编者的话：人工智能（AI）大模型的诞生，让2023年成为人类历史上一个重要年份通用人工智能元年。联合国教科文组织称，以大数据驱动的人工智能技术正在推动第四次工业革命。但对于普通人来说，AI在带给我们“惊喜”之余，场景层面的具体落地似乎还有待破局。“元年”已过，人工智能会“凉”吗？落地应用的具体前景如何？
跨界与场景创新是两大方向
李志起
人工智能的发展是一个多元交叉领域，既需要算法和算力的突破，也需要与具体产业、应用场景深度融合。人工智能在C端（消费者端）的成功应用往往会引起普通群众的兴趣，但B端（企业用户端）才是真正丰厚的蛋糕，当然也充满了挑战性、难度也是最大的。
随着人工智能产业链的完善，诸如无人机、人形机器人、智能网联汽车等领域都展现出巨大的市场潜力。这些领域的共同特点是具有丰富的应用场景，为AI提供了施展拳脚的舞台。而要真正实现通用人工智能的落地应用，需紧紧围绕场景创新这一核心。企业需深入研究行业痛点，理解真实需求，打造定制化的人工智能解决方案。
中国在人工智能应用方面具有得天独厚的优势。庞大的市场规模、多样化的应用场景以及完整的产业链为AI的创新提供了沃土。这种优势将倒逼产业链上游的发展，像诸多战略性新兴产业一样，下游的繁荣也将为上游提供强大推动力。如何将这种优势转化为实际的竞争力，则需要政策制定者、产业界和学术界的共同努力。
目前，人工智能在垂直领域的应用已开始显现其独特优势，但与这些领域结合时，常常面临“跨界”挑战。跨界不仅仅是技术的跨越，更是思维、认知和组织结构的跨越。传统职业与人工智能的结合需要一批既懂技术又懂业务的复合型人才，他们能够将冰冷的代码与实际需求紧密结合，创造出真正有价值的应用，这其实是当下人工智能发展中最紧迫的问题。
为此，在政策层面应出台更多针对应用场景创新的扶持政策。鼓励企业与科研机构合作，将理论研究转化为实际的产品和服务。同时，降低市场准入门槛，为AI的创新应用提供更为广阔的空间。
产业界需积极拥抱变革，勇于尝试跨界合作。传统企业应将人工智能视为转型升级的重要机遇，而不是威胁与挑战。通过与AI企业的深度合作，打破原有产业的边界，创造出更多具有竞争力的新业态。
学术界则应更加注重与产业界的对接，将研究成果及时转化为生产力。鼓励学者走出象牙塔，深入了解市场需求，与产业界共同探索AI落地的最佳路径。
通用人工智能的落地应用是一个系统工程，需要多方面的协同努力。而跨界与场景创新是两大方向。只有紧紧抓住这两个关键词，才能真正实现AI与实体经济的深度融合，推动中国经济高质量发展。（作者是北京市政协经济委员会副主任，振兴国际智库理事长）
普及应用的三个方向和需要关注的风险
李峥
2024年，生成式人工智能技术将进一步发展，并可能在更多领域得到广泛应用。但同时也可能带来更为普遍性的风险，主要体现在以下领域：
其一，生成式人工智能与硬件设备的深度融合。2024年，该技术可能走出电脑屏幕，迈向更多消费级产品和工业生产设备，提升这些领域硬件的智能化程度。但是，这也可能带来一些新风险。如算法的漏洞可能被网络攻击者利用，威胁设备的安全稳定；人工智能算法也可能与现有控制系统存在冲突，从而增加设备故障的可能性，甚至造成生产事故。生成式人工智能变“硬”显著增加了人工智能设备造成人类伤亡的风险，这可能造成新的法律问题和引发社会恐慌。
其二，生成式人工智能与更多开发者的结合。近一年来，生成式人工智能的开发门槛不断降低，开始被全球数字生态的诸多开发者所熟悉。2024年，我们将看到越来越多软件、数字媒体、游戏中插入生成式人工智能技术，形成人工智能深度参与的新型数字生态。这些新变化也将带来一些挑战和难题，例如，生成式人工智能将自动抓取和改编数字空间中的内容，带来版权上的争议；新型娱乐方式将更加鼓励与用户互动，从而改进其算法，这虽然将加深用户的沉浸感，也可能造成新的数字成瘾和隐私暴露问题；生成式人工智能的广泛使用将增加甄别内容的难度，让更多人身处于“后真相”时代。
其三，生成式人工智能与更多用户的深度接触。生成式人工智能与硬件和开发者的融合都将最终体现在用户端。2024年，该技术将在用户层面上实现“祛魅化”，成为一项普及型消费品。在大范围普及的同时，用户对于该技术的风险和缺陷却意识不足。例如，生成式人工智能应用将加剧当前已经存在的“数字茧房”现象，利用更加智能的手段采集和套取用户大量敏感信息，反向塑造用户的行为和决策；该技术也将让一些传统犯罪手法变得更加隐蔽、高效，突破现有的身份认证、识别安防系统。
在一段时间内，生成式人工智能与一般的数字技术的区分也会存在难以界定的情况。监管部门应加强应对，探索统筹发展与保障安全的合理化路径。（作者是中国现代国际关系研究院美国研究所所长助理）
从“大”到“小”解决落地难题
张家铖
近年来，以大模型为代表的人工智能技术在自然语言处理、计算机视觉以及多模态融合等领域取得了长足进展，在特定任务上已展现出近似人类智能的语言理解与创作能力。但是，由于计算资源、数据安全、生成内容风险等限制，通用人工智能何时能落地应用，成为真正造福社会的工具仍任重道远。当前人工智能的落地应用面临两个主要矛盾：
一是技术通用与场景适应的平衡。当前人工智能的许多领军技术都在追求更加通用强大的能力，因为这是实现通用人工智能的必由之路。然而，追求通用性的同时也面临技术过度泛化的风险，完全通用的技术可能很难适应特定场景的需求。当前的通用大模型由于缺少对行业知识的深度理解，以及对企业内部知识的融汇贯通，而无法有效应用到企业的实际生产和效率提升中。广度与深度的平衡、通用能力与适应能力的取舍，是当前人工智能工程化的关键所在。
二是数据质量与隐私安全的权衡。高质量的数据是当前人工智能技术取得进步的基石，如果企业过度注重数据的安全与保护，将难以为研发团队提供足够样本，训练更精准的模型。而一味追求数据共享，则会降低企业信息安全水平，增加商业机密泄露的风险。
上述矛盾导致许多企业一方面“神往”AI，一方面又“惧怕”AI的局面。构建一套完整的企业数据安全体系，利用数据分类分级制度、差分隐私、同态加密等技术为数据共享和训练保驾护航，将是人工智能可持续发展和应用的基矗
“元年”之后的人工智能正处在一个关键的转折点，其引发工业革命的道路将取决于如何在千行百业中落地应用。就当前面临的双重矛盾来看，将大模型拉下“神坛”，从训练服务于企业的垂直“小”模型做起将是一条可行的道路。
从“大”到“小”，意味着先将大模型做小做精，应用于企业业务系统中的某一个切口，随着数据安全体系的建立和完善，再逐步将大模型接入企业机密级的知识图谱。在确保信息安全的基础上，让人工智能技术在企业实践中“落地生根”，完成从实验室到实践的转变，成为企业数字化转型的稳定力量。（作者是清华大学新闻与传播学院助理研究员）
