人工智能浪潮席卷各行业，中国正站在产业转型的关键节点。AI大模型究竟如何重新定义企业的核心竞争力？它为何被视为引发商业和科技变革的关键力量？中国企业如何才能避免陷入“加拉帕戈斯效应”的困局？作为横跨产学研政的变革前沿观察者，阿里云智能集团副总裁、研究中心负责人安筱鹏博士接受了《哈佛商业评论》中文版专访，答疑解惑。他指出，AI大模型不仅是技术突破的代名词，更是深刻的产业革命。对于企业管理者而言，如何应对AI带来的挑战与机遇，不仅是技术竞争，更是战略选择。

在全球范围内，AI大模型被视为新一轮科技革命的引擎，驱动着从数字化到智能化的跃迁。安筱鹏博士认为，AI大模型正通过五种模式深刻重构产业竞争力——产品和服务智能化升级、创新效率提升、AI原生产业的兴起、用户体验与决策优化以及新一代生产力工具的涌现。AI大模型不仅带来了技术层面的突破，还引发了一场人机交互、认知协作与计算范式的深刻革命。

在安筱鹏看来，传统数字技术的应用给生产制造环节带来了更高的生产力效率提升，并由此引发了经济学界的思考、提出“鲍莫尔病”等命题，关注服务业效率提升慢、成本高的问题。但新一轮的AI发展不仅提升了制造业生产力，更重要的是带来了服务业和脑力劳动领域的效率跃升，尤其是律师、医生、教师、研发、创意、设计、代码开发、销售等脑力劳动密集的“白领”领域。这一转变要求企业和行业领导者重思大模型的能力，探索如何借助这些技术提高竞争力。大模型对于服务业的影响尤为深远，以医疗行业为例，AI有可能显著缩小城乡医生服务水平的差距。通过为基层医生提供基于大模型的智能助理，农村和三四线城市医生的医生诊疗水平有望接近一线城市诊疗平均水平，从而提高行业基准。

美国现已涌现出大量垂直领域的大模型应用，比如专注于知识产权案件、刑事诉讼或离婚纠纷的法律智能体。这些垂直模型为法律行业创造了新的生产力工具，提高了行业效率和精准性。类似的情况也适用于其他服务行业，例如银行的高度重复性工作、企业的财务管理，以及零售业的客户服务。软件代码开发智能体成为AI应用的优先领域，2024年美国小企业这一领域获得投资超10亿美元，孵化出了至少6家独角兽企业。安筱鹏认为，AI大模型的助理功能将成为短期内的标准配置，而在长期，它甚至可能接管更复杂的任务，从“协同助手（Copilot）逐步发展为“自动驾驶型决策者”（Autopilot）。

医疗和法律等行业，因其高度依赖专业知识和个性化服务，成为大模型快速渗透的领域。然而在提升效率的同时，AI也带来了风险和挑战。安筱鹏认为，监管和管理的关键在于，将AI视为“专业人士”进行认证和评估。类似于人类驾驶员通过考试获得驾照，AI系统在投入应用前也需要通过严格的测试和认证，确保其达到基础水平的可靠性和安全性。这一逻辑同样适用于其他高敏感领域。例如，法院中的智能判案助手需要符合司法系统的最低要求。通过这种方式，既可以鼓励新技术的应用，又能够在行业中维持安全底线。“在医疗领域，AI助理需要通过严格的认证和测试，以确保其建议的可靠性和安全性。而对于制造业这样的低敏感行业，AI大模型的角色更多地体现在研发设计和运营优化上。”他说。

安筱鹏认为，中国当前所谓的“百模大战”或“十模大战”是一种误导。事实上，真正意义上的通用型AI大模型在国内并不存在如此多的竞争者。基础大模型的开发需要具备数据、资本、算力、人才、技术五个核心要素，这是极高的资源投入标准。通用型基础大模型的本质是跨行业、广适用且能够在全球范围内竞争，对资本、算力和人才的要求极为严苛，美国的基础大模型已快速收敛为5家，3家闭源和2家开源。这是大模型产业发展的内在规律所决定的，例如，在美国，GPT-4的训练成本已达数亿美元量级，而GPT-5的研发投资预计更高。

2024年美国大型科技公司在AI投资规模近3000亿美元之间，其中微软、谷歌、Meta等行业巨头已通过高达5-10万卡的算力集群获得了大模型开发的“入场券”，2024年每家公司在AI上的投资规模在500亿美元左左。而这仅仅全球AI投资竞赛的开始，正如博通总裁兼CEO Hock Tan在2024财年第四季度财报会上所表的：“我们目前有三家超大规模客户，到2027年，他们每家都计划在单一架构上部署100万XPU集群。”“这些企业在基础大模型领域的布局不仅雄厚，还持续在全球范围内推动技术领先。”安筱鹏说。

中国目前具备开发通用型基础大模型能力的企业屈指可数。虽然有些在垂直领域或细分赛道取得了不错成绩，但这类模型更多是基于特定场景的调优，无法与通用大模型在技术深度、适用性和国际竞争力上相提并论。安筱鹏强调，清晰理解基础大模型与行业模型的区别，以及当前中国在全球大模型竞争中的实际位置，对于决策者和产业界至关重要。

未来，中国需要更集中资源在少数真正具备潜力的企业上，推动这些企业在资本、算力、人才和技术上实现全球化突破，从而在基础大模型的开发和应用中获得更大的话语权。在AI大模型产业发展的重大命题上，要清晰的研判什么是假万卡、伪万卡、真万卡，要理性客观的回答超大规模智算集群的三个基本问题，中国建设10万卡集群，为谁建？谁来建？怎么建？

安筱鹏指出，中国AI生态正面临“加拉帕戈斯效应”的隐忧，这种现象源自市场碎片化、私有化部署以及认知局限等多重因素，可能制约AI大模型的发展。他以达尔文在加拉帕戈斯群岛观察到的物种进化现象为喻，形容中国当前的AI大模型发展如同孤立的小生态系统：各自为战、独立发展，却难以形成具有全球竞争力的技术和市场格局。相比之下，美国企业已经通过“公共云+平台化”的模式建立起高度集约化、标准化和全球化的商业生态，推动AI技术在更大范围内的应用与迭代。能不能基于领先的大模型能力构建可持续商业化闭环，才是观察中美大模型差距的核心特征。

在安筱鹏看来，加拉帕戈斯效应的核心问题不在于模型的生产能力，而在于市场端的交付和运营模式。他指出，中国许多AI企业受限于甲方的需求，选择私有化部署大模型，将技术和算力局限在单一场景或孤立项目中。这种做法不仅增加了运营成本和资源浪费，还导致市场进一步碎片化，削弱了产业的协同和规模效应。相较之下，美国企业更多依托公共云部署，通过集中化的资源管理和高效的运营模式，为AI技术创造了可持续的商业闭环。“没有真正的大市场，就像孤立的小湖泊，而非孕育鲸鱼的深海。这种市场结构限制了大规模创新企业的涌现和可持续发展，使得大模型产业难以形成全球化竞争的闭环。成功的商业闭环需要三大关键要素：技术的先进性、产品化的清晰路线以及有效的商业模式和回报。只有这些因素能够高速持续迭代，产业才能健康发展。这种转变需要政策制定者、企业管理者和技术开发者共同努力，以更开放、更协同的姿态推动中国AI大模型产业在全球竞争中崭露头角。”他说。

安筱鹏认为，中国企业若想避免“加拉帕戈斯效应”，就必须从供给侧和需求侧双向改革。从供给侧看，中国需要集中资源在少数有潜力的企业上，发展统一的公共云平台，推动大模型的广泛适用性和技术迭代。从需求侧看，则需要通过政策引导和市场教育，改变甲方的认知和需求结构，逐步建立对公共云部署的信任，破除“私有化”带来的安全性误区。公共云具备完整且灵活的安全解决方案，可以满足企业多样化的需求，公有云上为用户提供的逻辑隔离的计算、存储和网络服务。私有云好比自己家里的私厨，所有的食材、工具自己买，自己炒，安全性完全自己负责。而公共云好比去“新型餐厅”用餐，为就餐客户提供单独的厨房和餐厅，客户可以根据需求选择自己喜欢的菜肴，并在独立的、看不见其他人、也不会被其他人看到的包间内用餐，所有的安全都是有保障的。如果需要进一步提升安全性，也可自己持有包间门的钥匙，在包间安装“监控摄像头”，记录和审计所有数据流动，让每一个比特的流动都可被监控，并通过第三方认证来增强信任。他说。

什么是数字化？1995年尼葛洛庞帝的《数字化生存》（Being Digital）启蒙了一代互联网人。数字化是将现实世界的信息（人可以理解）转换为计算机可以处理的以0、1表示（比特，bit）的数字的过程。如果说数字化（Digitalization）是将原子转换为比特的过程，那么AI时代智能化对应的关键词是什么？是Tokenization。

安筱鹏通过详尽的分析，指出AI大模型成功的背后离不开Tokenization这一关键技术，它是数字化到智能化的核心桥梁。数字化的本质是将物理世界的“原子”转化为“比特”，即通过二进制代码进行数字化表达，从而实现信息的存储、传递和利用。这种转变彻底改变了信息的流通方式，创造了新商业模式。互联网繁荣的本质在于信息的精准匹配，这种能力正是基于比特流通效率的提升。

而智能化不仅停留在对物理世界的数字化，而是在此基础上，对数据进行更深层次的加工和表达。通过Tokenization，实现对语言、图像、视频、时序数据、蛋白质结构甚至物理信号进行处理，并实现向量化，实现了信息的从“数字化表达”到“数学化表达”，并通过海量数据训练出一个大模型，基于大模型生成精确的预测乃至决策。这一技术的应用领域极为广泛，从语言理解到蛋白质结构预测，再到视频处理和化学分子解析，Tokenization已经成为“万物皆可智能化”的基础能力。“例如，在制造业中，机器振动信号等（时序数据库）可以通过Tokenization转化为AI可以训练、理解、预期的数据，帮助企业实现预测性维护，降低生产成本。Tokenization让万物皆可被建模和优化，这是AI技术的真正力量所在。”安筱鹏说。

从“比特”到“向量”的跃升，不仅重新定义了数据的处理方式，也为AI原生智能硬件的崛起奠定了基础。在探讨AI大模型的实际应用时，安筱鹏指出，智能硬件产业已经成为大模型竞争的核心战场之一。从智能手机、智能眼镜到智能座舱，大模型通过标识化实现了对用户意图的更深层次理解，使人机交互从“点按模式”向“语音指令”快速转变，其核心是AI实现了对人的意图理解。例如，通过大模型赋能的智能助手，用户可以通过自然语言表达订票、购物等复杂需求，智能设备则能快速响应并执行任务。这不仅大幅优化了用户体验，还为硬件厂商提供了介入流量分发的新机会。

安筱鹏强调，未来智能硬件领域的竞争已经从单纯的硬件性能对比，转向对流量分发权的争夺。大模型技术赋能的硬件厂商正通过深度整合语音交互和AI 技术，重新争夺流量分发主动权。以智能手机厂商为例，可以通过大模型，将用户意图的表达提前到设备层，直接决定流量的归属，从而在与应用程序之间的竞争中获取更多优势。这一变化不仅可能重塑硬件行业的竞争格局，还将影响流量主导的商业模式，从根本上撬动科技企业的市值增长逻辑。

他还指出，大模型和智能硬件的结合，正在催生全新生态系统。从盲人辅助设备到健康管理工具，从虚拟现实眼镜到车载智能系统，智能硬件的应用场景不断扩展，从“锦上添花”走向“不可或缺”。尤其在中国，智能硬件产业展现出强大的创新活力，成为 AI 技术落地的重要载体。这种生态的形成不仅有助于巩固中国在智能硬件领域的竞争优势，还将为全球智能化升级树立标杆。

总体而言，从数字化到智能化的转型路径中，Tokenization是基础，而智能硬件是场景化应用的关键。传统企业的管理者需要深刻理解这一趋势，积极拥抱标识化的数智能力，同时将其与智能硬件创新紧密结合，构建更具竞争力的业务生态。这种双管齐下的策略，将为企业在AI时代立于不败之地提供关键支持。