人工智能的演進并非線性遞進，而是“點面結合、縱橫交替”的推進。為推動人工智能與高質量發展的深度耦合，政策、技術與資本的多維合力尤為重要。制度保障與政策支持的完善，加之企業加速推進場景落地，并輔以金融機構同步開發匹配的服務工具，三者互促將共同培育以人工智能為核心的新型生產函數體系。

本文作者系盤古智庫學術委員、工銀國際首席經濟學家程實，工銀國際經濟學家徐婕，文章來源于“第一財經”。

本文大約3600字，讀完約9分鐘。

人工智能的未來不僅取決于其自身技術的增強，更依賴于如何通過“人工智能+”的路徑，與實體經濟實現深度融合。在“智能增強”與“人工提質”的雙輪驅動下，人工智能不僅在重塑自身的應用體系，也在重構經濟活動的基本單元。其中，“智能增強”依托通用大模型的智能升級，實現了“點”的突破，夯實跨場景遷移與泛化的技術基礎；而“人工提質”則以行業化、專業化的場景大模型為抓手，推動“面”的拓展，促進技術潛力向經濟效率的轉化。進一步來看，人工智能的演進并非線性遞進，而是“點面結合、縱橫交替”的推進。智能層面的持續增強與應用場景的廣泛適配相互賦能，使人工智能在重塑經濟增長路徑的同時，進一步重構資源配置方式、組織運行模式與制度治理邏輯，并逐漸成為驅動高質量增長的底層力量。為推動人工智能與高質量發展的深度耦合，政策、技術與資本的多維合力尤為重要。制度保障與政策支持的完善，加之企業加速推進場景落地，并輔以金融機構同步開發匹配的服務工具，三者互促將共同培育以人工智能為核心的新型生產函數體系。

智能強化：以通用大模型為核心破“點”。通用大模型（如ChatGPT、Claude、Gemini、DeepSeek等）的崛起，標志著當前人工智能發展邁入以通用智能為核心的關鍵階段。這類模型具備跨領域語言理解、復雜邏輯推理和多模態交互等能力，構建起人工智能系統在不同場景中可遷移、可泛化的底層平臺，成為人工智能系統化發展的技術支點。“智能強化”強調通用大模型在智能層面的技術躍遷，為未來構建多場景復用的智能體系提供了可能。例如，從GPT-3.5到GPT-4，通用大模型的智能能力實現了顯著升級。以標準化考試為例，GPT-3.5在法學院入學考試、SAT數學和美國律師資格考試中的表現僅處于人類考生的中下水平，而GPT-4在同類測試中已躋身前10%。這一跨越式提升表明，通用大模型不僅在語言生成上更為自然流暢，而且在邏輯推理、數學計算、專業理解等高階認知任務中展現出更高的智能水平，成為“智能增強”的典型突破。

然而，僅憑“點”的突破尚不足以支撐實體經濟的效率質變。通用大模型雖覆蓋廣泛知識，卻難以深入應對專業性高、精度要求高的垂直領域應用。實踐表明，在醫療、法律、工業等領域中，面對復雜的規范流程、專業的術語表達等行業門檻，通用大模型在準確性、穩定性和可解釋性方面存在明顯短板。缺乏針對性訓練與場景微調的情況下，其泛化能力難以直接轉化為專業的業務效能。因此，將通用大模型的底座能力與垂直場景的實際需求深度融合，從“點”的智能強化走向“面”的場景落地，已成為推動AI從潛力走向生產力的關鍵路徑。這不僅要求技術上的精細化適配，更需要系統性的行業認知，從而共同支撐起AI從通用向專業的演化。

人工提質：以場景大模型為載體拓“面”。“面”即是人工智能與實體經濟融合的廣度與深度，正成為AI推動經濟增長的主戰場，而場景大模型的興起正是“面”的拓寬的集中體現。“人工提質”強調以場景大模型為載體，結合行業數據與任務流程，將AI能力深度嵌入具體應用中，在實體經濟層面實現融合擴展。

相比于泛化能力強但專業性不足的通用大模型，垂直領域的場景大模型通過行業語料定制、知識圖譜構建與任務鏈路優化，顯著提升了在專業任務中的準確性與穩定性。在微觀層面，通過任務顆粒度細化，不同的場景大模型正在進行著全矩陣式的探索。例如，在信息提取場景中，復旦大學張奇團隊用2000條行業數據微調的8B參數模型，充分對齊業務細節的要求，到達了94.73%的F1值（查準率與查全率的綜合指標，100%為理論最優），遠超通用大模型GPT-4o的66.82%。在工業領域，廣東知業的精益AI平臺將半導體封裝產品質量提高3%、產能提高4%；博依特推出的全球首個制漿造紙行業工藝大模型使生產效率提升10%、成本下降4%。在安全領域，深信服安全大模型實現了92%的運營工作量自動化替代；在教育領域，希沃大模型將教師備課時間從2小時縮短至30分鐘，像素格物大模型則節省30%批改時間并降低20%資源成本。這種基于場景的能力重構不僅增強了AI在實體經濟中的滲透力，也為通用大模型提供了反饋訓練數據，形成智能強化與場景優化的雙向正循環。

可以預見，“面”的不斷拓展不僅決定了AI的落地深度，也為“點”的持續突破提供了真實世界的數據支撐和反饋路徑，最終構筑起以人工智能為核心的新型生產函數。這種“智能強化”與“人工提質”的融合邏輯，正重塑經濟增長質量，也正在塑造未來經濟的底層結構。

點面結合、縱橫交替：人工智能系統演進的核心機制。人工智能的未來不僅取決于技術本身如何演進，更取決于它如何通過“人工智能+”的路徑與實體經濟深度融合。人工智能的系統演進，不是單向的“點”升級或“面”鋪展，而是點面結合、縱橫交替的過程。“縱”的深化是指智能層面的提升，如模型能力增強、推理鏈路完善、工具調用豐富，“橫”的鋪展則是指場景層面的擴展，如行業適配深化、流程改造升級、產業鏈協同增強。這種“縱橫交替”的機制，本質上是智能提升促進場景提效，而場景提效又反哺智能演進。“點”的突破提供了更強的觸角，而“面”的擴容又提供了更大的舞臺，“點”與“面”的相互作用使得AI與實體經濟系統之間的“接觸面積”顯著提升，從而推動了全要素生產率的立體躍遷。

比如，AI在醫療領域的應用，不再局限于圖像識別，而延展至病歷分析、臨床路徑規劃、手術輔助決策等系統級流程。在工業制造中，AI不僅優化質檢，也重構了生產調度、供應鏈響應與售后服務的全流程協同。這種“系統性的生產率提升”，遠超以往單點AI工具引入帶來的局部效益增加。AI正在從工具化、碎片化的外部技術，轉變為深度嵌入式的內生能力，進而成為經濟運行的底層支撐系統。

人工智能重構經濟活動的基本單元。隨著“點面結合、縱橫交替”機制的不斷深化，未來AI系統將在五大維度上持續釋放潛能，不僅將重塑經濟增長的路徑，更將重構經濟活動的基本單元。首先是集約性。AI具備以更低人力與資源投入實現更高產出的能力，顯著提升要素配置效率。其次是精準性。專業化場景大模型通過領域數據的深度訓練，可以在如醫學診斷、金融風控、法律審查、工業制造等高標準場景中表現出接近專家的高一致性與高可靠性。第三是時效性。AI具備實時感知與動態學習的能力，能夠在安防監控、城市調度、供應鏈管理等需即時響應的領域中實現7×24小時高效運行，顯著提升系統的反應速度與資源利用率。第四是嚴謹性。未來的AI或將內嵌自我校驗機制，嚴格遵循行業規則和倫理邊界，減少“幻覺輸出”，增強其在關鍵決策中的穩定性與可控性。最后是系統化。AI應用將突破工具型的“單點賦能”局限，轉向端到端、跨流程、全鏈條的系統解決方案，從而構建起高度協同、動態演化的智能生態體系。

擁抱智能浪潮，推動高質量增長。人工智能與經濟增長的關系，正從外部賦能走向內生驅動的深度演化。AI不再只是提升某一崗位效率的“輔助工具”，而是在“點面結合、縱橫交替”的結構性升級中，系統性地重構資源配置方式、組織運作模式乃至制度治理邏輯，成為推動經濟增長范式轉變的核心動力。這一過程中，政策、技術與資本的多維合力顯得尤為重要。

政府層面，建議進一步加強政策統籌與資源引導，持續完善人工智能發展頂層設計。在當前“人工智能+”戰略穩步推進的基礎上，可以加快推動中長期發展規劃出臺，并結合重點行業實際需求，設立專項基金、推進智算中心布局、完善數據要素市場機制。同時，可以考慮在跨部門數據共享、公共數據開放等方面出臺更具操作性的配套措施，以助力企業更高效地獲取訓練資源、實現模型落地。此外，人工智能發展仍面臨倫理治理、法律邊界等挑戰，可以加強相關立法研究和行業指引，推動形成更清晰、更透明以及可執行的政策環境。

企業層面，應主動對接國家戰略，加快推進AI與關鍵場景融合，在制造、醫療、交通、能源等領域深入開展系統化試點。龍頭企業可以強化引領作用，投入關鍵技術研發和開源生態建設，中小企業則可依托產業聯盟與孵化平臺，加快技術采納，提升落地效率。通過場景驅動、技術牽引，推動形成“技術—產業—市場”的閉環創新。

金融機構層面，建議構建更具適配性的投融資支持體系，推動金融工具與人工智能產業的深度對接。在現有科技金融政策框架下，可探索知識產權質押、數據資產估值、AI風險保險等創新方式，有效緩解早期項目融資難題。同時，鼓勵設立人工智能主題基金，進一步暢通資本進入實體科技的通道，增強金融對新質生產力的支持能力。

文章來源于“第一財經”

責任編輯：劉菁波