“今年全行业都在做一件事：用AI解决实际问题”近日一场论坛上，知乎CTO孙斌抛出了自己的观察，他列举了一个案例：某国际航空公司的AI系统从“被动助手”转变为自主协调航班调度、行李转运和旅客服务的全能操盘手，将航班延误处置效率提升40%。孙斌表示，大模型在场景侧的迭代会比算力扩张更快，接下来的竞争将从算力竞争转向场景应用竞争。而今这一趋势正被行业数据验证，例如，阿里AI相关产品收入连续七个季度实现三位数同比增长。
AI技术演进出现四个方向
中国AI产业走过狂热的算力竞赛期。孙斌指出行业转向：当最近的投资人从谈论“模型参数量”转为探讨“如何解决飞机延误”这类具体问题时，标志着产业价值评估体系的重构。企业不再满足于技术演示，要求AI解决高频、高价值的现实问题，Llama等开源模型都在降低技术门槛，推动创新从实验室走向车间与办公室。AI不再是“是否值得尝试”的问题，而是“如何规模化落地”的现实挑战。
AI技术演进轨迹印证这一判断。第一是向多模态交互发展，全球大模型井喷式发展，无论是语言、视觉、声音还是多模态大模型，都在依据缩放定律进行快速迭代升级。单一文本交互的局限性日益凸显。当医疗AI能同时解读CT影像、病理报告和患者病史，当教育AI同步分析学生习题错误和课堂表情，多模态融合创造的价值呈指数级增长。孙斌强调，这不仅是技术升级，更是产品范式的重构。
第二是向Agent量产化发展，Agent技术从概念验证进入量产前夜。知乎内部实验显示，垂直领域Agent在审核、创作等场景的效率已达人工团队的80%，但孙斌直言，当前Agent仍是“手工作坊阶段”，亟须解决规划能力不足、个性化缺失等问题，才能实现工业化部署。
第三是向端侧部署发展，孙斌表示，端侧部署是AI技术演进的必然方向之一，各类移动终端设备正逐步成为重要的AI硬件落地载体，加速推动着各行业的数字化转型和智能化升级，为智能终端、智能眼镜、TWS耳机、可穿戴设备以及手机硬件产品带来了新的市场机遇。
DeepSeek、豆包等大模型展现的“低成本、高性能、开源”颠覆性优势，直接点亮了终端侧AI的发展前景，端侧智能不再受限于硬件算力与能效，大模型通过蒸馏技术重构的小模型在端侧部署可行性大增。
第四是向行业专精发展，通用大模型与企业核心业务之间，隔着一道难以逾越的“理解鸿沟”。如何让AI真正理解企业的“行话”、流程规则和深层知识，成为决定AI价值成败的关键。想让大模型应用，避免成为一时新鲜的“玩具”，就必须提升系统的多链路深层次分析能力，处理复杂任务的能力，以及理解与生成多模态内容的能力。专业领域出现“模型蒸馏”新模式，如，百度灵医大模型，该模型整合全国超过800家医院及4000多家基层诊疗机构的智慧医疗服务经验，构建了覆盖万级医学专业书籍与亿级专家审校科普内容的知识图谱。为医生、患者及医疗机构提供辅助诊疗决策、病历质控、智能分导诊等能力。孙斌预言：“接下来要解决的是如何让AI像专业工作者那样分解任务、调用工具、评估结果。”
规模化落地挑战
尽管AI技术正以前所未有的速度渗透至制造业各环节，然而其在大规模落地过程中逐渐暴露的技术瓶颈与人性化缺失问题，已成为制约行业智能化转型的核心障碍。
AI系统在制造业场景中的应用常陷入“算法决策依赖人工兜底”的尴尬循环。例如，生产调度和质量检测环节中，AI模型虽能快速生成方案，但其输出结果仍需人工复核以符合法律法规和伦理要求。
这种“人机协同”模式不仅延长了决策链条，更暴露出两大核心问题：一方面，算法黑箱特性导致管理者对AI决策的信任度不足，尤其在涉及安全风险的关键环节；另一方面，人工介入频率过高削弱了自动化效率优势，使得部分企业陷入“高投入低产出”的困境。例如，某汽车零部件制造商的案例显示，其AI质检系统的误判率虽低于1%，但因行业规范要求，仍需配备双倍人力进行结果复核，实际效率提升不足预期的30%。
模型部署落地细节较多难以执行，由于模型优化方式、路径、调整程度选择多样且企业缺少足够经验和技术支撑，导致该过程复杂且耗时，使得经验欠缺的企业在执行过程中面临众多困难。
企业在实施大模型的落地过程中，涉及从开发到部署的多个复杂步骤，包括但不限于二次训练、数据管理、参数优化、效果精细调整、Prompt工程、RAG（检索增强生成）、生态插件集成、模型性能评估、模型剪枝与蒸馏、模型维护管理以及算力资源调度等十余个关键环节对于缺乏经验的企业来说，犹如一座大山难以翻越。
孙斌表示，作为拥有高质量语料库的社区，知乎的AI路径具有行业参考价值。其“知海图AI”大模型采用三层架构：基座模型联合研发、行业模型自主优化、应用层快速迭代。在内容治理场景，AI系统实现全流程赋能：创作阶段标题建议模型提升点击率30%，审稿环节AI初审过滤90%违规内容，分发环节匹配精度提升35%。这不是实验室数据，而是每天处理亿级内容的实战结果。
这场变革不追求用机器替代人类，而是构建“人类指挥、AI执行”的协同范式。唯有那些扎根现实痛点的AI应用，才能在商业周期中存活下来。
