形态的这么一个点，不是说我来回答的，所有人都有不同的看法，而且整个市场上有很多专家来回答这个问题。

　　第二个维度，我们从商业的角度来看，或者说从应用场景的角度来看，到底是不是被需要？这个技术到底是不是被需要？我的场景，我能不能说我的需求在存在的同时，或者说我需求在第一代的同时，在第一代到第二代到第三代有没有新的需求出现？从以前没有的地方产生出来？或者说被牵引出来，甚至于说所谓的需求升级也好，什么升级也好，我觉得从这两个角度来看这个问题，我也想要分享一下。

　　从我们创业过程中是面临这两个，第一个，从供给侧来讲技术，其实生成式AI大家都知道会出现幻觉，特别是多模态大模型，当年生图、生视频的时候，还会出现6根手指头，会出现动作糊掉，你转个头，头就不存在了，以及到后来的问题，把这些基本解决了，画面稳定了，还存在角色不一致，还存在皱纹、微表情、服饰。如果真的是要做一个电商的图，我做一个try on，衣服穿上去以后，理论上电商的需求是要求100%不能够变。但是你生成的时候，用Diffusion Model的时候，很有可能会产生扩图，它是不是少了一个扣子，多了一个花纹，这个是不是存在商业欺诈？这样的问题一定会存在。包括我们现在做影视的时候，我觉得终极目标可能就是以前广电总局某位领导提出的，扔进去一本《红楼梦》，能够出一部连续剧或者出一部电影，类似这样的能不能实现？现在很多人说我能够做影视了，能够做AI短剧了，我觉得那还只是初步的。我的体验或者我自己的体感来讲，技术还远远没有达到所有事情在一个模型里面去迎刃而解的过程。

　　从刚才所说的供给侧来看这个时代的时候，但是我坚信AI一定是工业革命的时刻，一定是移动互联网的时刻。

　　第二个我们来看需求侧，也有很多专家和领导都说，AI来了，特别是这一波AIGC来了，我要把所有的场景重新做一遍，是不是我搜索的流量会被ChatGPT对话的流量所替代。还有人说，以后我的搜索、我的社交都会不存在了，我就会变成一个生成式的、对话式的平台，它就囊括了所有的流量。或者说类似于抖音小红书这样的流量平台就不存在了，我所有的东西都是按需求去分配。我想要一个东西，我想找一个人，我想看一个攻略，我们就不说谁了，我们就说某模型就行了，但是最好是我的模型。

　　是不是这个需求是不是就满足了？还有好多人去探讨伦理的问题、教育的问题，人活着是为什么？我的小孩是和AI去陪伴、AI去赋能它，还是说我就躺平了，AI能够解决所有问题了，这个都没有答案。这个世界，我觉得特别有意思，我们在寻求需求本身被满足的过程中，其实是一个人性的考量。所以我的结论是什么？我分享一下我最后的结论是什么？坚定技术信仰的同时，瞄着未来某一个需求的爆点，沿途下蛋。

　　智象未来做的就是在影视做了vivago的平台，我不是针对影视去的，我是针对C端用户去的，让他去那边体验，让他在里面不断地去尝试，让他去把他的创意解放，让他去赋能，把他之前专业级的人才做的门槛降低，在这个过程中积累了很多的数据和经验，反哺到我的模型。因为我坚定那个技术信念，我相信他一定会实现的同时，比如说我们做了vivago的影视创作智能体。不仅仅是生成，剪辑也做，理解也做，形成一套方案之后，我可以赋能很多的行业，这个就是我的体会，供大家参考。

　　李国平2：同意前面大家的观点，微软现任CEO萨提亚在最近半年内的观点，他认为人工智能到目前为止还没有想象中的带来那么大的工业革命级的生产力跃迁。阶段性的可以得出一个结论，我们还处在人工智能赋能世界生产力大爆发的前夜，同时可以看到全球的科技巨头们，一方面都在大的做战略和业务布局的调整，展开算力的军备竞赛，又砸重金去雇佣AI领域最TOP的人才，试图可能用1、2个天才级的大牛去做几百、几千个人工程化作的事情。在这个过程中也可以看到科技公司的Big Bet，所谓他的大的投入和他们的一些AI重构业务的思考。

　　在中国异军突起的DeepSeek横空出世后，美国政府和BigTech主张的星际之门和Scaling Law也面临着可持续商业价值的重新评估，堆算力就意味着一定有更好的模型的产出，被中国DeepSeek，我认为是国运级的一个技术上的一剑封喉，中国主张的大模型技术的算力优化能力和大模型相对小型化的可能性。

　　回到百望持续赋能的金融行业，我认为AI还有很多的潜力场景可以挖掘，比如说国家在推动的普惠金融，以及数字金融驱动下的五篇大文章，国家希望金融机构可以服务更加下沉的中小微客群，希望更为广泛的去覆盖这些金融客户，过往传统的3张报表不能够折射企业经营的这些数据和经营风险，通过百望的数据智能方案，可以非常低成本高效率地被解决，我们通过基于过往服务了2千多万家大中小微千行百业企业，沉淀产生的数据要素价值，叠加最新的大模型智能体与MCP等技术，通过企业授权的方式，激活了发票数据的第五要素价值，结合金融营销和风控的智能化产品，面向银行客户经理，原来去和客户做营销、合规尽调、贷前、贷中、贷后的业务转化过程，把整个链路都能够智能体化，结合数据驱动，结合生成式人工智能这一波新的技术，和客户的会话更加线上化数字化，生成高度的价值和结构化的投资报告，把企业尽调原来可能出来的年度公报几十页、几百页的报告，浓缩成最核心关键的摘要。这些都是大模型和智能体时代带来新改变。

　　但是回到刚才我的思考，人工智能要么是在未来为社会生产力带来一个极大的跃迁爆发，而如果大家没有交付好这个业务的outcome，这个泡泡也在某一天会爆。就像三年前坐在服贸会这里，大家可能聊的是元宇宙，但是今年没有人在提元宇宙了。为什么？事实上，不管是我们在座的创业者也好，或者说企业购买方也好，连Facebook、Meta都可能走了一个极大的弯路，关键要回答一个问题：技术创新，带来的可测算的业务价值是什么。

　　不管是AI，还是早年间的区块链演变成今天Web3和稳定币，还有元宇宙，如果不能够持续创造商业价值，最终可能就会昙花一现，我相信AI看起来是比元宇宙走得更扎实，但是也是需要在座的各位共同碰撞，来创造可持续的增长，才能让这个故事在未来若干年变成可能带动整个世界经济。人工智能如果真正创造了价值，它应该可能会重构社会分工，带来新的问题。AI的算力巨头，AI的这些科技公司，它把全球的财富都吸走了，大家都失业了怎么办？财富怎么重新分配？如果真的带动产能了，我们创造的价值极大丰富了，大家是不是闲在家不工作了，还是更多的人就流浪街头了，社会财富是否需要重新分配调节以缓解社会矛盾，以及机器人与智能企业是不是应该缴纳数智利得税，可能已经上升到AI的伦理高度了，还有很多社会性的问题要解决，而我们在座的台上台下的各位，咱们可能先要AI的商业化，回答好业务价值的问题。

　　王智信：感谢李院长。四位嘉宾都提到了我们目前面临的多方面挑战，无论是AI技术本身的发展瓶颈、市场需求的快速变化，还是社会伦理层面的思考。面对这些挑战，我们也在不断通过技术迭代和生态合作，积极寻求突破。

　　刚才李院长也提出了一个非常重要的话题，即如何将商业应用与可持续发展相结合。接下来，我也想听听其余三位嘉宾的看法：从您所在的领域出发，对未来有怎样的展望？在推动可持续的商业落地方面，您认为有哪些可能的路径与方向？请大家畅所欲言，分享一下您的见解。

　　王科3：首先，多模态大模型和应用它其实是一个宽口径的，任何和图相关的和视频相关的，和信息传播相关的都可以去落地。有一句话多模态大模型与语言类大模型更容易落地，因为它可以跨文化、跨区域，叫一图胜千言，我们现在做得比较多的落地场景叫出海，我们现在在出海方面，第一个就是面对中国的电商商家，去帮助他们、赋能他们，特别是在TikTok这类的平台，像Facebook、Meta、谷歌、YouTube，他们做很多的，之前只是做图文电商的素材，我们现在都是叫搞视频、搞直播，AIGC在当前的视频生成的领域，包括还有理解、剪辑的领域，已经达到了效果足够好，而且能够落地的这么一个场景了。这是第一块出海。

　　第二，海外有很多SaaS化的服务，它的模式相较于国内更成熟。就是他们的付费意愿更强，所以其实在海外影视专业，特别是更高阶的，Professional的C端用户有这种创作意愿，我们也看到这种机会，我们在跟国外的，像谷歌的Veo3、Runway、Midjourney这样的公司，我们也是对标他们，我们模型的各类表现其实都能够和他们持平，甚至有一些是能够超越他们的，所以在这个领域，赋能创作者，解放的是创意和生产力。

　　还有一块我们认为在出海，在创作者赋能方面，我们还深耕很多行业，包括李总那边提到的文旅，文旅应该是一个大的市场，怎么说呢？现在整个消费，特别是全国统一大市场，在国家的层面是鼓励地方政府，足球比赛都不是归体育管了，现在都是归文旅管了，现在文旅、体育、商贸都是一体化的进程，所以我们认为我们的模型在应用，特别是AI赋能方面，我们也是希望在垂类的领域去发力，去获得商业的机会，也是供大家去参考我的一些观点。谢谢。

　　张晓明3：在生命科学领域的未来我判断有三个趋势：

　　对于AI的应用会更广泛。刚开始的时候，生命科学领域对AI是极度拥抱的。大家对于AI相信的程度比做AI的人还要激进，我们自己觉得能够做5分，他们觉得AI能做到10分，导致下一个阶段他们对AI不相信的程度直接从10分跌到了1分，是一个不断对齐和校准认知的过程。经过近几年市场的感受来看，大家对于AI的认知逐渐趋同，基本知道AI能够辅助他们什么能力，能在业务生产里面能够起到什么作用。认知在逐渐趋于理性，这样就很有帮助的去让AI的这些客户公司里面去落地，因为它并没有一个非常大的预期的gap。在生命科学里低垂的果实正在逐步摘完，且创新药都在用AI的方式去设计，传统的方式怎么想做follow就变得更不可能了。前沿领先的药厂和生物公司成立自己AI的团队，在陆续地收获一些成果，后续投入也更积极。所以大的趋势上来看，AI在生命科学的落地，一定是会越来越广泛和普遍。

　　AI在生命科学技术上会越来越白盒化和机理化。AI+，人工智能+，其实是想要用AI人工智能的手段去解决不同行业的问题。我们的出发点是我们有通用的AI技术，去做大模型、去做微调，去做推理。但这个是相对黑盒的方式用模型解决问题。比如做一个药物设计，给一个蛋白质药物的序列通过大模型来直接做预测，没有深度分析机理和特征，其实是相当的黑盒的方式。更好的方式是先通过AI把蛋白质的三级结构预测出来，然后再通过三级结构和序列，理化性质结合预测亲和力和其他属性才会更精准。基于生物机理构建的思维链的推导，以及构建全链路的智能体，才是解决行业的困难问题的最佳技术路径。

　　还有一个趋势是，大家会逐步回归到数据层面深耕。在算法角度，AI大模型的架构相似性还是比较高的，不同架构的改进相对有限，不管是在MOE层面做了改进，还是在长序列上做了创新，这些都是更像是局部的改进。大模型公司和团队也不在通过算力在不断的scaling去让模型再进一步改进了。我觉得在生命科学行业里数据是做实验得的，实验周期长，数据是昂贵和稀缺的，所以数据还没有被高价值的充分利用好。随着测序成本的逐渐降低，就会有更多的数据可以助力于AI模型进一步提升，这里面还有很大的可提升空间，这个时候如果安下心来把数据做好，一定是会有很大的技术和产业价值。

　　李少华3：首先我比较同意刚才李院长提到的。这一代应用爆发，我们应该更多地去关注什么？之前演讲的一位嘉宾提到了模型驱动还是数据驱动的问题。可能在投资人来看，现在到了需求驱动的阶段了，因为只有需求驱动，才能带来真正的、快速的、规模化的商业化。我觉得理解需求，就要去看在技术应用和产业趋势上，你是不是可以找到匹配的点，比如旅游这个领域，我们创业前明确过几个判断，认为50%以上概率我们很可能是对的并有能力做出来，就出来创业了。

　　第一点，互联网没有完全改变旅游这个行业，搜索这个模式，它并不能非常完整地挖掘消费者需求，因为搜索它需要消费者首先知道自己要什么，而旅行的时候很多年轻人，他不知道自己要什么，他就灵感被激发，这和搜索的关键字之间没有什么关系，尤其是在非要用一个相对短的字符串精准表达的情况下。当前的大模型可以用1000个、2000个字符来描述需求，而传统的搜索只能用10个、20个字符，再多就不认识了。生成式的大模型可以通过反复的交互，去识别、去协助消费者认识到自己真正的需求。

　　第二点我们看到，多模态的应用，它恰好和旅行非常的匹配。旅行表面上看起来是买了一个旅游产品，实际上是你想消费一段内容，或者你想生成一段内容、分享一段内容，多模态的表达特别贴近于年轻人想要的东西。

　　第三点是一个客观事实，就是疫情期间国内大量旅游行业的人离开了这个行业，这一点其实欧美国家在疫情之前就出现了。年轻人不会有多少回到这个行业，所以这个行业会出现人力资源的短缺，今天的旅游市场其实是一个供给短缺的市场。

　　我们当时判断有这3个可能性存在，这3个可能性里面至少有2个是准的，就出来创业了。我们尝试着明年用模型和智能体服务1千万用户，这对于互联网产品是一个非常关键的门槛。能不能服务更多的人，根本上在于能不能找到通用需求。

　　垂类应用就是要找到通用模型没有办法满足的点，这对创业公司来说很重要。最容易做的事情，最终还是会被大厂做了。对他们来讲，如果你的垂直化深度不够，他用通用能力，稍微做一些运营就会覆盖。你要去找真正的垂类机会，智能体的逻辑今天很多人讲了，它有可能在未来替代大量的人，这个我可以和大家分享一下，我们在商旅场景下，用行业智能体，不同角色的智能体去做组合，形成了解决方案。我们做了小规模尝试，目前大概一个月有2个亿的交易。2个亿的交易对大平台来讲是非常少的，但是对于还没有被互联网逻辑大规模覆盖的传统商旅行业，已经相当于北上广一个头部的服务公司，1年大概20亿到30亿的交易，基本上需要200人规模来提供服务。我们今天用40个人就做到了，这个团队我只允许做有35到40个人，我们在尝试天花板在哪里。跑了6-7个月的时间，模型和智能体逐步优化，现在可以实现一个月2个亿交易了。如果有一天能够跑到一个月10亿的话，就非常接近移动互联网一个人大概2千万到1个亿交易的基本产出水平了，这个是需要我们创业者自己去做发展路径测试的。

　　我刚才听到王总提到一个观点叫沿途下蛋，你不一定能够下得了蛋，但是你一定要有这个想法，否则的话，期望憋一个大招，很大的概率就是资金链断了。

　　最后就是主持人提到的愿景，我觉得5年后、10年后看今天台上讲的任何一个想法都显得过于保守，但是如果从3个月、6个月或者半年来看，今天我们把事情想得更残酷一些，都是最好的自我善待，还有很多挑战等着我们去克服。

　　王智信：感谢各位嘉宾的精彩分享。通过刚才的交流，我们深切感受到AIGC已经在诸多产业中实现了切实的应用与融合。当然，整个AIGC的发展之路，依然是机遇与挑战并存。正如李院长所说，当前AIGC仍处于“前夜”阶段。它未来将对整个产业带来怎样的变革？其最终能否成功，仍需依靠整个生态和产业同仁共同探索与实践。

　　今天非常感谢四位嘉宾带来的深刻见解与启发——从AIGC与产业的现阶段融合，到对未来的展望，都为我们提供了宝贵的意见和启示。再次感谢大家的到来，本次圆桌讨论到此圆满结束。期待明年再次与各位相聚！

　　谢谢大家！

　　新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。