行业新闻

今天我的分享分为四个方向：第一，在 AI 浪潮之下，到底谁是受益方？第二，我们应如何认知 AI？第三，基于 AI 我们开展了哪些应用？

AI 浪潮下的各方角色与受益者

浪潮之下，皆为鱼肉。根据 2024 年 8 月份 Gartner 发布的中国技术成熟度曲线。我们将当前涉及的所有角色划分为三个阶段：期望膨胀期、泡沫破裂低估期和稳步爬升期。老板和用户目前处于期望膨胀期，他们的心态发生了从兴奋到期待的转变。自从豆包、kimi 等产品出现后，老板经常询问我们能基于 AI 做些什么。而 CRO 的心态则较为复杂，ChatGPT 问世时，我们十分激动，当时我甚至半夜翻墙刷 X，彻夜未眠。但在对场景成本、技术风险进行评估后，我们进入了泡沫低估期，因为发现投入成本过高。随着 DeepSeek 和 Manus 的出现，我们又逐渐重拾信心，进入稳步攀升期。老板和 CIO 的心态从激动转为焦虑，这是因为压力不断增大。第三，所有厂商的心态也发生了变化，以往处于躁动状态，例如英伟达系列产品（无论是 A 系列还是 H 系列）销量可观，而如今他们感到迷茫，在硬件选择上犹豫不决，在软件方面同样如此，曾经的 “百模大战”，如今许多参与者因无法竞争而选择加入 DeepSeek 阵营 。最后，大 V 们起初觉得 AI 好玩，现在则开始通过卖课牟利，基本上稍有实力的大 V，无论是否真正与科技相关，都开始涉足卖课领域。在这风起云涌的局势中，谁是受益者？第一是英伟达，其市值达 21 万亿，几乎等同于中国 GDP 排名前两位的广东省和江苏省经济总量之和。第二是大 V，而我们其他人则如同砧板上的鱼肉。DeepSeek 生成的一段文字，很好地形容了我们的感受。

围绕大模型 CIO 的困惑与思考

回到最后的主题，“阿祖收手吧，外面全是大模型”，围绕大模型，CIO 面临诸多困惑。老板常常发问：大模型时代来临，我们要抓紧部署；都 AI 了，还需要人工做什么；使用豆包、KIMI 能帮我解决多少问题；我则困惑于现在入场是否太早，算力、算法、数据和知识等方面是否已有确定的解决方案。此外，老板还会说：新闻上同行都已本地化部署 DeepSeek，并取得显著成效，你为什么还没跟上？我会反问：你们部署 DeepSeek 这么快，算力问题解决了吗？他们回答：这是假新闻。因为大多数央国企面临政治压力，国家大力推行 “人工智能 +”，很多新闻报道的大模型成果，我认为都是不实消息，连算力都未落实，谈何大模型，这就如同 “皇帝的新装”，无需争论谁的 “衣服” 更华丽。再者，场景不应由我来设想，而应由需求方思考，AI 如此重要的工具，难道找不到适用场景？我们的困惑在于：如果失败，责任由谁承担？第四，投入大量硬件、软件，到底能否实现降本增效？归根结底，很多问题我也无法回答，因为在很多场景下，投资回报率（ROI）难以解释，很多甲方其实是在赔本赚吆喝。另外，即便投入了基础设施，提供了应用场景，为何还是做不好，依然无人使用？这就涉及组织变革、数据治理、意识文化等问题，最终 IT 部门只能默默承受压力。

对 AI 的认知与关键问题探讨

另外，我们要对 AI 保持敬畏之心，同时也要有清醒的认知。AI 的定义在此不做赘述，在我们看来，区分弱人工智能和强人工智能尤为重要。刚才很多专家提到的 RPA、VR、AR 等，都属于弱人工智能的范畴。如今，类似的人工智能及其他能力表明，强人工智能已逐渐向我们走来。我一直在思考，AI 发展了 70 多年，为何在去年或前年才迎来如此大的爆发？我认为，人类或用户端对 AI 认知最为迫切和深刻的时间节点是 2016 年和 2023 年。2016 年，AlphaGo 与李世石的人机大战成为热点新闻，最终比分为 2：1。2023 年，豆包、kimi 等产品被广泛深入使用，用户端的体验改变直接影响了 IT 领域对 AI 的定义。基于感知、决策和执行，我们该如何行动？大模型并不完全等同于人工智能，如今人们常提及 AGI、生成式 AI、大语言模型，但在诸多行业中，弱人工智能的投入产出比反而更高，例如 RPA、OCR 等技术，少量投入便能获得较大收益。老板通常认为 AI 投入能推动模式创新、实现降本增效、提升用户体验并突破发展限制，而作为 CRO，我们更关注 AI 带来的 “幻觉” 问题，以及成本、隐私、版权、就业和网络安全等方面的挑战 。

基于上述情况，刚才很多专家已经探讨过隐私、版权、伦理等问题，在此我不再重复。首先谈谈法律问题，自动驾驶技术出现后，我常常思考：如果未来全部实现自动驾驶，一旦发生交通事故，责任该由谁承担？是厂商，还是坐在车内启用自动驾驶功能的人？这是一个亟待解决的法律问题。另外是 “伪装对齐” 问题，我经常设想：如果 AI 智能体足够强大，入侵网络上所有可接入的端口，控制所有网络机器和服务器，“伪装对齐” 将成为 AI 面临的核心难题。目前，算法偏见问题已产生较大影响，例如，当你向 DeepSeek 询问美食，若你的 IP 地址显示为江苏，它会围绕江苏地区进行推荐。最后是安全与军事风险，前段时间大家也讨论过，96% 以上本地化部署的服务器存在网络安全风险。

中小企业 AI 部署面临的问题

基于这些难点，我想重点分享一下，作为一家年营收刚过百亿的江苏省医药流通中小型企业，我们在 AI 部署过程中遇到的问题。我从算力、场景、算法、数据和知识等方面进行了分析。作为负责任的 CIO，若要涉足大模型领域，必须回答以下问题：目标受众有多少？如果大模型仅服务于少数几个人，或用户数量只有几十个，是否值得投入？用户对 AI “幻觉” 的辨别与容忍程度如何？前段时间，我孩子生病，将医院的检验单输入 DeepSeek，其给出的处方与医生的处方一致，但我依然不敢使用 DeepSeek 的处方，只要用户对 AI 的 “幻觉” 问题存在担忧，就难以放心使用。在算力方面，也存在诸多抉择：是选择租赁还是买断？租赁成本可能在三年后超过买断成本，若选择买断，后续的服务延续、算力运维如何保障？例如购买了 H20，5 月份英伟达断供后，运维怎么办？配件如何更换？最后是算法选择，很多时候我们需要考虑选择 “满血” 模型还是采用知识蒸馏技术，比如选择 671B 的模型，有时还不如选择 70B 或 32B 的模型，具体选择需要基于实际场景判断，当下的选择并非终点。我们面临的最大问题是：若要推倒重建算力和算法体系，能否承受其中的风险？

最后是数据准备是否充分？安全隐私能否得到保障？在知识层面，这是极为关键的一点。我们在开展大模型应用时发现，真正的领域专家稀缺，同时行业壁垒过高，各企业的竞争优势难以突破，跨越这些壁垒面临巨大压力。当我们进行投资回报率（ROI）分析时发现，从以下五个维度考量，很多场景并不适合进行 AI 部署。

企业 AI 部署的场景与实践

接下来分享一下我们在部署大模型过程中应用的场景，以及我们所认识到的问题。

AI 无疑是提升生产力、重塑商业模式的革命性技术，必将深刻影响人类的工作与生活。然而，回顾历史，许多技术如 “元宇宙”、区块链、NFT 等，虽然初期规划宏大，但最终仅在小范围垂直领域应用。AI 的积极意义在于其作为工具的普惠性，能够放大人类能力、弥补人类短板，现阶段其核心价值更多体现在辅助作用，因为它并非真正意义上的人工智能。在相当长的一段时间内，AI 也存在弊端，在大模型涉及的诸多行业和领域中，很多情况下投资回报率（ROI）无法解释，并不值得盲目探索。

其次，DeepSeek 并非算法的终点。正如 “AI 之父” 所言，目前所有的 AI 都不是最终形态的人工智能，DeepSeek 是基于一千多亿参数构建的，而人类神经元数量高达一百万亿个，若要完全模拟人类思维活动，DeepSeek 远远不够。H 系列算力也不是终点，首先面临国际制裁和国产化替代的问题。人类思考消耗的能量极少，可能转瞬即逝，而算力运行则需要耗费大量能量，基于第一性原理，H 系列算力未来必将被超越 。

结合实际场景，我们可以考虑采用模型压缩技术，如知识蒸馏、量化、剪枝等，以降低部署成本。对于很多企业而言，将 RPA、BI、OCR、低代码开发、流程挖掘等技术进行多样化组合，才是解决人工智能应用问题的有效途径。

在公司内部，我基于 AI 开展的第一项工作是提升团队认知。老板经常问：豆包、kimi 这么好用，为什么不进行本地化部署？为此，我为党委会开展了一堂名为《人工智能发展情况汇报》的培训课程，围绕四个主题展开，核心主题是探讨发展大模型的挑战与条件。当老总对相关内容有充分了解后，便能更理性地评估投入是否值得，从而减轻了 IT 部门的压力。在基层层面，许多员工和 CIO 不太会使用通用 AI 工具，如豆包、KIMI，不了解如何提问，以及如何整合多模态模型提升办公效率。于是，我又举办了一场名为 “走进 AI：人工智能职场应用” 的沙龙活动，深入研究清华相关课程内容后，在公司内部进行宣讲。

当我们开始部署 AI 时，第一步是筛选应用场景。我们考虑的场景包括：内部助手（这是大家普遍在做的）、智能客服（涵盖巡医问药、大健康等领域）、审计大模型（作为国企，我们经常接受集团或上级的审计，希望通过 AI 实现报销、招投标等流程的合规校验，并生成审计报告）、ChatBI，以及两个弱人工智能应用 —— 需求预测和策略优化。如何选择适合的场景，确保易于部署并能快速取得成效？我从以下几个维度进行评估：用户数量是否庞大、能否降低成本、采用强 AI 还是弱 AI、实施难度大小、用户信任度高低。筛选完场景后，再围绕算力和算法进行规划，因为场景决定了算力和算法的需求。最终，我们选择了 70B 模型，配置 L20×8 块芯片，而非 32B 模型。根据算力和算法配置，再选择前端应用。中间环节建议直接选用成熟的 RAG平台，避免在同质化工作上浪费时间，无需从零开始开发。最后是语料投喂和智能编排，这部分工作主要围绕数据质量提升和大量标准化准备展开。在整个流程中，最关键的是第一步场景筛选和最后一步语料投喂与智能编排，这往往需要甲方投入大量精力。

在内部助手方面，我们的做法相对简单：使用 8 块显卡，基于 DeepSeek 70B 模型，适配本地操作系统进行 MaxKB 开发。过去我们仅设置 AB 角轮岗，但遇到紧急情况 AB 角都不在时该如何处理？为此，我们建设了 ITSM 系统，并将知识库进行数据向量化处理，实现了整个团队的工作闭环，同时还配套制定了相关制度、法规和通用应用规范。

我们深入应用了智能编排、函数和语料投喂技术，将各种智能体进行有效整合，并通过函数融入 Python 代码，以处理实时请求或复杂需求。结合内部语料投喂后，问答式实时查询效率得到大幅提升。

最后一个场景目前尚未发布，虽然开发工作已完成，但我们发现三个应用场景都存在风险，不敢贸然发布。以巡医问药为例，该功能确实能大幅减轻前端人员的工作负担（我们自主开发了一个购药平台），但在发布前被叫停，原因是大模型输出的信息虽然丰富，但无法确保其准确性。另外还有特药服务场景，我们整理了 DTP 团队和药学服务相关语料，例如针对肿瘤患者、乳腺癌患者的服务，运营团队常常一人要服务数百名患者，我们将常见问题进行了标准化处理；以及亚健康服务群管理场景。

对大模型的态度与未来展望

最后，我认为，大模型发展至今，给我们带来的 “幻觉” 可能比给用户带来的更多。我对大模型和 AGI 持较为保守的态度，作为 CIO，我们更应秉持负责任的态度，聚焦业务。我们要做的事情还有很多。

在 IT 领域，我们的主要任务是实现降本增效、提质赋能。相较于部署 DeepSeek 或本地化大模型，我认为将 2025 年全年信息化规划分解为六个方向，并围绕财务科目进行细化，明确变更需求和数字化路径，这些工作更为重要。

最后分享几点感悟：第一，未来强人工智能与弱人工智能的融合应用将日益增多，随着技术发展，应用边界会逐渐模糊，许多原本需要人工操作的工作，如发运、拆箱并箱等，都可能被 AI 取代，未来甚至可能出现所有系统都由智能体操作的情况。第二，解决 AI “幻觉” 与信任问题刻不容缓，但只要人机交互模式不变，这些问题就会持续存在，我们需要在收益和风险之间寻求平衡。第三，算力和算法成本将不断降低，未来本地化和套件化的智能体及应用会越来越多，但数据治理将始终是一项长期且艰巨的挑战。

给 CIO 的建议与结语

我有两个小建议：第一，一切建设要量力而行。我们公司去年营收过百亿，但 IT 预算不足千万，我认为花费两三百万直接买断 AI 相关产品并非明智之举。在选择应用场景时，辅助类场景比决策类场景更具价值。因此，在评估投入产出比的同时，要采取小步快跑的策略，先在内部小范围应用，避免盲目面向外部用户推广，因为这涉及数据脱敏、数据安全和隐私保护等问题。第二，如果 AI 发展趋势不可逆转，其积极影响将不断扩大，我们必须拥抱这一趋势。但与此同时，当老板传递焦虑情绪时，我们可以通过 “反向 PUA” 让其保持冷静。例如，我经常向老板分享类似 “莲花味精花费几千万购买芯片，却未充分利用” 的案例，让老板从盲目热情中冷静下来，这也为团队和自身争取了发展空间。

引用黄仁勋的话：如果我是学生，无论计划从事何种职业，第一件事就是学习使用 AI。无论未来从事哪个科学领域或行业，都应思考如何利用 AI 提升工作效率。“生于忧患，死于安乐”，强大的 AI 技术如同双刃剑，我们应努力培养自身稀缺能力，如跨界整合能力、表达能力、设计审美能力、提问互动能力等，不断提升自我，这才是应对变化的根本之道。

作为 CIO，更应通过不断自我迭代提升价值，让职业生涯走得更稳、更远。以上就是我对 AI 浪潮的基本认知，希望所有 CIO 都能在 AI 浪潮中勇往直前，谢谢大家！