圓桌對話：從技術突破到規模化落地——AIGC與智能體的關鍵挑戰與破局路徑

專題：服貿會2025中國AIGC創新應用論壇

　　中國國際服務貿易交易會-2025中國AIGC創新應用論壇於2025年9月12日在北京舉行。主題為「從大模型到智能體，驅動AI新生態」。京東方科技集團股份有限公司AIGC產品負責人王智信主持對話：「從技術突破到規模化落地：AIGC與智能體的關鍵挑戰與破局路徑」環節，視旅科技創始人、董事長李少華，百圖生科技術副總裁，研發負責人張曉明，智象未來（HiDream.ai）聯合創始人兼首席運營官王科，百望股份數字經濟與金融科技研究院院長李國平參與對話。

　　以下為對話實錄：

　　王智信：感謝李院長的介紹！各位來賓，大家下午好！我是京東方科技的AIGC產品負責人王智信。可能大家更熟悉京東方的顯示產業——確實，我們在顯示製造領域已經成為行業的龍頭和領導者。

　　同時，京東方也在積極推動轉型與突破，提出了包括「屏之物聯」和「AI+」等相關戰略，並在人工智能方面取得了多項成果與落地實踐，AIGC正是其中的重要組成部分。在AIGC方面，我們聚焦影像領域，推出了以影像生成和修復為核心的高質量AIGC平臺。同時，依託我們在顯示方面的優勢，還推出了集成多模態交互的會議一體機、AI TV等智能終端產品。

　　今天非常榮幸能在本次AIGC應用論壇中擔任本場對話的主持人，與各位共同探討這一前沿領域。

　　接下來，我要隆重請出本場的發言嘉賓，他們分別是：

　　- 視旅科技創始人、董事長 李少華 先生

　　- 百圖生科技術副總裁、研發負責人 張曉明 先生

　　- 智象未來聯合創始人兼首席運營官 王科 先生

　　- 百望股份數字經濟與金融科技研究院院長 李國平 先生

　　讓我們以熱烈的掌聲歡迎各位嘉賓的到來！

　　從各位企業代表的分享中可以看出，AIGC技術及智能體正在經歷快速演進，並持續推動產業變革。接下來，想請各位嘉賓簡要介紹一下自己，並分享在AIGC、智能體技術與產業融合方面的成果與見解。

　　首先有請李總。

　　李少華1：謝謝組委會的邀請，有機會能夠在這里和大家分享一下。我們是一個兼具技術與行業經驗的團隊，在2021年底開始做AI和垂類（旅遊行業）的應用創新。我們在2023年5月發佈了國內首個旅遊大模型，同時AI應用產品率先在香港目的地落地。這個模型在2024年3月，也成爲了國內首個通過國家網信辦審覈備案的旅遊大模型。

　　我們在2024年年底，又發佈了國內首個旅遊智能體架構。因為我們是做平臺應用出身的，所以將技術研發與閉環的商業落地視為同等重要。

　　我們在2023年服務了50多萬遊客。2024年突破了100萬遊客。今年我們預計能實現16到18億元履約收入，服務400萬以上的遊客。

　　當前，將AI技術和垂類行業創新結合，在做好業務和商業化落地方面仍面臨一些挑戰，之后的環節我可以分享一下。

　　張曉明1：大家好，我來自於百圖生科，百圖生科是全球生命科學基礎大模型的先行者，我們在公司成立之初就開始構建生命科學的基礎大模型，現在構建到了第三代。在用2100億參數的生命科學跨模態基礎大模型深度解碼基因組、蛋白質、細胞和生物系統的底層規律。並且用這些大模型來構建任務場景里高質量的AI模型和智能體，助力客户在很多新的AI For Life Science場景有很多的創新和突破，比如説AI助力的靶點發現，AI助力的全新蛋白和藥物分子的設計。

　　我個人原來是在阿里巴巴和螞蟻集團來做大模型，2022年的時候感受到AI For Science的熱潮，投身到這個行業里面來，當下是公司的研發負責人，帶領AI技術團隊構建跨模態、跨尺度的生命科學基礎大模型，打造高通量的助力生命科學發現的智能體。

　　生命科學行業里面的AIGC有更多含義的解釋，這個C可能更具產業價值，它可能是一個藥物蛋白，AIGC可能就叫AIGP，P就是Protein，生成高價值的蛋白，也可以來發現靶點。本質的問題是在超高維的生命科學空間里面去找到滿足不同屬性要求的高價值的生物產物，期待和大家進行深入的交流，謝謝。

　　王科1：謝謝主持人，大家好，也非常榮幸在服貿會這個場所有機會和大家分享一下，首先做一個自我介紹，我來自智象未來，智象未來的英文名叫HiDream.ai，成立於2023年，做AIGC多模態大模型及落地應用。

　　我們成立不久就上線了第一代多模態的大模型和應用。2024年Sora橫空出世，我們在很短的時間內也上線了DiT架構視頻生成大模型，到去年年底，我們的模型已到3.0階段，模型參數超百億，圖像與視頻生成，畫面更優、運動可控且適配多場景，還推出理解大模型 1.0 版，實現精準內容理解 。

　　在應用層面，智象實現從SaaS到RaaS的過渡，我們已經形成了上層的一些智能體的應用，我們在全球服務了超2千萬用户，覆蓋100多個國家和地區，合作4萬多家的企業。在文旅、教育、創作、影視這些領域多模態大模型非常有競爭力，擁有很多的應用場景，也是希望藉着這個機會和各位嘉賓、各位專家一塊兒交流，謝謝。

　　李國平1：各位好，感謝大會的邀請，我是來自百望股份的李國平。百望股份是一家從電子發票財税數字化出發，到做數據智能賦能普惠金融，從去年百望成立9年在港交所上市，轉型升級最新的數據智能戰略，在為千行百業在提供原來電子發票服務與數字普惠金融的同時，也提供了面向企業的交易管理、經營決策以及面向金融信貸相關的智能體的服務。

　　我本人在微軟工作了16年時間，到百望三年多一直都是在負責金融行業。大家可以看到金融行業本身是一個對於完全基於數據驅動的業務，無論是做營銷還是風控，無論是多年經典的專家經驗模型，還是最新的大模型時代，都是以數據來驅動業務決策的。

　　今天在AIGC，也就是大模型Copilot智能體、MCP，A2A這些名詞紛繁出現快速變革的智能時代，回到技術的本源，我非常認同今年5月份，紅杉資本在美國硅谷的閉門會，講到了一個概念，AI不應該是一個tool，AI應該是對標到業務的Outcome。結合在百望賦能客户的經驗，我非常認同這個理念，我們今天在各行各業做各種各樣的能力、工具、場景賦能，迴歸到技術本源，無論是在芯片、算力到模型參數，最終一定要回答一個問題：到底為千行百業特定的客户解決了什麼業務問題，帶來了哪些降本增效的業務價值。今天前面幾位嘉賓也聊到了，不管是做文旅的、做醫藥的，做行業垂直的，今天的人工智能，或者説整個人工智能大數據這一波數字經濟的技術，應該思考為每個行業創造了哪些業務價值，帶來了哪些顛覆性的重構業務可能性的，深刻而長遠的變化。

　　但是在這個過程中也會出現泡沫，甲方頭腦一熱，今年做了一個採購，但是用了一年發現沒有帶來業務的ROI，第二年還怎麼能夠持續投入，我們作為一個解決方案商，沒有在day1就去幫客户深度思考如何創造最終業務價值，而只是提供了一個能力和工具，沒有想清楚客户的業務產出Outcome，這個時候就會為AI應用可持續發展的困局。

　　我相信在OpenAI 2022年底起來之前，上一波的AI開始是從AlphaGo開始火熱帶動的，幾乎已經在不管是中國，在美國都進入了一個相對冰點的狀態。今天來看，OpenAI重新打開了AIGC對於市場，對於客户，對於場景的想象空間和創新熱情，但是還能持續多久，取決於甲方客户自身對於數據和智能的理解，更加取決於我們在座的各技術方案提供商，能夠為這些客户場景創造哪些增量的價值，是需要大家共同思考的。

　　王智信：王智信：感謝四位嘉賓的精彩分享。從大家的介紹中，我們能深切感受到AIGC已經在多個行業中實現了切實的應用。

　　剛纔聽到各位分別從文旅、生命科學、影視創作、金融科技等領域分享了AIGC與產業的融合實踐，京東方自身也在包括製造產品、運營層面積極推進這一進程以拓展更多應用。當我們把AIGC推向不同產業、嘗試商業化落地和大規模應用的過程中，難免會面臨諸多挑戰。接下來想請四位談一談，在這個過程中遇到的主要挑戰有哪些？以及我們又是如何突破這些困境、實現破局的？

　　李少華2：每一次技術迭代，都會帶來很多機會。但在這些技術落地之時，都要經歷從困局中找到突破口的過程。之前在阿里工作的時候，經歷過移動互聯網落地的階段。2013年春節之后，互聯網上半場轉下半場，很多支付廠商都死掉了。當時移動互聯網在支付領域落地上，有很多技術方向，全國大概有幾萬人在做相關研發，最后是用二維碼去解決的。我講這段歷史是想要分享一下，在特定場景下取得突破，為消費者帶來價值，其實有很多可能性。我覺得抓住了為消費者帶來價值這個點是最重要的。這次創業之前的經歷中，在上一代AI的技術體系下，我們其實是找到了取得業務突破、實現規模化商業落地的方法的。

　　上一代互聯網技術，通過搜索和關鍵字可以猜測需求，但很難跟消費者做一個多輪交互，讓消費者需求充分表達出來。這就是為什麼，即使是在數字化應用程度非常高的情況下，疫情前旅遊行業有30%的交易額是通過線上完成的。背后的邏輯在於，原有的方式不知道怎麼把握消費者訴求，這是一個非常大的問題。

　　但是這一代AI，從去年年底以來，能力不斷提升的開源模型極大地釋放了這個行業消費需求和供給之間匹配的潛力。這些通用大模型不太可能兼容到千行百業的多樣化需求，但是開源體系讓更多人有機會參與進來，這是一個非常好的行業創新契機。

　　我們今年找到了幾個非常關鍵的場景，小場景也可以推動用户數量的大規模突破。我相信類似於二維碼的技術，在AI這一波應用創新中，還是會脫穎而出。找到這樣的點，就需要認真研究關鍵的應用場景。

　　張曉明2：生命科學里面的AI技術進步到產業落地的路徑還是挺曲折的。因為2024年諾貝爾獎兩個工作都和生命科學有關，一個是AlphaFold的結構預測，一個是David Baker利用AI設計分子，這個在技術角度都是有非常強的引爆點，因為它對於效率的提升和對於原來不能夠乾的事有一個非常大的代際的進步。

　　但是AlphaFold是整個生命科學發現很大鏈條中的其中一個環節，你只解決了結構預測問題，離解決整個生命科學發現問題還有一定距離。David Baker能做一些AI驅動的生物分子發現，但是它的泛化能力也很難保證。

　　所以説也許在個別Case上有一些亮點和能力，但是很難去解決通用問題，儘管技術上有突破，但是單次發現的成功率很低，因為鏈條很長，它的成本又很高，所以讓整個產業落地變成很困難的挑戰。

　　在這個前提下有兩個方式能夠應對這個問題，但是我覺得也很難根本解決這個問題。一個應對方法是，這個行業里邊不同層次和不同階段的客户它是有不同的需求的，比如説相對保守的客户來講，他不信AI的能力，只信最終的結果。我們在合作上，需要更加直接地給他交付分子，比如説他原來去做一個藥物設計，只要一個符合屬性要求的分子就行，不管用什麼方法。我們就需要自己用AI的能力，為這些客户來設計專屬的分子服務才能夠打動客户，但是能做的領域一定是窄的，因為鏈路越長，所以能夠投入的精力越是有限的，只能夠在少數比較聚焦的領域做到這一層。

　　還有一層是去構建生物發現的智能體，智能體里面其實底層生命科學的大模型，並不是用生物科學的文本的語料去構建的大模型，是用生命科學數據構建的。比如説用氨基酸的Token，用蛋白質的序列來從頭訓練的蛋白質大模型，是能夠理解底層生命科學機制的。在這些大模型基礎之上，它能夠對於生物產物的屬性有比較精準的判斷，所以通過他們的生成和推理，以及在上面構建的智能體是能夠具備通用的智能發現的能力，但是覆蓋廣度更大一些，具備一個比較好的初始發現起點的能力。用户在智能體平臺之上，結合自己的專業知識，利用好AI，利用自己的knowhow做真正業務場景的發現，這種結合是能夠滿足一部分客户在真實場景中解決問題的。

　　還有一部分客户有平臺能力，但是確實缺少關鍵的屬性預測的模型，因為生物的高質量數據來自於實驗，周期很長，數量相對少，又很貴，所以只用這一小部分的數據直接構建模型效果是不行的，需要構建在生命科學基礎大模型之上了。但是每個做生物公司都有一個自己的大模型，這個門檻就太高了，希望我們能幫他們構建這樣的任務模型。這幾個層次我理解是不同的層次滿足不同用户領域的需求，越往下覆蓋得越廣，越往前越專。

　　另一個方式需要持續不斷的演進技術，需要閉環和進化的過程，是從最海量公開的標註的數據開始訓練基礎大模型，用大模型去訓練任務場景的預測模型，通過AI指導的實驗進行驗證，再通過實驗數據進行模型微調和上下文的推理生成，讓下一輪的迭代會變得更好，整個發現過程的技術是在整個閉環鏈條里面被提升，然后全面承接下一代需求的到來，提高產業落地的轉化成功率。

　　王科2：我們先回到這個問題本身，本身是説在技術發展商業化的過程中怎麼去看這種挑戰，有沒有什麼經驗分享？是這個問題吧？我重複一下問題，怕大家忘記了（笑）。

　　對於智象未來來説，我們也遇到過這樣的問題，我相信在每個創業公司的發展過程中都會遇到這樣的問題，我想把這個問題稍微拆解一下。

　　剛纔兩位嘉賓也都提到了，我覺得這是一個事物的兩端，如果一個新的技術或者説一個新的模式甚至一個新的時代，如果真的到了，第一個問題就到了，我們從供給側來看，技術是不是足以改變這個世界？是不是就如當年的互聯網、移動互聯網，還有當年的工業革命一樣，AI是不是這個技術？AI是不到了這個足以改變整個商業模式，足以改變整個世界商業形態的這麼一個點，不是説我來回答的，所有人都有不同的看法，而且整個市場上有很多專家來回答這個問題。

　　第二個維度，我們從商業的角度來看，或者説從應用場景的角度來看，到底是不是被需要？這個技術到底是不是被需要？我的場景，我能不能説我的需求在存在的同時，或者説我需求在第一代的同時，在第一代到第二代到第三代有沒有新的需求出現？從以前沒有的地方產生出來？或者説被牽引出來，甚至於説所謂的需求升級也好，什麼升級也好，我覺得從這兩個角度來看這個問題，我也想要分享一下。

　　從我們創業過程中是面臨這兩個，第一個，從供給側來講技術，其實生成式AI大家都知道會出現幻覺，特別是多模態大模型，當年生圖、生視頻的時候，還會出現6根手指頭，會出現動作糊掉，你轉個頭，頭就不存在了，以及到后來的問題，把這些基本解決了，畫面穩定了，還存在角色不一致，還存在皺紋、微表情、服飾。如果真的是要做一個電商的圖，我做一個try on，衣服穿上去以后，理論上電商的需求是要求100%不能夠變。但是你生成的時候，用Diffusion Model的時候，很有可能會產生擴圖，它是不是少了一個釦子，多了一個花紋，這個是不是存在商業欺詐？這樣的問題一定會存在。包括我們現在做影視的時候，我覺得終極目標可能就是以前廣電總局某位領導提出的，扔進去一本《紅樓夢》，能夠出一部連續劇或者出一部電影，類似這樣的能不能實現？現在很多人説我能夠做影視了，能夠做AI短劇了，我覺得那還只是初步的。我的體驗或者我自己的體感來講，技術還遠遠沒有達到所有事情在一個模型里面去迎刃而解的過程。

　　從剛纔所説的供給側來看這個時代的時候，但是我堅信AI一定是工業革命的時刻，一定是移動互聯網的時刻。

　　第二個我們來看需求側，也有很多專家和領導都説，AI來了，特別是這一波AIGC來了，我要把所有的場景重新做一遍，是不是我搜索的流量會被ChatGPT對話的流量所替代。還有人説，以后我的搜索、我的社交都會不存在了，我就會變成一個生成式的、對話式的平臺，它就囊括了所有的流量。或者説類似於抖音小紅書這樣的流量平臺就不存在了，我所有的東西都是按需求去分配。我想要一個東西，我想找一個人，我想看一個攻略，我們就不説誰了，我們就説某模型就行了，但是最好是我的模型。

　　是不是這個需求是不是就滿足了？還有好多人去探討倫理的問題、教育的問題，人活着是為什麼？我的小孩是和AI去陪伴、AI去賦能它，還是説我就躺平了，AI能夠解決所有問題了，這個都沒有答案。這個世界，我覺得特別有意思，我們在尋求需求本身被滿足的過程中，其實是一個人性的考量。所以我的結論是什麼？我分享一下我最后的結論是什麼？堅定技術信仰的同時，瞄着未來某一個需求的爆點，沿途下蛋。

　　智象未來做的就是在影視做了vivago的平臺，我不是針對影視去的，我是針對C端用户去的，讓他去那邊體驗，讓他在里面不斷地去嘗試，讓他去把他的創意解放，讓他去賦能，把他之前專業級的人才做的門檻降低，在這個過程中積累了很多的數據和經驗，反哺到我的模型。因為我堅定那個技術信念，我相信他一定會實現的同時，比如説我們做了vivago的影視創作智能體。不僅僅是生成，剪輯也做，理解也做，形成一套方案之后，我可以賦能很多的行業，這個就是我的體會，供大家參考。

　　李國平2：同意前面大家的觀點，微軟現任CEO薩提亞在最近半年內的觀點，他認為人工智能到目前為止還沒有想象中的帶來那麼大的工業革命級的生產力躍遷。階段性的可以得出一個結論，我們還處在人工智能賦能世界生產力大爆發的前夜，同時可以看到全球的科技巨頭們，一方面都在大的做戰略和業務佈局的調整，展開算力的軍備競賽，又砸重金去僱傭AI領域最TOP的人才，試圖可能用1、2個天才級的大牛去做幾百、幾千個人工程化作的事情。在這個過程中也可以看到科技公司的Big Bet，所謂他的大的投入和他們的一些AI重構業務的思考。

　　在中國異軍突起的DeepSeek橫空出世后，美國政府和BigTech主張的星際之門和Scaling Law也面臨着可持續商業價值的重新評估，堆算力就意味着一定有更好的模型的產出，被中國DeepSeek，我認為是國運級的一個技術上的一劍封喉，中國主張的大模型技術的算力優化能力和大模型相對小型化的可能性。

　　回到百望持續賦能的金融行業，我認為AI還有很多的潛力場景可以挖掘，比如説國家在推動的普惠金融，以及數字金融驅動下的五篇大文章，國家希望金融機構可以服務更加下沉的中小微客羣，希望更為廣泛的去覆蓋這些金融客户，過往傳統的3張報表不能夠折射企業經營的這些數據和經營風險，通過百望的數據智能方案，可以非常低成本高效率地被解決，我們通過基於過往服務了2千多萬家大中小微千行百業企業，沉澱產生的數據要素價值，疊加最新的大模型智能體與MCP等技術，通過企業授權的方式，激活了發票數據的第五要素價值，結合金融營銷和風控的智能化產品，面向銀行客户經理，原來去和客户做營銷、合規盡調、貸前、貸中、貸后的業務轉化過程，把整個鏈路都能夠智能體化，結合數據驅動，結合生成式人工智能這一波新的技術，和客户的會話更加線上化數字化，生成高度的價值和結構化的投資報告，把企業盡調原來可能出來的年度公報幾十頁、幾百頁的報告，濃縮成最核心關鍵的摘要。這些都是大模型和智能體時代帶來新改變。

　　但是回到剛纔我的思考，人工智能要麼是在未來為社會生產力帶來一個極大的躍遷爆發，而如果大家沒有交付好這個業務的outcome，這個泡泡也在某一天會爆。就像三年前坐在服貿會這里，大家可能聊的是元宇宙，但是今年沒有人在提元宇宙了。為什麼？事實上，不管是我們在座的創業者也好，或者説企業購買方也好，連Facebook、Meta都可能走了一個極大的彎路，關鍵要回答一個問題：技術創新，帶來的可測算的業務價值是什麼。

　　不管是AI，還是早年間的區塊鏈演變成今天Web3和穩定幣，還有元宇宙，如果不能夠持續創造商業價值，最終可能就會曇花一現，我相信AI看起來是比元宇宙走得更紮實，但是也是需要在座的各位共同碰撞，來創造可持續的增長，才能讓這個故事在未來若干年變成可能帶動整個世界經濟。人工智能如果真正創造了價值，它應該可能會重構社會分工，帶來新的問題。AI的算力巨頭，AI的這些科技公司，它把全球的財富都吸走了，大家都失業了怎麼辦？財富怎麼重新分配？如果真的帶動產能了，我們創造的價值極大豐富了，大家是不是閒在家不工作了，還是更多的人就流浪街頭了，社會財富是否需要重新分配調節以緩解社會矛盾，以及機器人與智能企業是不是應該繳納數智利得税，可能已經上升到AI的倫理高度了，還有很多社會性的問題要解決，而我們在座的臺上臺下的各位，咱們可能先要AI的商業化，回答好業務價值的問題。

　　王智信：感謝李院長。四位嘉賓都提到了我們目前面臨的多方面挑戰，無論是AI技術本身的發展瓶頸、市場需求的快速變化，還是社會倫理層面的思考。面對這些挑戰，我們也在不斷通過技術迭代和生態合作，積極尋求突破。

　　剛纔李院長也提出了一個非常重要的話題，即如何將商業應用與可持續發展相結合。接下來，我也想聽聽其余三位嘉賓的看法：從您所在的領域出發，對未來有怎樣的展望？在推動可持續的商業落地方面，您認為有哪些可能的路徑與方向？請大家暢所欲言，分享一下您的見解。

　　王科3：首先，多模態大模型和應用它其實是一個寬口徑的，任何和圖相關的和視頻相關的，和信息傳播相關的都可以去落地。有一句話多模態大模型與語言類大模型更容易落地，因為它可以跨文化、跨區域，叫一圖勝千言，我們現在做得比較多的落地場景叫出海，我們現在在出海方面，第一個就是面對中國的電商商家，去幫助他們、賦能他們，特別是在TikTok這類的平臺，像Facebook、Meta、谷歌、YouTube，他們做很多的，之前只是做圖文電商的素材，我們現在都是叫搞視頻、搞直播，AIGC在當前的視頻生成的領域，包括還有理解、剪輯的領域，已經達到了效果足夠好，而且能夠落地的這麼一個場景了。這是第一塊出海。

　　第二，海外有很多SaaS化的服務，它的模式相較於國內更成熟。就是他們的付費意願更強，所以其實在海外影視專業，特別是更高階的，Professional的C端用户有這種創作意願，我們也看到這種機會，我們在跟國外的，像谷歌的Veo3、Runway、Midjourney這樣的公司，我們也是對標他們，我們模型的各類表現其實都能夠和他們持平，甚至有一些是能夠超越他們的，所以在這個領域，賦能創作者，解放的是創意和生產力。

　　還有一塊我們認為在出海，在創作者賦能方面，我們還深耕很多行業，包括李總那邊提到的文旅，文旅應該是一個大的市場，怎麼説呢？現在整個消費，特別是全國統一大市場，在國家的層面是鼓勵地方政府，足球比賽都不是歸體育管了，現在都是歸文旅管了，現在文旅、體育、商貿都是一體化的進程，所以我們認為我們的模型在應用，特別是AI賦能方面，我們也是希望在垂類的領域去發力，去獲得商業的機會，也是供大家去參考我的一些觀點。謝謝。

　　張曉明3：在生命科學領域的未來我判斷有三個趨勢：

　　對於AI的應用會更廣泛。剛開始的時候，生命科學領域對AI是極度擁抱的。大家對於AI相信的程度比做AI的人還要激進，我們自己覺得能夠做5分，他們覺得AI能做到10分，導致下一個階段他們對AI不相信的程度直接從10分跌到了1分，是一個不斷對齊和校準認知的過程。經過近幾年市場的感受來看，大家對於AI的認知逐漸趨同，基本知道AI能夠輔助他們什麼能力，能在業務生產里面能夠起到什麼作用。認知在逐漸趨於理性，這樣就很有幫助的去讓AI的這些客户公司里面去落地，因為它並沒有一個非常大的預期的gap。在生命科學里低垂的果實正在逐步摘完，且創新葯都在用AI的方式去設計，傳統的方式怎麼想做follow就變得更不可能了。前沿領先的藥廠和生物公司成立自己AI的團隊，在陸續地收穫一些成果，后續投入也更積極。所以大的趨勢上來看，AI在生命科學的落地，一定是會越來越廣泛和普遍。

　　AI在生命科學技術上會越來越白盒化和機理化。AI+，人工智能+，其實是想要用AI人工智能的手段去解決不同行業的問題。我們的出發點是我們有通用的AI技術，去做大模型、去做微調，去做推理。但這個是相對黑盒的方式用模型解決問題。比如做一個藥物設計，給一個蛋白質藥物的序列通過大模型來直接做預測，沒有深度分析機理和特徵，其實是相當的黑盒的方式。更好的方式是先通過AI把蛋白質的三級結構預測出來，然后再通過三級結構和序列，理化性質結合預測親和力和其他屬性纔會更精準。基於生物機理構建的思維鏈的推導，以及構建全鏈路的智能體，纔是解決行業的困難問題的最佳技術路徑。

　　還有一個趨勢是，大家會逐步迴歸到數據層面深耕。在算法角度，AI大模型的架構相似性還是比較高的，不同架構的改進相對有限，不管是在MOE層面做了改進，還是在長序列上做了創新，這些都是更像是局部的改進。大模型公司和團隊也不在通過算力在不斷的scaling去讓模型再進一步改進了。我覺得在生命科學行業里數據是做實驗得的，實驗周期長，數據是昂貴和稀缺的，所以數據還沒有被高價值的充分利用好。隨着測序成本的逐漸降低，就會有更多的數據可以助力於AI模型進一步提升，這里面還有很大的可提升空間，這個時候如果安下心來把數據做好，一定是會有很大的技術和產業價值。

　　李少華3：首先我比較同意剛纔李院長提到的。這一代應用爆發，我們應該更多地去關注什麼？之前演講的一位嘉賓提到了模型驅動還是數據驅動的問題。可能在投資人來看，現在到了需求驅動的階段了，因為只有需求驅動，才能帶來真正的、快速的、規模化的商業化。我覺得理解需求，就要去看在技術應用和產業趨勢上，你是不是可以找到匹配的點，比如旅遊這個領域，我們創業前明確過幾個判斷，認為50%以上概率我們很可能是對的並有能力做出來，就出來創業了。

　　第一點，互聯網沒有完全改變旅遊這個行業，搜索這個模式，它並不能非常完整地挖掘消費者需求，因為搜索它需要消費者首先知道自己要什麼，而旅行的時候很多年輕人，他不知道自己要什麼，他就靈感被激發，這和搜索的關鍵字之間沒有什麼關係，尤其是在非要用一個相對短的字符串精準表達的情況下。當前的大模型可以用1000個、2000個字符來描述需求，而傳統的搜索只能用10個、20個字符，再多就不認識了。生成式的大模型可以通過反覆的交互，去識別、去協助消費者認識到自己真正的需求。

　　第二點我們看到，多模態的應用，它恰好和旅行非常的匹配。旅行表面上看起來是買了一個旅遊產品，實際上是你想消費一段內容，或者你想生成一段內容、分享一段內容，多模態的表達特別貼近於年輕人想要的東西。

　　第三點是一個客觀事實，就是疫情期間國內大量旅遊行業的人離開了這個行業，這一點其實歐美國家在疫情之前就出現了。年輕人不會有多少回到這個行業，所以這個行業會出現人力資源的短缺，今天的旅遊市場其實是一個供給短缺的市場。

　　我們當時判斷有這3個可能性存在，這3個可能性里面至少有2個是準的，就出來創業了。我們嘗試着明年用模型和智能體服務1千萬用户，這對於互聯網產品是一個非常關鍵的門檻。能不能服務更多的人，根本上在於能不能找到通用需求。

　　垂類應用就是要找到通用模型沒有辦法滿足的點，這對創業公司來説很重要。最容易做的事情，最終還是會被大廠做了。對他們來講，如果你的垂直化深度不夠，他用通用能力，稍微做一些運營就會覆蓋。你要去找真正的垂類機會，智能體的邏輯今天很多人講了，它有可能在未來替代大量的人，這個我可以和大家分享一下，我們在商旅場景下，用行業智能體，不同角色的智能體去做組合，形成了解決方案。我們做了小規模嘗試，目前大概一個月有2個億的交易。2個億的交易對大平臺來講是非常少的，但是對於還沒有被互聯網邏輯大規模覆蓋的傳統商旅行業，已經相當於北上廣一個頭部的服務公司，1年大概20億到30億的交易，基本上需要200人規模來提供服務。我們今天用40個人就做到了，這個團隊我只允許做有35到40個人，我們在嘗試天花板在哪里。跑了6-7個月的時間，模型和智能體逐步優化，現在可以實現一個月2個億交易了。如果有一天能夠跑到一個月10億的話，就非常接近移動互聯網一個人大概2千萬到1個億交易的基本產出水平了，這個是需要我們創業者自己去做發展路徑測試的。

　　我剛纔聽到王總提到一個觀點叫沿途下蛋，你不一定能夠下得了蛋，但是你一定要有這個想法，否則的話，期望憋一個大招，很大的概率就是資金鍊斷了。

　　最后就是主持人提到的願景，我覺得5年后、10年后看今天台上講的任何一個想法都顯得過於保守，但是如果從3個月、6個月或者半年來看，今天我們把事情想得更殘酷一些，都是最好的自我善待，還有很多挑戰等着我們去克服。

　　王智信：感謝各位嘉賓的精彩分享。通過剛纔的交流，我們深切感受到AIGC已經在諸多產業中實現了切實的應用與融合。當然，整個AIGC的發展之路，依然是機遇與挑戰並存。正如李院長所説，當前AIGC仍處於「前夜」階段。它未來將對整個產業帶來怎樣的變革？其最終能否成功，仍需依靠整個生態和產業同仁共同探索與實踐。

　　今天非常感謝四位嘉賓帶來的深刻見解與啓發——從AIGC與產業的現階段融合，到對未來的展望，都為我們提供了寶貴的意見和啟示。再次感謝大家的到來，本次圓桌討論到此圓滿結束。期待明年再次與各位相聚！

　　謝謝大家！

　　新浪聲明：所有會議實錄均為現場速記整理，未經演講者審閲，新浪網登載此文出於傳遞更多信息之目的，並不意味着贊同其觀點或證實其描述。