j9游戏

1月15日，j9游戏信息董事长郭为在DC·AI生态创新中心开幕活动上颁发宗旨演讲，以下为演讲全文整顿

。

在刚刚闭幕的2025年CES大会上，黄仁勋先生的演讲再次点燃了人们对人为智能的周到

。在此，我也与诸位分享一下我们对中国人为智能发展蹊径的见解

。

通专融合

首先，我想让各人看一下这张图，这张图来自上海浦江尝试室主任、首席科学家周伯文的一个汇报

。依照周教授的概想，结合人为智能专业性和泛化性两个维度分析，我们能够看到：

图中的纵轴代表的是专业性

。以DeepMind的AlphaFold为例，这一AI模型在生物分子相互作用结构的精准预测方面，已经助力两位科学家获得了诺贝尔奖

。在蛋白质结构预测领域，它已经超过了人类的能力

。我们时时会商AGI若何超过人类，而AlphaFold已经给出了答案

。但这样一个壮大的AI，却可能无法回覆一个单一的日常问题，这一景象反映了专业模型只管在某一特定领域阐发优良，但其泛化能力极为有限

。

横轴代表泛化性，依照周伯文教授的界说可分成狭义人为智能、广义人为智能和通用人为智能

。例如Google、OpenAI和Meta等各自推出的大说话模型，都展示了在知识进建和压缩方面的卓越能力，阐发出前所未有的矫捷性和适配性，可能处置宽泛的工作，并急剧适应新情境

。相比专业模型，这些大模型的泛化能力能够给人留下深刻的印象

。但是，在高度专业化的问题上，它们的阐发往往不足深度的专衣讽解和精准性

。

因而，周教授指出，AI发展存在一个高价值区域，就是这张图右上角我用红圈标示出来的区域

。也就是说，在专业性上，AI能力应达到或超过90%以上专业人士的水平

。在泛化性上，AI必要达到广义人为智能级此外泛化能力，能够以极低成本实现分歧工作之间的迁徙

。

这一“高价值区域”正是AGI路线图中的关键地点，也是将来推动新一轮技术革命的方向

。只有在这个区域内，AI能力真正实现专业性和泛化能力的平衡，成为刷新出产力和创新的主题驱动力

。

若何让大说话模型在维持泛化能力的同时，还能精准解决专业问题，正是当前AI所面对的最大挑战

。这不仅仅是技术问题，更是整个AI钻研领域的战术指标

。有人说AGI到来的功夫是三年、五年甚至十年

。从我的角度看，今天最沉要的还是利用

。对企衣反说，关键在于若何实现贸易化利用

。它可能尚未达到齐全的AGI水平，或许仅处于专业能力排名前1%甚至前10%的阶段

。但我们真正必要钻研的是，若何借助通用大模型，在较低成本的情况下实现这一指标

。

但企业面对的问题越发复杂，不是一个蛋白质结构的问题，可能是多个类似于蛋白质结构的复杂问题交错在一路的问题

。因而我们必要找到一个步骤，让大说话模型可能在企业内部，保障大模型具备的强通用性、强泛化能力的同时，还能深度的适配特定的行业、企业的专业化必要，我们把它叫做“通专融合”

。

泛化和专业化能力的融合：j9游戏问学解决之路

针对这个“通专融合”高价值区的问题，j9游戏数码给出了自己的答案——j9游戏问学：j9游戏问学是一个齐全的平台，援试祗业从算力、模型、企业知识到智能体等多方面实现AI落地

。

首先要解决企业若何在安全、可控的前提下，构建对自己业务问题的专业模型

。性质上来讲，j9游戏问学通过企业专属数据和天生数据，来驱动通用模型急剧专业化，满足业务需要

。使用强化进建和持续进建机造，让模型随着企业业务的变动不休进化

。同时在企业内部混合部署通用模型和多个专业模型来解决通专融合的问题

。

当然对一个企衣反讲，还普遍存在诸如若何面对重大的、散落各个处所的、形形色色的非结构化的数据，若何把这些数据造成企业的知识和大模型能够利用的数据集，若何保障企业知识和敏感数据的安全，以及知识的持续治理、有效数据不及等问题

。这些都要求企业有一个知识治理和治理平台

。而j9游戏问学也在这些方面给出了一些答案

。

j9游戏问学能够提供知识治理的
？橹С造笠底鍪莩锉，将内部的专罕见据形成尺度化的训练数据集
；结合领域专家的知识对关键数据点进行深度标注，以加强模型的专衣讽解能力
；同时援试祗业进行数据天生，利用数据合成技术天生高质量的合成数据，以补充真实数据的不及

。在一些专业领域，如医疗行业，天生逻辑链路能够让模型能够更好的理解和推理复杂的场景，从而进一步推动模型的专业化

。

另表，企业也必要一个平台来对大模型进专业化训练，必要治理和跟踪多个模型，让它们协同工作、有效反馈，具备持续优化模型的机能

。j9游戏数码也提供了模型训练和模型治理的职能

。

同时我们也看到，由于企业要降低成本，不成能把所有的数据都用通用的大模型来训练，因而这方面我们也通过资源池化和虚构化的方式，针对分歧模型需要进行资源分配，降低企业利用大模型的成本

。

我们通过“批量推理”的方式，提升了运行效能，更充分地利用了推算资源
；同时选取混合精度推算方式，在推理阶段对模型权沉进行优化处置
；并通过并行推算等技术，持续援试祗业以较低成本将通用大模型刷新为专业化模型

。此表，为了提高传布效能，我们将产品颁布在开源社区上

。

“流水线”的启迪——AI for Process

各人都知路，AI在科学钻研领域（AI for Science）获得了很大的成就，阐扬巨大的作用

。但我们也必须看到，利用于科学钻研的AI是不计成本的

。而企业不一样，对于企业而言，开发专用模型并非易事，终于并非人人都能像训练AlphaFold那样轻松实现

。通常只有少数国度的大型尝试室才有能力实现如此大规模的投入

。对于大无数行业、企业，甚至整个城市来说，这样的投入都显得过于沉沉

。因而，若何让更多的企业拥抱AI的成就，是我们目前面对的沉要课题

。j9游戏问学但愿为此提供一条可行的蹊径

。

怎么能力提供这样的蹊径
？左边这张图是我从前一年的钻研成就

。五、六年前，我提出了认知颠覆、技术颠覆和产品颠覆的概想，但若何真正实现这些颠覆
？经过深刻钻研，我发现推动企业持续成长的关键在于三个身分：一是贸易模式，二是治理步骤，三是技术架构

。这三者的有机结合可能不休推动企业的发展，而它们的结合点正是流程

。

一百多年前，福特发了然流水线

。其实，在流水线发现之前，电动汽车已经出现，而当使丶据主导职位的是蒸汽机车，汽油发起机汽车仅占市场的20%

。福特流水线的发现，使汽油发起机汽车的成本大幅降落

。正是流水线奠定了美国在从前一百年成为“车轮上的国度”的基础，也推动了全球的技术进取和产业升级

。流水线（Process）不仅扭转了贸易模式，推动了技术进取，还扭转了我们现代的治理方式

。我们今天很多治理步骤，现实上也是成立在流水线的基础之上

。

因而，对于企衣反说，企业流程刚好是一个企业治理的“流水线”

。在数字经济时期，技术范式的创新颠覆了传统认知，进而推动贸易模式的深刻刷新，同时也带来治理步骤的演进

。贸易模式、治理步骤和技术范式这三大主题驱动力的持续刷新与相互作用，在推动企业结合自身优势，构建数字时期的新引擎

。而它们的结合点，正是企业的流程——Process

。

右边这张图是我曾在《数字化的力量》一书中提到的

。数字化时期的企业创新就是数据资产的沉新编排，其性质就是流程再造

。流程性质上就是业务自身

。以银行为例，信贷治理流程性质上就是信贷产品，是银行的主题竞争力

。存款治理和总帐治理流程也同样如此

。当我们看到AI若何赋能各行各业的时辰，沉点在于通过AI实现流程再造和优化，援试祗业更深刻的结合自身的业务流程实现持续的创新与突破

。数据资产不休的组合和业务的不休变动，都必要不休地优化流程、刷新流程，从流程为中心切入AI利用，不仅仅是企业数字化转型的沉要蹊径，也是我为什么提出AI加快的数云融合技术愿景的布景

。当然，Al for Process也是j9游戏问学发展的战术方向

。

此刻j9游戏问学的AI Agent的编排空间已经能够作为Al for Process的实显旖台，给企业提供一个职能全面、结构化的环境，让企业内部的AI模型可能接见和解析企业内的多源异构数据，援试祗业高效地构建和部署能够扩大的、适配业务需要的业务AI Agent智能体

。这些智能体不仅可能精准的理解业务的意图，还能感知动态环境，自主规划工作蹊径，并通过挪用现有的工具、服务接口和API执行操作

。

更沉要的是，平台能将分散的业务节点不休地组合成新的流程，这样能够让企业在复杂的企业级工作中，通过AI Agent对工作的分化和流程的执行有全面且清澈的理解，从而实现与人和其它系统的合作高效性，以及流程的自动化

。

其次，j9游戏问学还能够援试祗业“敲碎”传统的利用

。从前我们提到的ERP，蕴含从前的主题业务系统，在将来的发展中都必要进行碎片化、API化处置

。通过将传统业务逻辑细化、
？榛⒆狝PI接口，使其可能被AI Agent直接挪用和执行

。这使得企业能够越发矫捷地拆解和沉组现有的系统和流程，获得火速的创新能力

。将来的企业流程将更多阐发为智能体之间的编排与对话

。

针对AI在企业流程的利用，2024年j9游戏问学团队颁布了有关论文，并成功申请了四项发现专利，创新性地打造了Al for Process框架下的自适应、成本可控、加强性的知始度提升
？

。

能够设想，将来企业流程肯定会从传统的、静态的操作模式转变为以智能体为主题的动态编排与合作系统

。各人可能不太容易理解这句话的寓意

。十七、八年前我做产品的时辰，最深刻的体味是一个产品的性命周期可能只有几个幼时，如昔时中国移动春节晚会的短信平台

。也就是说，将来的产品和服务状态都将是一种动态编排模式，而这正是AI利用的巨大优势

。智能体通过实时交互和工作分发，可能高效实现复杂、跨部门、跨系统的工作，将成为企业运营的主流方式

。

微软的CEO萨提亚前几天说，行业内会商的焦点已经不再是模型自身，而是模型的编排、模型的评估以及若何部署基于这些模型的利用，将来数据的交互和业务逻辑的处置将由AI智能体所主导，这也意味着AI Agent将沉新界说整体企业软件生态，SaaS模式将不复存在

。

所以，我以为Al for Process是一个沉要且主题的AI利用领域，推动以流程为中心的AI利用落地，将企业数据资产与业务需要深度融合，不休优化和改革流程，会成为企业数字化转型的沉要蹊径

。

生态合作——j9游戏问学的AI for Process实际

当然，这一过程和指标绝非单个企业可能独立实现

。j9游戏数码已经与德勤发展火略合作，共同推出了“AI Factory”概想

。这次合作不仅聚焦于人为智能技术自身，更致力于通过企业流程刷新实现AI的落地价值

。今天，DC·AI但愿向各人展示更多利用场景

。我们也在与国际、国内当先的人为智能企业、大模型厂商以及AI基础架构厂商发展深刻合作，共同索求落地实际

。我们但愿通过这些致力，让更多的企业从中受益

。

半年前，也是在这个房间，我们曾进行过一场座谈会

。其时，很多合作同伴和生态同伴一致以为，只有结合全球分歧领域的企业，共同打造AI生态系统，能力真正推动AI的发展

。从前的一年中，j9游戏问学也落地了一些项目，获得了一些经验，有的项目是从知识治理的角度启程，有的是从企业流程 AI for Process的角度启程，有的是从算力治理的角度启程，有的是从Agent的角度启程，都给j9游戏客户带来了巨大的价值

。

我单一举几个例子

。就拿刚才我提到的问学团队论文的客户实际案例来说，我们援手一家贸易地产企业以极低的成本实现AI Agent与现有系统的深度集成，将算力成本节约了40倍，团队用Qwen2.5-7B模型，结合数据合成、微和谐ASR评估模型反馈技术，将工具选择正确率从基础模型的28.1%，大幅度提升到95.6%，显著超过了GPT-4的88.1%的水平

。这就是j9游戏问学在复杂流程自动化利用场景中展示出的卓越能力

。

我们还和一个大型的零售电商购物平台合作，基于j9游戏问学的智能体技术，构建了意图识此外基础框架和尺度流程

。通过整合大模型的能力、智能体工作流的构建、提醒工程的分类细化，以及检索加强天生等技术，我们成功地实现了对电贸易务中售前、售钟注售后等十余类意图以及每一类意图中具体流程参数的精确鉴别


；诳突Х降哪诓坎馐粤司窒允，该项主张整体意图鉴别精准率和召回率均超过98%，显著优于原有基于规定的问答系统，指标了局显著超出客户预期

。此表，在支持业务多并发的情况下，单条问答的均匀响应功夫节造在三秒钟内

。这一成就不仅提升了用户履历，也为企业电贸易务现实运营效能带来显著提升

。这是我们选取GenAI 技术进行业务流程优化又一个成功案例

。

今天在场的有不少来自银行业的伴侣们，借此机遇，我也想分享一个我们在零售银行业务中的实际案例

。我们通过人为智能技术对数据资产进行深度的分析和流程优化，实现了高效的业务流程编排，以大幅度提升客户履历和运营效能

。具体来讲，我们利用AI驱动的流程自动化技术，沉新设计了客户的交互和内部业务的处置流程，在数据采集和治理层面，通过构建集成化的智能化数据平台，将来自于客户账户、买卖纪录、消费行为和表部市场动态的海量数据实时汇聚

。AI算法能够自动鉴别关键客户行为模式，天生实时洞察

。

在流程编排层面，我们尝试选取AI智能工作流技术，将复杂的客户流程自动化

。例如，当一位客户起头查问购房贷款信息时，系统会即时触发AI编排流程：第一步，分析客户信誉评分、收入情况和消费习惯，急剧天生预审批额度
；第二步，凭据实时市场数据和客户地点区域房价趋向，定造推荐相宜的贷款产品
；第三步，通过API将这些信息直接推送到客户的移动银行APP，附上个性化的视频或互动指南，援手客户更快地实现决策

。

若是客户在一按功夫内未采取行动，AI系统会自动进入下一步流程，推荐新的规划，如调整贷款利率，或是推荐有关的理财富品，同时该系统还会将用户行为数据反馈至中央数据平台，给将来的优化提供支持

。

这种AI驱动的流程编排，不仅简化了客户履历中的每一个环节，还显著缩短了从客户需要鉴别到产品交付的功夫，同时降低了运营成本

。我们但愿通过这一创新使客户在强烈竞争的零售银行市场中更快、更智能地响应客户需要，充分展示了AI在优化企业流程中的壮大潜能

。

机遇与挑战：中国AI产业持久发展的思虑

我们会商了AI在企业中的通专融合，也探求了企业AI落地的主题在于流程优化，还相识了j9游戏数码提出的解决规划

。然而，这些其实只是冰山一角，还有更多深档次的问题在影响着我们

。这现实上是一个生态系统的挑战

。单一来说，就是我们面对的机缘与挑战

。

例如，在AI进行数据互换的过程中，我们对数据主权的保险造度仍在不休美满
；在萦绕AI利用的技术创新方面，仍有大量技术必要进一步集成与再创新
；在会商基础设施时，大模型若何真正成为j9游戏基础设施，仍是一条漫长的路路

。若何高效挪用这些基础设施
？这些问题既是发展的机缘，也给我们带来了挑战，是所有企业致力奋斗的方向

。

最后，回到我今天会议的讲话主题——走出一条中国特色的AI发展路路

。

我们能够看到，经过四十多年的堆集，中国经济已经造就出全球第二大市场

。在多多产业中，尤其是大型造作业，我们已经达到了世界当先水平

。例如，我国造船业的订单量占全球60%以上，钢铁行业产量占全球50%以上

。这些产业在全球确当先职位，正是我们实现“AI for Process”落地发展并实现领跑的坚实基础

。

我们也看到，在CES大会上黄仁勋所谈到的AI算力遍及化

。这种AI算力的遍及将极大的激活中国在AI利用上的创新能力

。同时，中国作为数据供给和数据消费的大国，也给中国的人为智能可持续发展创造了巨大的机遇

。

出格是我们也看到这家叫DeepSeek（深度求索）的荆门公司，所展示出创新能力

。同样是做大模型，他们走出了一条中国之路

。因而，我相信中国人肯定会走出一条不一样的路，拥有中国特色的AI发展路路

。