资讯配图
资讯配图



AI技术如何在社会治理与资源稀缺性中发挥价值，推动技术向善的应用——对话北电数智CMO杨震



引言

  AI如何重新塑造世界的未来 

在数字神经网络以每秒万亿次的运算重构世界规则之际，这场由AI引领的认知革命正在消解专业壁垒，重塑决策优势，让人类社会进入一个新的认知时代，重新定义文明的高度。人工智能不仅是未来社会的重要推动力，它正在成为重塑社会生产力的核心引擎。面对人工智能的崛起，我们是选择生存还是毁灭？这些问题是我们与人工智能共舞的必答题。


在这次专访中，我们与北电数智CMO杨震深入探讨了AI技术如何赋能社会、如何推动产业变革等问题，并展望了未来AI普惠发展的可能性。


北电数智（北京电子数智科技有限责任公司）是北京电控面向人工智能领域布局的产业公司，是一家专注于原创性、颠覆性、引领性创新的人工智能科技企业。以“建设数字中国”为使命，致力于打造面向未来的AI底座和AI生产力引擎，推动下一代工业革命在中国加速到来。北电数智通过构建“1个AI底座+2大产业平台”的创新范式，以AI计算基础设施和AI数据服务实现基础能力破局，通过传统产业升级平台和新兴产业加速平台带动产业应用落地，加速人工智能与实体经济深度融合。


资讯配图

杨震

北电数智CMO


01

 从“技术水源”到产业革命：

 破解AI大模型落地难题  


WAIC：

您如何看待AI技术在社会治理中的作用？如何使AI大模型成为促进经济社会发展的核心动力？


杨震：

今天，我们谈论的人工智能大模型，就像“水资源”。它不仅能够孕育新的业态和产业机会，还能为社会进化带来积极影响，推动全方位的社会变革与治理。在社会治理中，AI大模型是一个全新的工具，通过对社会活动产生的各方面数据进行总结梳理、提炼价值，能帮助人类发现一些难以察觉的关联性和新的知识，在城市交通优化、公共卫生预警等领域可发挥极大优势，从而实现社会治理范式的重构。同时，AI大模型能够帮助社会各行各业实现决策科学化、服务精准化，为千行百业数字化转型升级提供源源不断的动力。


我们希望人工智能是“活水”，“活水”的特点在于动态适配性、普惠渗透性以及创新驱动性。AI大模型并非静态系统，其算法、架构在持续演进，内生的动力不断推动其与产业深度融合，助力转型升级。同时，AI大模型向行业下沉不仅能有效破除数据壁垒，更能无差别地重塑各行各业，催生新的场景。

总的来说，人工智能正驱动社会治理从“经验驱动”向“智能驱动”跃迁，使之更聪明、更贴心、更具预见性，如同“活水”一般渗透到各行各业，逐步破除信息壁垒，激发创新思路，让小到某一个行业，大到整个社会治理体系都更灵活、更有生命力，从而更高效地应对和解决社会问题。

然而，地球上的水资源看着很多，但是可用的淡水资源不足1%。人工智能这股“活水”面临的挑战也类似——并非缺少算力或模型能力，而是缺少将大模型转化为实际生产力的路径。这正是大模型产业化的“生产力转化瓶颈”。当前，许多大模型在实际应用中未能有效地创造足够的社会和商业价值。技术的突破不是问题，真正的问题是如何将这些技术从实验室走向实际应用，并为用户带来可持续的价值。


WAIC：

大模型落地的最大难点是什么？能否简要解释一下数据瓶颈和场景错配这两个问题？


杨震：

大模型投入实际应用面临的一个关键难题是数据方面的问题。很多行业应用大模型普遍面临“数据孤岛”和“低质化”问题，尤其在制造业中，数字化水平低，数据采集困难且标准不一。在金融、医疗等领域，缺乏“可使用、可流通”的高精度数据，导致模型训练结果的可靠性差。而且，通用大模型常常缺乏行业深度和行业知识，无法适应具体行业的应用需求。数据被各种限制分割成一个个缺少联系的“孤岛”，大模型无法用这些数据训练，导致当前通用大模型与行业知识之间的割裂将长期存在，其产业落地也因此受到限制。


其次是场景错配的问题。大模型目前多应用于客服、文本生成等低决策层次场景，但在核心决策环节如风控、研发等领域，依然离不开人工干预，根本原因在于通用模型的底层能力与垂直行业的专业化、实时性及安全性需求之间存在系统性脱节，依赖公开互联网数据训练的大模型缺乏对企业内部知识结构、业务流程及领域专有逻辑的深度理解，导致在医疗、制造、金融等强专业性场景中常输出“幻觉”结论，无法适配复杂业务规则。


WAIC：

您如何看待当前AI产业商业化过程中遇到的困难？您认为破解瓶颈的关键是什么？


杨震：

商业闭环也是目前AI产业化的另一大难题。训练一个千亿参数的大模型成本可能高达数百万~千万美元，很多有需求的企业难以承担这类开销，高昂的模型开发与运维成本难以通过市场收益覆盖。尽管模型厂商可以通过免费模式扩大市场占有率，但是用户付费意愿并没有随着用户规模扩张而同步提升，而且，AI技术尚不明确的回报周期叠加上企业对新技术的持续研发投入，让企业陷入规模与盈利不可兼得的矛盾，持续依赖资本输血维系生存。


其次，技术能力与产业需求错位削弱价值锚点。通用模型在专业领域存在可靠性缺陷与响应延迟问题，无法满足强确定性场景的核心诉求。当技术方案偏离企业真实的效率痛点与知识沉淀需求时，商业化路径必然受阻。

破解这些困境的关键在于通过知识工程作为核心突破口。将分散的专家经验、行业工艺参数和业务规则转化为结构化知识库，是解决行业认知瓶颈的关键步骤。通过构建行业特定的知识图谱，结合大模型工程与深度学习技术，可以填补金融、医疗等领域的知识盲区，并提升决策的专业性与可靠性。例如，在供应链管理中，通过深度学习与符号推理相结合，能够自动分解并执行复杂的操作任务，从而提高整个系统的效率和准确性。


02

 大模型落地难的本质：

 知识断层与协同壁垒  


WAIC：

当前大模型产业化的困难主要体现在哪些方面？有哪些技术难点您认为是最具挑战性的？


杨震：

当前大模型落地难的核心矛盾，在于从“可用”到“好用”的成本与价值失衡。还是拿水来比喻，尽管地球上淡水资源有限，不能直接使用的海水很多，但是海水淡化技术并没有得到大规模推广，本质是技术成熟度无法覆盖高昂成本，导致商业价值终端用户难以承受。


尽管大模型具有强大的通识能力，但在诸如工业级应用中，其成本与性能之间的平衡点依然难以找到。训练千亿级参数的模型成本居高不下，推理阶段的AI要素适配难度、场景应用匹配难度超出了传统算法。这导致企业虽然需要高性能的模型来满足精度要求，却依然陷入“高投入、低回报”的困局。如果“退而求其次”使用通用模型，又会因为模型专业度不足限制大模型在复杂场景下的应用，这也导致当下大模型的应用多局限于简单的“一问一答”等基础场景，而一些核心决策环节依然需要人工干预，无法由人工智能全面代替。

知识工程的断层加剧了大模型应用的能力鸿沟。通用大模型像“高考状元”一样在通识方面表现出色，但在行业专属知识的适应性上存在严重不足。数据孤岛化和低质量数据问题使得大模型难以吸取行业隐性经验。很多行业的独特数据要么是封闭的，要么是私域数据，无法通过开源数据训练获得，导致通用模型在应用中常出现“水土不服”的现象。因此，突破这一障碍需要构建系统化的行业知识服务平台，将分散的行业专家经验转化为可计算的生产力。

同时，跨场景的协同生态和端侧瓶颈也制约了大模型在复杂场景中的应用，尤其是在跨境营销、工业研产销等需要多模态联动的场景中，智能体调度技术尚未成熟，算力瓶颈和隐私问题更是制约了大模型的普及。为解决这些问题，必须通过技术创新，如MoE架构、MCP和大模型工程，来压缩训推成本，同时结合开源生态降低使用门槛，最终实现大模型从“成本黑洞”到“价值源泉”的转变。


03

 破局路径——

 垂类大模型切入与知识工程革命  


WAIC：

知识工程如何成为打破大模型产业化瓶颈的关键？它与大模型的结合能带来哪些革命性的变化？


杨震：

AI大模型正在经历从“技术炫技”到“价值务实”的关键转折。当前，大模型的挑战不仅在于追逐“万能模型”的幻想，而在于如何通过单点突破实现真正的产业化。把知识工程作为切入点，结合特定领域场景的实际需求，能让通用的计算能力逐渐变成行业的生产力。采用“滴水穿石”的方法，不搞大规模的通用模型，一步步满足行业的深入需求。知识工程在这个过程中非常重要，它能打破人们对行业的认知局限，为大模型的实际应用创造条件。这样一来，产业发展就会从依靠技术推动，转变为依靠价值推动，最终形成能持续发展的行业生态。


在特定领域找到突破口，为大模型的实际应用提供了可行的办法。例如，在医疗领域，我们与中日友好医院打造皮肤病专病模型便是从小场景入手，通过大量的临床验证和数据训练，逐步形成专科模型，并拓展到全科模型。这样的“小场景撬动大价值”的策略，能够在短期内实现实际效果，同时也为后续大规模推广打下基础。这一思路也在其他行业中具有广泛的适用性，如金融、教育等领域。

通过将知识工程与行业场景深度结合，行业可以逐步摒弃传统的参数军备竞赛，转向以行业需求为核心的技术突破。最终，大模型从算力冗余转化为行业所需的“生产力活水”，推动产业真正进入价值创造的阶段。


04

 向善实践——

 以解决稀缺性重塑AI价值  


WAIC：

在推动AI向善的过程中，伦理与技术的平衡该如何实现？您认为AI技术在这方面最需要哪些突破？


杨震：

北电数智的“AI向善”理念本质上是通过技术流动性弥合社会资源的稀缺性，特别是在医疗、金融等供需矛盾突出的领域，能够通过AI新质生产力助力供给侧改革扩大优质资源的供给。这一理念不仅推动了技术的普惠性应用，还确保了技术红利能公平地渗透到社会的每个角落。


在医疗领域，专病模型的应用已经将专家经验转化为可复用的生产力，缓解欠发达地区的医疗资源短缺问题；而在金融领域，AI数字员工能够帮助银发群体解决数字鸿沟问题，使得养老金查询等业务得以通过自然语言交互的方式顺利完成；在养老领域，“AI大模型+人形机器人”组合，将以康养机器人的形式缓解陪护人力缺口压力，这种技术流动性为解决资源稀缺问题提供了全新的路径，展现了AI技术在促进社会进步方面的巨大潜力。

AI向善的核心逻辑是用AI填补社会资源的缺口，把各类资源“蛋糕”做大，而非简单制造“就业真空”。随着技术的普及，尤其是AI在医疗、教育等领域的应用，其影响不仅仅局限于解决经济和效率问题，更是要确保其公平性和伦理性。AI如同毛细血管深入医疗荒漠、教育边陲以及银发群体的数字鸿沟，化解资源分配的不平等问题。

在这个过程中，伦理将成为AI应用的核心基石，确保AI技术不会仅仅为少数人服务，而是真正能够为更广泛的群体带来福祉。通过推动技术普惠，AI不仅能够弥补资源短缺，还能带来更为深远的社会价值，使得技术的每一滴水珠都折射出公平与光明。



资讯配图
资讯配图
资讯配图
资讯配图
资讯配图

资讯配图

点击阅读原文一键报名WAIC 2025！