每日互动方毅：从DI向AI，大模型之上至少还有四层创业机会

人们正在跌跌撞撞奔向AI。你是否忧虑，大模型环伺，普通人的发展空间在哪里？当AI与场景更多结合，又会带来怎样的生产力变革？智能体带来了原有App生态与开放协议的激烈碰撞，中国互联网的下一站是“封闭”还是“共生”？文章根据每日互动CEO方毅在2025中国互联网大会“人工智能终端高质量发展论坛”上的主题演讲内容整理，将与您一起探讨大模型时代最硬核的生存法则与生态密码。以下为方毅现场发言实录：

一、 从“数据智能”到“人造智能”：产业实践者的观察

今天，现场我看到了非常多关于大模型的技术推理和深度思辨，大家分享了很多系统化的总结，那我也作为一名产业实践者，来分享一下自己的感受。

回顾AI发展史，从达特茅斯会议至今，经历了三波高潮、两波低潮。关于“Artificial Intelligence”的翻译，我认为“人工智能”易使人联想到“替代人工”或“人工+智能”。或许“人造智能”是更贴切的译法，其对应词是“神造智能”。长久以来，AI的发展以拟人、类人为主要方向，典型如棋类博弈。这引发了一个关键思考：科学家们从人类身上提取高度抽象的特征（如Transformer模型），塑造了今天的AI。那么，人类如何从AI中重新学习这些被抽象化的精华？

二、 AI发展的三阶段启示：吃透规则、多想两步与笨鸟先飞

理解AI的进化，可以从其发展历程中汲取智慧：

第一点是吃透规则（如五子棋）：就像大一学生能编写简单的人机对战程序，其核心是吃透有限规则（如堵截、禁手）。记住规则就能干。现实中大家去考证也是一样，精研各行业的规则，拿出“证”来，把规则范围内的事搞清楚。

第二点是多想几步（如深蓝）：国际象棋棋谱可穷举背诵，但是为什么人类打败不了“深蓝”呢？因为深蓝能推演12步，远超人类的10步极限。凡事比别人多想想在现实中是非常难得的。就像在工作中，能比别人“多想两步”（如预见设备故障、提前协调资源）的人，更容易脱颖而出，成为高手。他的价值就在于能不能预见你下一个问题，并准备好方案——就像深蓝，多算两步就赢了。

第三点是笨鸟先飞（如AlphaGo）：面对无法穷举的围棋，AlphaGo先学习人类棋谱，后通过强化学习（自我对弈+奖励函数）超越人类，直至AlphaGo Zero达到不可战胜之境。这体现了“笨鸟先飞”、持续进步的力量。所以我们学AI，要学“笨鸟先飞”：每一步都在进步，这就是我们古话说的，“日拱一卒，功不唐捐。”

三、 大模型时代的核心挑战：注意力、数据与生态

今天很多专家都讲到AI非常重要的一点是“All About Attention”（注意力机制）。AI当中非常重要的一点也是通过多头注意力（Multi-Head Attention）和混合专家模型（MoE）实现高效信息处理。现在Kimi也做得非常好，它用更少的多头注意力模型，但是用更多的MoE模型去做。通常情况下，人脑的功耗仅二三十瓦（高考时约四五十瓦），而现在单张英伟达显卡的能耗高达4000瓦。所以说，机器模仿人脑尚有一百倍的提升空间。但是从另一个方面说，摩尔定律或超摩尔定律将驱动其快速进步，所以我们未来再去跟大模型比计算速度是没有意义的，我们要做的是掌握对数据的理解，做好人类专家。

比如说在混合专家模型中，以医学影像识别为例，大家知道，目前AI对CT片的识别准确率可以达到95%甚至97%以上。相比之下，一位人类专家的准确率通常在92%-93%左右。这就带来了一个有趣的现象：人类专家现在学会了“后发制人”——他们不会急着在结论出来前就发表意见，而是会先和你聊点别的。等AI的结论出来，专家再仔细审看，找出那关键的3%错误。这个过程恰恰证明了人类专家不可或缺的价值。

反过来看，如果人类专家先发表意见，AI很可能从中找出7%的误差。所以未来的趋势是，人类会越来越懂得“后说话”的智慧——先让AI展现能力，再由人类发挥其独特的判断与纠错优势，形成更高效的协作。这可能也是未来人与AI共处的时候最重要的一个抓手。

在实践大数据应用的过程中，我们深入思考了其核心构成，总结为三个关键要素：Data（数据）、Machine（机器）、People（人）。

数据是基础，机器是载体——其上部署着各种算法模型。而最关键的，是人对场景的理解能力。这一点，行业内的各位专家都强调过，它永远不会过时。正如最近行业讨论所显示的：过去可能需要一个产品经理配七个程序员来实现想法，而现在一个产品经理可能只需配半个程序员。这说明，纯技术实现的环节正在变得相对次要。

这让我想起美国公司Palantir提出的框架：Data（数据）、Logical（逻辑）、Action（行动）。这个模型在业内广为人知，也呼应了刚才信通院和各位专家总结的AI时代五层架构。

关于知识层级的演进，行业已有共识：在数据智能时代，是数据变信息，信息变知识，知识变智慧。而在AI时代的主流观点，如“互联网女王”玛丽·米克尔的划分，则描述了能力的递进：从聊天交互，到逻辑推理，再到智能决策，进而发展为创新者，最终成为组织者。当然，不同专家会有不同的表述。

这引出一个现实问题：未来职业如何选择？ 最近我侄女高考填报志愿时问我：“叔叔，该选什么专业？”我的建议是：要么扎根AI难以替代的底层学科，如物理、数学，要么成为AI时代的“组织者”。她最终选择了编导专业。未来，可能类似编导这类型工作的价值将更加凸显——因为编导的核心在于“想表达什么”（What）、“为何表达”（Why）和“如何表达”（How），这正是创造力的体现。至于具体的“怎样实现”（How to do）和“做什么”（What to do）这类执行层面的事务，未来很可能交给AI去解决。

四、 未来路径：端云协同与开放生态

我们认为，未来AI应用的关键在于端（设备侧）与云（中心侧）的协同。为此，春节期间我们邀请了杭州主要的AI企业（戏称为“集齐七龙珠”），进行了长达四小时的深入探讨。讨论中形成了两大技术流派——“云派”主张模型应集中部署在云端；“本地派”（如我们）：模型应更靠近用户，部署在本地。

在推进本地部署的实践中，我们观察到企业的投入意愿与其市值规模挂钩——普遍愿意投入约市值的万分之一（如千亿市值企业愿投千万，十亿企业愿投十万）。然而，当前国产算力实现“满血”（高性能）本地部署的成本仍高达五六百万，门槛过高。所以为了降低门槛，我们最早也自研了一款低成本的设备，成功将完整的671B参数模型塞入其中。但这带来了一些性能上的妥协——输出缓慢、处理能力有限，有时还会“偷懒”。这种体验远非理想。

在把大模型应用落地的这个过程中，我们也沉淀了非常多的自己的经验和教训。我们发现“尽信AI不如无AI”，还有一个叫“数可数，非常数，不可数也”。这句话是说，要用AI，数据本身的质量非常重要。因为模型除了幻觉之外，还存在“老实学生综合征”——它们会“天真”地将人类输入的任何信息视为绝对真理，面面俱到地引用却导致流于平庸。

克服这些局限，高质量的提示词工程和持续的个性化数据积累变得尤为重要。我们看到一个清晰的趋势：模型能力正走向“平权”——基础大模型技术，在开源力量和巨头推动下，正日益普及化和平等化。但是数据价值永不“平权”。因此，未来的关键方向在于：融合公共知识、私有数据与个人偏好，打造高度个性化的专属智能模型。 这将是下一代AI应用的核心竞争力所在。

但是在推进技术落地的过程中，我们常面临一个核心纠结：“上私有云怕成本高昂（穷者困一时），上公有云怕数据泄露（惧者困一世）”。如何破解这一两难困境？这也促使我们思考一个更根本的问题：中国互联网生态的未来，究竟是走向封闭，还是拥抱开放？我们知道，谷歌每年支付苹果数百亿美元确保其能从iPhone获得流量；亚马逊同样斥巨资购买谷歌流量。

而在国内，搜索引擎跟电商是割裂的。各大APP倾向于构建封闭生态，将用户和流量牢牢圈在自身体系内。这种封闭倾向在移动互联网初期已有预演。大约2011年，我们曾与行业高层探讨：“以后移动互联网的入口将是什么？手机搜索的形态会如何演变？”

当时我预判：应用商店将成为核心入口。用户将首先在应用商店搜索并下载应用，再于应用内进行垂直搜索。通用搜索引擎（如百度）的角色将转变为“兜底者”——主要服务于应用商店未能覆盖的长尾需求，其重要性与PC时代不可同日而语。后来的发展印证了这一判断。

五、生态开放：AI发展的必然选择

那么，面对正在崛起的智能互联网，也就是AI时代，产业应该“封闭”还是“开放”？对此，我们也广泛咨询了产业内的意见。主流观点认为：中国不必完全复制美国基于开放互联网的MCP协议模式，但必须找到适合国情的开放路径。

如何推动开放？我们也初步有了一些自己的构想：

一是构建通用技术层。如同移动互联网时代有行业级消息推送SDK一样，推出一款AI SDK，打通底层通用能力接口，降低接入门槛。

二是共建开放应用生态：在主管部门（如工信部）的指导与协调下，推动建立一个开放的AI应用与服务生态平台。其核心并非强制下载安装，而在于提供统一、便捷的服务发现、接入与调用机制。那么我想，未来的关键可能在于：结合中国实际，对协议进行必要的“加法”优化，并由行业主管部门牵头，尽快确立可落地的技术标准或过程性规范，并保持持续迭代更新。同时，包括我们在内的产业公司，也要更积极地为行业贡献开放的代码和基础模块，促进技术共享与生态繁荣。

那么关于该怎么更好地上架相关服务，我也做了一个简单的合作框图，大家可以看下。我们设想的核心目标是让服务供应商能便捷地上架服务。但有个关键问题是：服务由谁审核与治理？单单依靠某一家公司肯定不太现实。这需要生态里的我们来共同探索有效的治理机制。

六、 行业共生：边界感与多元化

前不久，我们联合信通院等机构，在杭州组织了一场深度闭门研讨会。与会者涵盖了从头部到腰部的多元化App代表。一个有趣的插曲是：老友们相见，互开玩笑问“你们怎么还没‘死’？”——这恰恰印证了，像天气查询、日历服务、消息推送这类看似基础的功能，能穿越周期存活十年、二十年，甚至更久，其背后是对用户刚性需求的极致满足和持续深耕形成的可持续价值。这些“小而精”的服务，构成了生态繁荣的坚实底座。

当时，我们重点探讨了从移动互联网到智能互联网时代流量交互的新形态。我们提出了“摩卡”的概念——就像调制咖啡般便捷地将多模态服务卡片（Multi-modal Card）无缝嵌入对话流。这引出了一个关键分歧：

一种是“全能Agent”路线：主张在对话界面内一站式完成所有操作，形成闭环。

一种是“只看不干”的“边界感”路线： 对话界面应聚焦于高效呈现信息与意图理解，当涉及具体服务（如购买、预订）时，则通过“摩卡”跳转至原生应用完成。这既保障了体验流畅性，也为专业服务提供者保留了生存空间。

我们坚定选择后者。原因很实际：若所有功能都被大模型“包办”，万千APP开发者将失去价值支点。这不符合生态共生的原则。未来的智能生态，应如健康的商业社会，需要明晰的价值边界与协作精神。

年初Deepseek开源风暴袭来的时候，我曾经做过一个判断，我认为，大模型的开源带来了AI行业的Linux时刻，而非安卓时刻。为什么这么说呢？因为我们在跟一些行业领军人物深入交流后发现，DeepSeek更像在专注于做AI时代的“操作系统内核”（Kernel），而在这个之上，我认为这一波AI的发展里面，除了基模的研发，我们至少还有四层创业机会：

一个是OS层。OS它有很多的定义，比如Windows就是一种OS，安卓跟iOS也是。所以OS就像一层中间件，类比于图形时代的GUI（图形界面）及驱动层。那么谁将是下一代语言（LUI）交互范式？我认为这里还有很大的机会。

一个是生产工具层面（AI Office）：要超越传统的对办公Office的理解，不只是狭义的Word或Excel，而是涵盖智能协作、创作、分析的下一代工具平台。

再一个是，在基础需求之上的更多的千奇百怪的个性化的垂直应用。

还有就是超级IP层： 在以上基础之上，用户可以依托大模型能力进行创作，就如同抖音生态里的创作者一样，未来也将诞生众多基于个性化大模型工作的现象级超级IP。

七、看得见的安全，连得通的世界

我们认为，未来智能生态的基石，必然是“云-边-端”相结合。我们的实践路径是：分层部署，按需融合。用户熟悉的PC、手机等设备，仍是天然的操作中心，提供即时的响应与便捷的交互。但是在具体实施计算时，可以根据用户的性质和规模来决定是否上云以及上什么样的云。保密性强的部门就选私有云，但是对绝大部分产业界来说可能更好的方式是众筹云——由十数家互信企业联合共建共享算力池，部署于可信赖的第三方机房或运营商设施。这就有效平衡了成本、性能与数据主权。

我们认为，大模型时代，要让用户获得“拔掉网线，数据仍在”的物理掌控感。这种“看得见的安全感”直击人性需求——因为“安全感比安全本身更重要”。毕竟理论安全无法替代心理层面的信任。当涉及高强度推理任务时，系统无缝协同云端算力（私有云、众筹云或公有云），形成动态互补。

这一架构的合理性，在技术演进史中亦可印证：Chrome时代倡导的“框计算”（一切在云端）愿景，历经十余年仍未普及。其症结并非技术不可行，而在于用户对安全感的渴求超越了技术指标本身。因此，我们坚信：“云-边-端”协同框架，是实现智能化普惠与可信赖落地的务实之选。也希望在未来，我们能够真正实现“看得见的安全，联得通的世界”。