书名：AI商业进化论：“人工智能+”赋能新质生产力发展
ISBN：978-7-115-66125-8
本书由人民邮电出版社发行数字版。版权所有，侵权必究。
您购买的人民邮电出版社电子书仅供您个人使用，未经授权，不得以任何方式复制和传播本书内容。
我们愿意相信读者具有这样的良知和觉悟，与我们共同保护知识产权。
如果购买者有侵权行为，我们可能对该用户实施包括但不限于关闭该帐号等维权措施，并可能追究法律责任。
著 田 丰
责任编辑 林舒媛
人民邮电出版社出版发行 北京市丰台区成寿寺路11号
邮编 100164 电子邮件 315@ptpress.com.cn
网址 http://www.ptpress.com.cn
读者服务热线：(010)81055410
反盗版热线：(010)81055315
本书以“人工智能（Artificial Intelligence，AI）+”为主题，探讨了AI如何赋能千行百业，促进各类先进生产要素向发展新质生产力集聚。
本书共7章，主要介绍了新质生产力之问，AI之问，AI顾问实践：人类的“辅导员”，AI助手实践：人类的“副驾驶”，智能体实践：人类的“AI代理人”，用尺度定律推演未来，新质生产关系与AI伦理观等内容。本书基于国内多行业、多领域应用“AI+”已取得明显收益的项目的一手材料展开深入分析，为读者充分展现AI如何帮助人类提升效率和改变生活方式，并引发读者对AI如何塑造人类未来的思考。
本书适合各行业读者了解AI领域的发展现状与前景，也适合作为高校AI通识课程的教材或参考读物。
如何建设国际科创中心？举一个国际案例，匹兹堡在20世纪70年代是“钢铁城市”，后来由于技术创新没有跟上，钢铁行业逐渐没落。经过各方面努力，匹兹堡又很快恢复，成为“凤凰涅槃”的城市。匹兹堡的“凤凰涅槃”背后有三大要素，首先是科创基础，匹兹堡有两所非常知名的研究型大学——卡耐基梅隆大学和匹兹堡大学，它们在生命科学领域非常知名；其次是产业多元性，匹兹堡的金融、医疗、交通资源等很丰富；最后是丰厚的社会资本，匹兹堡有很多基金会。
在我国的上海，国际科创中心为城市增强了活力和韧性，科创推动了经济的多元化发展。上海是长三角地区科技经济一体化发展的“领头羊”，上海科创中心的建设对国家发展意义重大。目前，上海是全球科创中心建设的创新高地，是引领全球科创中心推动产业变革、应对未来科技挑战的重要基地。从综合评价来看，2022年以来，上海发展比较快，2022年上海进入全球科创中心前十名，2024年仍然保持在前十名。在创业支持方面，上海的创业投资资金总值进入全球前十名，位列第四名，是创业投资氛围最活跃的城市，目前上海开放的优势表现出非常强的韧性。
10年内，我国要跻身为全球顶尖的科创中心，应从以下三方面实施关键举措。
第一，逆势拓展，吸引并留住国际一流人才。帮助人才解决具体困难，构建吸引人才的制度土壤。另外，要建设比较客观的人才评价系统，建立淘汰、晋升机制，让真正的人才体现价值。
第二，深化开放，让国际化更上一层楼，真正让外资企业、外国人感觉到在中国从事科技创新活动、创业活动时能得到同等的对待。现在我国很多企业在全球拓展业务，支持我国企业出海。另外，还可以吸引外资，推动建立数字研发中心。
第三，建议优化公共服务和营商环境。AI技术刚刚进入应用期，在各国的应用场景差别巨大。正如本书所讲，中国原创大模型技术落地各行各业，正在从技术革命向产业革命跃迁，本书也分享了中国企业家群体在大模型时代生存发展的实践经验。随着技术的进步，未来，我们可能感受不到AI的存在，它将嵌入各类工作平台，人们可以直接使用自然语言与其交流。不论是男士还是女士，儿童还是老人，都会使用AI工具。各类企业也都将进化为AI技术驱动的新型组织，正如现在所有人和组织都会熟练使用电力、计算机、手机一样。
清华大学苏世民书院院长、公共管理学院学术委员会主任
2025年3月
在我国“AI+”的创新发展道路上，关键在于处理好三对发展关系，即大模型知识能力与推理能力的关系、基础大模型与行业大模型的关系、基础设施建设与下游应用生态的关系。
首先，事实性的知识仅能解决大模型对客观世界知识的通识认知，高质量的思维模式数据才能激活大模型的强理解、强推理能力。从2023年开始，原生多模态大模型就逐渐成为业内探讨的重要方向。然而由于数据和训练方法的局限，业内许多机构的尝试并不成功——多模态训练过程往往会导致纯语言任务，尤其是指令跟随和推理任务的性能严重下降。得益于在计算机视觉领域十年深耕及人工智能赋能场景的丰富经验，商汤在推动语言模型和多模态模型融合的过程中，发展出两项关键的创新技术：融合模态数据合成与融合任务增强训练，进而完成“日日新”融合大模型的训练，推向市场。
在预训练阶段，通过大量天然图文交错数据及逆渲染、混合语义图像生成等技术，商汤构建了海量高质量融合模态数据，建立起跨模态交互桥梁，为跨模态任务奠定扎实基础。在后训练阶段，商汤基于丰富的业务场景，设计了视频交互、多模态文档分析、城市场景理解、车载场景等任务，激发模型对多模态信息的深度理解与场景响应能力，形成应用落地反哺基础模型迭代的闭环。可以说，具有高可靠性、高精准性的高阶推理能力是大模型发展的“工业红线”拐点，而原生融合模态的实现将显著提升模型的深度推理能力与多模态信息处理能力，使AI广泛与各行各业新质生产力融合共治，对我国创新发展的价值巨大。
其次，行业大模型将成为基础大模型的“老师”，帮助其掌握高阶思维逻辑、专业知识，拥有更强的推理、执行能力。基础大模型的优势在于“背”海量知识，这些知识达到大众常识性认知的平均水平。然而，若提供甲骨文等小众内容，基础大模型就看不懂了。行业大模型，如商汤“日日新·大医”医学大模型，就在医学知识、生物知识等领域比基础大模型具有显著的专业优势。基础大模型的下一步发展，将依托众多行业大模型逐步提升其专业知识与能力，而行业大模型的专业性则来源于千行百业极为丰富的场景与数据资源。
从商业的视角思考，如今大模型开源已成为行业发展的一个重要前提，开源模型的性能增长线如今已经接近甚至追平闭源模型。为此，如果行业开源模型投入的平均水平较高，而企业在闭源模型上的投入相对有限，则企业必须走差异化路线——以行业应用的垂直领域为切入点，通过差异化模型为行业提供独特价值。
2018年，我曾推荐过一本书——Prediction Machines，书中提出一个有趣的观点：当生产要素的成本下降至原来的百分之一时，会迎来时代的转折点。例如，电力成本下降至原来的百分之一，开启了电气时代；通信成本下降至原来的百分之一，推动了移动互联网时代。那么，若算力成本下降至原来的百分之一，我们将进入怎样的时代？回顾历次时代变革，基础设施的发展始终为行业向前迈进提供了核心支撑。在AI 1.0时代，中国得以同步推动ImageNet时刻的行业落地，正是得益于早期基础设施建设的完善。例如，在视觉相关的工作中，中国拥有充足的摄像头数量，以及数字化储备与通信连接，这些因素为我国在数字化转型中带来了显著的先发优势。
这引出2.0时代的一个核心命题：当前AI的发展高度依赖计算基础设施的建设，那么2.0时代的基础设施应如何构建？如何确保其真正能够为大众所用？未来，中国的AI行业应用需要实现一个重要目标，即计算资源平权，即使用模型需要的计算资源必须具有高性价比，才能推动行业的百花齐放。
值得注意的是，AI算力的突破并非仅限于芯片。事实上，芯片的核心是支撑软件开发，算力的关键在于推动模型优化。新的混合专家（Mixture of Experts，MoE）架构模型在推理效率上展现了差异化能力。如何通过应用驱动模型，以模型带动算力的升级，并最终提升算力资源的使用效率，这种“三位一体”的模式正是商汤科技在算力、模型与应用层面的思考方向。面向AI 2.0时代，商汤致力于成为最懂算力的大模型服务商和最懂大模型的算力服务商。
AI基础设施的建设正以更高效、更普惠的方式推动社会进步。伴随着大众对AI的认知突飞猛进，AI应用的突破几乎只差“临门一脚”。同时，通过不断突破技术与认知的边界，AI将助力人类探索更多未知的可能性。
从长期来看，我国的优势在于领先于其他国家2～3个数量级的巨大产业场景。当今大模型的竞争中，中国与其依靠芯片优势逼近尺度定律下大模型效果的理论边界，不如依靠科学技术与场景叠加形成比较优势。国产大模型在“场景赛道”另辟蹊径，很有希望争得“AI+新质生产力”的国际领先生态位！
商汤科技董事长兼首席执行官
2025年3月
尊敬的读者,欢迎您翻开这本书。当DeepSeek用9个月赶超GPT-4o，中国本土科研团队在由西方主导的通用人工智能（Artificial General Intelligence，AGI）技术社区中迈出了关键一步，证明在算力资源受限的条件下，高密度人才团队依然能通过模型架构创新、数据合成创新、芯片通信创新等原创能力，站在全球AI科技的前沿阵地。凭借中国庞大的工程师人才储备、敢为天下先的科学家精神、力出一孔的战略科研投入，更多科技领域的“DeepSeek时刻”纷至沓来，中国正在重新回到世界科技强国的位置。回到本书，本书不仅是一部能够拓宽您视野的科普读物，也是一部可供您快速掌握创新战略的工具书。翻开这本书，就如同展开了一张通往AI新世界的地图。正如现代地图以正北为基准坐标系，对于那些时间宝贵、想在两三天内读完本书精华内容的读者朋友,笔者从创作者的角度为您提供一套“指北针”，帮助您快速理解本书的要义。
对于职场人士、技术爱好者，如果对企业数字化转型、AI创新战略设计等领域感兴趣，不妨优先阅读第三、四、五章，深入探索大模型在不同行业的实战应用案例，其余章节则可依兴趣选择性阅读。
对于学生、非技术背景的读者，如果希望通过本书入门AI领域，建议从“第二章 AI之问”“第六章 用尺度定律推演未来”和“第七章 发展，发展，发展”开始阅读，从宏观角度了解AI技术的基本原理和底层思维逻辑，然后再按顺序阅读其他章，逐步补充产业知识。
对于政府公职人员，如果希望从新质生产力与世界竞争格局的新视角进行思考，可先从“第一章 新质生产力之问”“第六章 用尺度定律推演未来”等章切入，再深入阅读与智能产业紧密相关的第三、四、五章。
阅读不仅是积累知识的途径，更是磨砺思维与促进成长的契机。只有跨越高质量阅读的门槛，才能逐渐洞悉世界的本质规律，正如“量变引起质变”的道理。很多人常常感到思维深度不足或困惑重重，或许是因为尚未阅读足够多的好书，大脑中尚未构建起体系化的“世界模型”。中国航天事业奠基人钱学森提出的“三到”读书法——眼到、手到、心到，对笔者影响深远。在阅读时，不妨边读边记，摘录要点，反复咀嚼并深入思考，以深化对知识的理解和应用。新事物往往在旧事物的基础上孕育而生。当新苗破土而出时，我们通过分析和总结，将其提升为理论。这样的理论便能指导新事物的成长，进而改造旧事物，使旧事物焕发新生。这正是旧质生产力孕育新质生产力，新质生产力又推动旧质生产力升级的核心逻辑。
科技是第一生产力，读好书是成本最低、价值最高的高效学习方法之一。对于非科技圈、非研究圈的朋友，虽然热爱阅读，但须知在有限的时间内选择高质量的图书十分重要，阅读顺序也很重要。对此，笔者的建议是：第一步，阅读科幻小说、前沿科技预测类图书，培养对未来科技的兴趣；第二步，阅读科技历史类图书，了解人类科技发展规律及其重大影响，未来充满不确定性，而历史则越读越深；第三步，阅读世界顶级科学家个人传记、公开演讲合集，世界顶级科学家自己写的、自己讲的才能体现出其超出常人的前瞻性思考方法、战略性思考逻辑；第四步，阅读产业创新实践类、技术工具类图书，学以致用，以实践检验学习成果，提升技能；第五步，对世界本源感兴趣的读者，建议阅读科技哲学、哲学通识类图书。科学突破引发哲学命题，哲学思想变革为科学提供广阔的思想空间，历史上哲学、数学、物理学、化学等认知世界的手段的交替领先，推动了人类文明的车轮滚滚向前。
阅读与写作过程是非常重要的学习与成长之旅。笔者在撰写本书的半年时间里，实地调研大量行业案例，与科学企业家、产业科学家面对面交流，每日坚持阅读全球AI论文材料，试用各类AI产品，反复修改书稿的过程，都是自身研究精进、学习成长的过程，在此感谢辛苦付出并给予我很大帮助、支持、理解的亲友们。
愿本书能成为您探索AI世界的一盏明灯，照亮您前行的道路，激发您对未知的好奇心和探索欲。让我们一起携手，在这个充满挑战与机遇的时代，不断学习，不断进步，携手迈向一个更加美好的明天！
《田丰说》视频号
2025年3月
本书提供如下资源：
◎ 本书配套视频；
◎ 本书思维导图；
◎ 异步社区7天会员；
◎ 限量“代码小浣熊”月卡、“秒画”3天无限卡；
◎ DeepSeek小册子。
要获得以上资源，您可以扫描下方二维码，根据指引领取。
我们的联系邮箱是linshuyuan@ptpress.com.cn。
作者和编辑尽最大努力来确保书中内容的准确性，但难免会存在疏漏。欢迎您将发现的问题反馈给我们，帮助我们提升图书的质量。
如果您对本书有任何疑问或建议，请您发邮件给我们，并请在邮件标题中注明本书书名，以便我们更高效地做出反馈。
如果您有兴趣出版图书、录制教学视频，或者参与图书翻译、技术审校等工作，可以发邮件给我们。
如果您所在的学校、培训机构或企业想批量购买本书或异步社区出版的其他图书，也可以发邮件给我们。
如果您在网上发现有针对异步社区出品图书的各种形式的盗版行为，包括对图书全部或部分内容的非授权传播，请您将怀疑有侵权行为的链接发邮件给我们。您的这一举动是对作者权益的保护，也是我们持续为您提供有价值的内容的动力之源。
“异步社区”（www.epubit.com）是由人民邮电出版社创办的IT专业图书社区，于2015年8月上线运营，致力于优质内容的出版和分享，为读者提供高品质的学习内容，为作译者提供专业的出版服务，实现作者与读者在线交流互动，以及传统出版与数字出版的融合发展。
“异步图书”是异步社区策划出版的精品IT图书的品牌，依托于人民邮电出版社在计算机图书领域多年的发展与积淀。异步图书面向IT行业及各行业使用IT技术的用户。
“给岁月以文明，而不是给文明以岁月。”
——刘慈欣《三体》
生存是为了更好地发展，发展是为了更好地生存。河流是文明的摇篮，科技是文明的过滤器，一万年前地球上的人类文明起源于尼罗河流域、两河流域、印度河流域、黄河流域，“大江东去，浪淘尽，千古风流人物”，历史中多少璀璨夺目的文明兴盛、消亡、更迭，而中国文化生生不息，汉字演绎出上下五千年的思想史。从百万人口的夏商周、千万人口的大秦帝国、上亿人口的康乾盛世，到14亿人口的中华人民共和国，充满智慧的中华儿女创造出恢宏历史与丰富的文明成果。中国这片历史悠久的土地上，不断上演人类发展史上的奇迹。中国科幻巨著《三体》告诉我们一个道理，纵然文明只是宇宙尺度上沧海桑田之一瞬，但伟大文明释放出的巨大潜力如太阳一般照耀古今中外。
新科学来自思想解放的新型科学家，新产业来自科学衍生出的新技术，所以在杨振宁等中国战略科学家看来，中国科技大发展的先决条件是人才、训练、决心、财力[1]，四者缺一不可。发展新质生产力是推动高质量发展的内在要求和重要着力点。新质生产力由技术革命性突破、生产要素创新性配置、产业深度转型升级催生，以新技能劳动者、新型劳动资料、新型生产关系的优化组合为基本内涵。在战略科学家、战略企业家看来，从科研创新到社会生产力革命，均有其内在规律。
[1] 李政道，杨振宁．科学之美[M]．北京：中国青年出版社，2002．
科技现代化是中国式现代化的关键，AI是科技现代化的重要力量。1977年，钱学森在《科学技术一定要在本世纪内赶超世界先进水平》一文中提出：“要实现四个现代化，科学技术一定要搞上去，不然就会拖工业、农业和国防现代化的后腿。”习近平致2018世界人工智能大会的贺信中指出：“新一代人工智能正在全球范围内蓬勃兴起，为经济社会发展注入了新动能，正在深刻改变人们的生产生活方式。”“中国正致力于实现高质量发展，人工智能发展应用将有力提高经济社会发展智能化水平，有效增强公共服务和城市管理能力。”
从“科学革新”到“新质生产力”要经历几个阶段？20世纪80年代，中国科学家钱学森曾在一篇手稿中给出了明确答案——科学革命、技术革命、产业革命、社会革命（见图1-1）。[2]第一阶段，从0到1的科学理论创新，往往伴随旧理论的颠覆与补充，科学革命由半导体物理、系统科学、生物学、人体科学几个领域的核心技术的基础研发持续推动；第二阶段，从1到10的新技术孵化，技术革命属于新型基础设施建设、新一代技术工程化范畴，即新技术从实验室走向普及，其成本通过公共基础设施化、产品工程化不断降低，达到普罗大众可负担的“拐点”，例如计算机、信息技术走入千家万户，生物技术门槛降低等；第三阶段，从10到1000的分批社会生产力升级，伴随新兴技术终端产品价格、基础设施服务价格平民化，以高性价比、中低成本的新兴技术“供给侧结构性改革”撬动全社会市场需求规模“井喷”，新质生产力快速与旧质生产力融为一体，多项技术革命的汇聚点往往是产业革命的起点；第四阶段，从1000到∞，社会劳动人群的技能跟随新技术发展整体提升，并形成更优的“人-技术”协同模式，构建起新质生产关系，以匹配新质生产力的高速发展。
图1-1 从科技到生产力的革新路径[3]
[2] 吕成冬．科学与忠诚：钱学森的人生答卷[M]．北京：人民邮电出版社，2022：240．
[3] 根据钱学森研究四种革命理论过程中留存的手稿（吕成冬．科学与忠诚[M]．北京：人民邮电出版社，2022：240.）整理。
2020年5月，OpenAI发布了1750亿参数量的GPT-3大语言模型，标志着全球AI 2.0时代的到来。与AI 1.0的“旧智”时代相比，AI 2.0时代涌现出的“新智”完全以实现通用智能为目标。与“大企业抢占头部高频场景市场、创业企业深入腰部细分场景领域”的分散式格局不同，如今，具有世界领先能力的大模型科研团队的出现，让整个产业似乎步入了“强者恒强”的局面。而结果不仅仅是产业链“链主”格局发生改变，甚至形成了（所拥有的）大模型的领先程度决定（国家间）科技创新力竞争优势的关系。
具体来说，这样的变化在三个层面都引发了相应的变革（见图1-2）。
图1-2 AI 1.0时代与AI 2.0时代的对比
模型层：从解决单一场景、单一问题的专有模型，升级为能够解决通用问题并具有大规模参数和复杂计算结构的机器学习模型，即从10亿以下的参数量猛增到千亿、万亿以上的参数量。近年来，大语言模型也在进一步朝多模态大模型发展。
业务应用层：AI 1.0时代，模型为应用解决单点问题，由应用承载大量业务逻辑；而AI 2.0时代，应用开始“模型化”，“基础模型+轻量级前端交互页面”成为一种创新模式。例如ChatGPT就没有复杂的应用开发，模拟即服务、模型即应用，大量应用逻辑都已经融入模型训练中，通过提示词训练行业大模型应用，简称“提示工程”。由此出现辅助办公、辅助编程、虚拟人社交、辅助营销、辅助媒体写作等垂直领域模型。
基础设施层：AI 1.0时代以中央处理器（Central Processing Unit，CPU）为主，以图形处理单元（Graphics Processing Unit，GPU）为辅的云计算服务基础设施在存储、网络、（并行）计算能力方面都没有针对AI训练和推理进行提速改良。而伴随大参数量模型的研发需求激增，高性能数据中心应运而生。AI计算中心成为更高效、更快速、更便捷地训练大模型必不可少的“新基建”，这体现了计算基础设施每10～15年升级一代的周期性规律。
新智生产力通过AI逐步实现人类的脑力劳动，让AI成为人脑在知识世界的“最佳顾问”。人类数千年来归纳整理的知识大部分以文字的形式归集在图书、论文、互联网上，当今大模型正在飞速学习几乎所有的人类知识数据，并通过“生成式基础模型”创新出各类人工智能生成内容（Artificial Intelligence Generated Content，AIGC）应用，包括AI写作、AI绘画、AI视频生成、AI语音生成、AI编程等。
新质生产力则通过AI逐步实现人类的“脑力+体力”劳动，让AI成为人类在物理世界中的“生产力助手”。只是学习海量的人类知识，而从不实践，就容易沦为“纸上谈兵”。众所周知，“实践是检验真理的唯一标准”，为了让大模型通过与物理世界的交互检验自己的认知偏差，实现“认知—实践—再认知—再实践”的良性循环，需要将大模型、智能体[4]变成机器人操作系统的核心组成部分，让有智商和情商的机器人、机械手、无人机、智能车在物理世界中日夜不停地学习。但这还不够快，如人类的研究生通常是经过十几年的教育实践培养出来的，为了利用庞大的算力指数级提升AI机器人的学习速度，目前前沿的机器人公司都将数字机器人放入模拟仿真环境中，让数字世界和物理世界同步，如在数字孪生工厂中同步训练1000个虚拟工业机器人，在数字孪生农田中同时训练5000个虚拟农业机器人，从而利用模拟仿真环境允许的最高并行效率，让数字机器人飞速观察、适配特定场景的物理世界，然后再将数字机器人的大模型放到物理机器人身上，进行最终的现实环境“测试—反馈—改进”。
[4] 智能体（agent）的概念最早是由麻省理工学院的著名计算机专家和AI学科创始人之一的马文·明斯基提出的。目前，在AI领域，普遍认为能自主活动，具有独立的思想并可以同环境交互的软件或者硬件实体均可以被认定为智能体。
新智生产力与新质生产力的对比见图1-3。
图1-3 新智生产力与新质生产力
2024年3月，在“人工智能+”行动的指引下，商汤科技董事长兼首席执行官（Chief Executive Officer，CEO）徐立创造性地提出“KRE能力架构”（见图1-4），并指出当今大模型正在按照“知识”“推理”“执行”三个层级进化升级。面向各种知识问答任务，知识层主要解决高频、标准化的问题，即以前很多人问答过的知识内容，准确率很高；推理层重点解决长尾、碎片化、非标准化的问题；执行层则将知识能力、推理能力、执行能力融为一体，完成更为复杂的组合式软硬件性任务。三个层级的能力如下。
图1-4 “KRE能力架构”
第一层，知识能力：整合并吸收人类历史上积累的跨学科的全球知识，并将这些知识进行归纳总结和融会贯通，提炼出普遍适用的概念、原则或结论的能力。语言文字是人类知识的重要表现形式，当今大语言模型的学习速度极快，Epoch AI Research团队成员、加利福尼亚大学伯克利分校计算机科学专业的教授斯图尔特·罗素等专家预测人类历史上的“高质量语言数据”，将在2024—2026年训练完，换句话说，大语言模型正在成为掌握人类历史上几乎全部知识的初级智慧载体，人们能够通过与大语言模型交流，获得历史上的科学家、文学家、哲学家等的回答，大语言模型能跨多个领域回答专业性极高的复杂问题。
第二层，推理能力：能够根据一个或多个已知前提条件，推导出新的结论的能力。大语言模型能够基于世界知识“底座”，以“旧知”推理出“新知”，以及发现新的可能性，为人类“世界知识库”提供知识增量。知识（归纳）层和推理层是AI生产力十分重要的两层。目前大语言模型在端到端的复杂推理任务上与人类专家相比仍有差距，AI正在集中力量攻坚，当具有可靠、精准推理能力的大语言模型出现时，其将在学术界、产业界等各领域为人类提供逻辑分析服务。
第三层，执行能力：在和世界的互动中通过人类的反馈，掌握新知识的能力。正如毛泽东在《实践论》中清晰阐释了“认识”和“实践”的关系，通过对比人类“认识+实践”的模式，我们可以理解为什么大模型需要调用“执行体”才能更加深入、全面、客观地认知世界规律——“执行体”既可以是其他AI原生模型、传统软件，也可以是机器人、机械手、智能网联汽车等硬件，大语言模型与后者的结合就是我们常说的“具身智能”。
《实践论》指出：“只有人们的社会实践，才是人们对于外界认识的真理性的标准”。这也正是当前大语言模型缺乏实践出现“幻觉”的原因，即缺乏实践检验认知、纠偏认知。
◎ 实践出真知，实践是认识的来源。比如，人们通过观察和实践，才能获得对自然现象和社会现象的认识，从而形成科学理论。
◎ 认识对实践具有反作用。比如，科学理论可以指导人们的实践活动，提高实践的效率和效果；同时，实践结果也可以修正和完善原有的理论。
◎ 认识具有反复性、无限性、上升性。比如，在科学研究过程中，人们需要经过反复实验和验证才能得出正确的结论；同时，随着实验条件和观测技术的不断改进，人们对于某一现象的认识也会不断深化。
知识在人类进化史上有无与伦比的崇高地位，许多哲学家、科学家给予了知识极高的评价，而思考是处理知识的过程。
在AI时代，语言文字是知识的表达方式之一，而数据是语言文字的载体，程序是处理数据的高效生产力工具。2023年12月，商汤科技基于自研大模型，推出AI编程助手“代码小浣熊”（Raccoon），其覆盖软件需求分析、架构设计、代码编写、软件测试等环节（见图1-5），满足用户的代码编写、数据分析、编程学习等各类需求，支持Python、Java、C++、SQL等90多种主流编程语言和主流集成开发环境（Integrated Development Environment，IDE）。用“KRE能力架构”来分析“代码小浣熊”产品自身的开发效率，即从需求分析、架构设计、代码编写、软件测试、部署上线、系统维护全流程来对比不同能力层的研发工作量，具体如下。
图1-5 “代码小浣熊”赋能软件开发全生命周期（黄色子流程部分为人机协同环节）
◎ 知识能力融入：让基础大模型掌握代码库，仅在开发环节用他人写过的代码来补全目标开发程序，从“代码小浣熊”的需求分析到最终产品的开发完成，总共需要投入100人天。[5]
[5] 人天：软件业衡量开发工作的单位，即一个程序员工作一天的工作量。
◎ 推理能力融入：让大模型深入软件开发全过程，进一步辅助需求分析与设计、用户界面生成、测试用例生成等环节，可节省30%的开发工作量，即只需要投入70人天。
◎ 执行能力融入：如果使用“代码小浣熊”2.0版本，调用强大的代码解释器（执行体），处理各种专业性问题，从海量数据中筛选出需求、指定产品特征，并根据特征完成产品开发，可节省80%的开发工作量，仅需要投入20人天即可完成产品的自主研发。大模型为什么需要调用代码解释器？因为在面对各种数学问题时，代码解释器能够正确、可靠地给出答案，例如，在ChatGPT中输入“请列出100以内所有质数两两相乘的结果”，以及“请列出100以内所有质数两两相乘后加1的结果”，它能够正确地列出前者，但在处理后者时却出现了错误。两个问题难度一样，为什么会出错？原因在于基础模型没有见过这类问题，它在训练时储备的世界知识无法直接给出答案，从而需要调用代码解释器，获得正确答案。
中国作为世界第二大经济体，与美国的产业禀赋并不相同，那么应选择哪些产业进行数字化、智能化改造，用AI进行赋能？
◎ AI+中国制造：工业革命之后，世界强国几乎都是制造业强国。正在致力于“制造业回流”的美国，其制造业产值占国内生产总值（Gross Domestic Product，GDP）的比例近年来约为10.3%；而作为世界制造业第一大国的中国，国内制造业总体规模连续14年居全球首位。2023年，中国制造业产值占GDP的比例约为26.2%，工业品类齐全，且40%的品类产量稳居全球第一，个人计算机（Personal Computer，PC）、手机、空调、太阳能电池板等一批重要产品的产量甚至占全球产量的50%以上。用新一代AI技术，让中国从制造大国迈向制造强国，从“卖全球”向“造全球”升级，是“AI+”的首要任务。
◎ AI+中国服务：美国服务业产值占GDP的比例约为80%，其服务美国的3.3亿人口。2023年，中国服务业产值占GDP的比例为54.6%，虽然与美国存在差距，但中国服务业服务国内14多亿人口，市场需求旺盛且多元，发展潜力和空间巨大。
◎ AI+中国科研：据公开数据分析，美国研发经费占GDP的比例为2.84%～3%，约为8100亿美元。国家统计局数据显示，2023年，中国研发经费占GDP的比例为2.6%，约为33 278亿元，中国研发经费约等于美国的56.7%，应将研发经费占比提升到5.8%～6%。而且当下中国研发经费的占比仅为国际水平的1/3。若想实现前沿科技、基础研发等领域的“弯道超车”“换道赛车”，我国亟须大幅提升基础研发、工程研发的预算绝对值，并极大重视战略性科研决策，既要坚定投入关键领域的科研突破，又要预判性抢占未来科技的制高点，将预算“好钢用在刀刃上”，以国家级决策创新驱动科研创新，逐步增强中国原创科技的核心竞争力、全球人才吸引力、新质生产力。
◎ AI+中国基建：这应从“AI基础设施化、基础设施AI化”两个维度入手。据工业和信息化部数据，2023年中国智能算力共有70EFLOPS[6]，到2025年预计达105EFLOPS。2023年10月以来，中国智算中心建设进入高发期，据国际数据公司预测，到2026年中国智算规模将持续提升，复合年均增长率高达52.3%[7]。虽然中国在AI基础设施建设上快速追赶美国，但与美国在GPU产业链的控制力、自主产能等方面仍有差距，美国英伟达、AMD生产的GPU的全球市场占有率高达95%，而中国GPU国产化率仍在20%以下，如何在紧锣密鼓研发新一代大模型的过程中，逐步推进超大规模AI数据中心、跨地域AI算力网、AI用超级绿电建设，应作为国家级工程和影响各个科研领域的关键命题。2020—2024年，美国基础建设投资占GDP的比例为1.37%～2.5%，根据国家发展和改革委员会审批核准的国家资产项目总投资额估算，2020年中国基础设施投资占GDP的比例超过12%。中国传统基础设施建设速度快、质量高，堪称“人类工程奇迹”，为改革开放经济腾飞做出了巨大贡献，不仅利国利民，更惠及全球。面对AI时代的到来，中国的传统基础设施的智能化比例偏低，智能基础设施［如智能电网、智能公路网、智能仓储网、智能终端（机器人、无人机等）公共补能网络等］的发展空间巨大。我们应充分意识到新质生产力所依赖的新质基础设施升级，能助力中国在下一个百年的未来产业发展中占据先发优势。
[6]，到2025年预计达105EFLOPS。2023年10月以来，中国智算中心建设进入高发期，据国际数据公司预测，到2026年中国智算规模将持续提升，复合年均增长率高达52.3%[7]。虽然中国在AI基础设施建设上快速追赶美国，但与美国在GPU产业链的控制力、自主产能等方面仍有差距，美国英伟达、AMD生产的GPU的全球市场占有率高达95%，而中国GPU国产化率仍在20%以下，如何在紧锣密鼓研发新一代大模型的过程中，逐步推进超大规模AI数据中心、跨地域AI算力网、AI用超级绿电建设，应作为国家级工程和影响各个科研领域的关键命题。2020—2024年，美国基础建设投资占GDP的比例为1.37%～2.5%，根据国家发展和改革委员会审批核准的国家资产项目总投资额估算，2020年中国基础设施投资占GDP的比例超过12%。中国传统基础设施建设速度快、质量高，堪称“人类工程奇迹”，为改革开放经济腾飞做出了巨大贡献，不仅利国利民，更惠及全球。面对AI时代的到来，中国的传统基础设施的智能化比例偏低，智能基础设施［如智能电网、智能公路网、智能仓储网、智能终端（机器人、无人机等）公共补能网络等］的发展空间巨大。我们应充分意识到新质生产力所依赖的新质基础设施升级，能助力中国在下一个百年的未来产业发展中占据先发优势。，到2025年预计达105EFLOPS。2023年10月以来，中国智算中心建设进入高发期，据国际数据公司预测，到2026年中国智算规模将持续提升，复合年均增长率高达52.3%[7]。虽然中国在AI基础设施建设上快速追赶美国，但与美国在GPU产业链的控制力、自主产能等方面仍有差距，美国英伟达、AMD生产的GPU的全球市场占有率高达95%，而中国GPU国产化率仍在20%以下，如何在紧锣密鼓研发新一代大模型的过程中，逐步推进超大规模AI数据中心、跨地域AI算力网、AI用超级绿电建设，应作为国家级工程和影响各个科研领域的关键命题。2020—2024年，美国基础建设投资占GDP的比例为1.37%～2.5%，根据国家发展和改革委员会审批核准的国家资产项目总投资额估算，2020年中国基础设施投资占GDP的比例超过12%。中国传统基础设施建设速度快、质量高，堪称“人类工程奇迹”，为改革开放经济腾飞做出了巨大贡献，不仅利国利民，更惠及全球。面对AI时代的到来，中国的传统基础设施的智能化比例偏低，智能基础设施［如智能电网、智能公路网、智能仓储网、智能终端（机器人、无人机等）公共补能网络等］的发展空间巨大。我们应充分意识到新质生产力所依赖的新质基础设施升级，能助力中国在下一个百年的未来产业发展中占据先发优势。[6]，到2025年预计达105EFLOPS。2023年10月以来，中国智算中心建设进入高发期，据国际数据公司预测，到2026年中国智算规模将持续提升，复合年均增长率高达52.3%[7]。虽然中国在AI基础设施建设上快速追赶美国，但与美国在GPU产业链的控制力、自主产能等方面仍有差距，美国英伟达、AMD生产的GPU的全球市场占有率高达95%，而中国GPU国产化率仍在20%以下，如何在紧锣密鼓研发新一代大模型的过程中，逐步推进超大规模AI数据中心、跨地域AI算力网、AI用超级绿电建设，应作为国家级工程和影响各个科研领域的关键命题。2020—2024年，美国基础建设投资占GDP的比例为1.37%～2.5%，根据国家发展和改革委员会审批核准的国家资产项目总投资额估算，2020年中国基础设施投资占GDP的比例超过12%。中国传统基础设施建设速度快、质量高，堪称“人类工程奇迹”，为改革开放经济腾飞做出了巨大贡献，不仅利国利民，更惠及全球。面对AI时代的到来，中国的传统基础设施的智能化比例偏低，智能基础设施［如智能电网、智能公路网、智能仓储网、智能终端（机器人、无人机等）公共补能网络等］的发展空间巨大。我们应充分意识到新质生产力所依赖的新质基础设施升级，能助力中国在下一个百年的未来产业发展中占据先发优势。[6] FLOPS，指每秒浮点运算次数，E代表一百亿亿。
[7] 2022年，国际数据公司与浪潮信息联合发布《2022—2023中国人工智能计算力发展评估报告》。
“数字产业化”在互联网时代，沿着“大人口、大流量、大数据、大交易量”的价值链发展，而在AI时代，则沿着“海量设备、海量数据、大模型、强生产”的创新路径层层递进。
2024年3月5日，李强总理在《政府工作报告》中，提出了深入推进数字经济创新发展的7项关键举措。“人工智能+”行动肩负起为我国开创全球领先水平的数字产业带的重任与使命！
◎ 制定数字经济政策：“制定支持数字经济高质量发展政策，积极推进数字产业化、产业数字化，促进数字技术和实体经济深度融合。”
◎ 开展“人工智能+”行动：“深化大数据、人工智能等研发应用，开展‘人工智能+’行动，打造具有国际竞争力的数字产业集群。”
◎ 推进制造业、服务业“数字化转型”：“实施制造业数字化转型行动，加快工业互联网规模化应用，推进服务业数字化，建设智慧城市、数字乡村。”
◎ 实现中小企业“数字化赋能”：“深入开展中小企业数字化赋能专项行动。支持平台企业在促进创新、增加就业、国际竞争中大显身手。”
◎ 健全国家数据体制：“健全数据基础制度，大力推动数据开发开放和流通使用。”
◎ 做强数字基础设施：“适度超前建设数字基础设施，加快形成全国一体化算力体系，培育算力产业生态。”
◎ 促进现代化的“数字变革”：“我们要以广泛深刻的数字变革，赋能经济发展、丰富人民生活、提升社会治理现代化水平。”
科技是第一生产力，历史上人类文明的演进往往以各个时代的标志性技术来命名，如石器时代、青铜时代、铁器时代等。18世纪前，世界人均GDP每年增长0.05%，1400年翻一倍。18世纪60年代，以蒸汽机为代表的第一次工业革命在英国发生后，科技成果逐渐传播到欧洲其他地区和北美地区，人均GDP每年增长1%，经过70年人均GDP就能翻一倍，这意味着当时的人的一生中会经历人均物质资源的显著增加[8]。19世纪下半叶，以电力、钢铁、汽车、化工技术的发展为标志的第二次工业革命发生在美国和西欧，这些西方发达国家的人均GDP每年增长2%，经过35年人均GDP就能翻一倍。由于科技创新，两次工业革命都促进了人类总人口的正增长，第一次工业革命使人口增长率从0.4‰增长到6.4‰，第二次工业革命使人口增长率达到了17‰，社会在这个过程中摆脱了“马尔萨斯陷阱”（见表1-1）。
[8] 林毅夫，等．新质生产力：中国创新发展的着力点与内在逻辑[M]．北京：中信出版社，2024．
表1-1 科技改变生产力和人口
科技是第一生产力，人才是第一资源，创新是第一动力。18—19世纪，全球迎来的“新质生产力”就是蒸汽机、纺织机、内燃机、电动机、无线电等，这深刻改变了西方国家的全民生产力、文明进程及世界经济格局。为什么工业革命没有在近代中国发生？20世纪“李约瑟之问”背后的逻辑是，从公元6世纪到17世纪初，世界重大科技成果的54%都由古代中国贡献，而到了19世纪，近代中国只贡献了0.4%。关于答案的争论很多，其中一种观点认为：农业文明阶段，勤劳的中国人从对自然现象的长期观察、劳动中总结经验，依靠师徒关系传承科学技术；到了16—18世纪，西方开始采用科学院、实验室的组织形式集中科研力量攻坚难题，而直到中华人民共和国成立，中国才开始以科学院等组织形式进行科研活动。中国1949年成立中国科学院、1977年成立中国社会科学院、1994年成立中国工程院，中国基础科研蓬勃发展起来。2005年，钱学森提出“钱学森之问”——为什么我们的学校总是培养不出杰出人才？问题背后的思考是：如何按照培养科学家、发明家、创新家等创造型人才的模式去办学、重构教学体系？
“中国式现代化”是正确的道路。为什么说我国用几十年时间走完西方发达国家几百年走过的工业化历程，创造了经济快速发展和社会长期稳定的奇迹？让我们看一下20世纪以来我国的经济数据，1900—2000年，中国仅占世界GDP的4%左右，而改革开放极大提高了中国科技创新、产业创新的发展速度；2018—2020年经济数据显示，中国在世界GDP中的占比突飞猛进到17%。所以说，新质生产力的显著特点是创新，它是摆脱传统经济增长方式、生产力发展路径，具有高科技、高效能、高质量特征，符合新发展理念的先进生产力质态。
