应用科技行业人工智能（AI）技术与应用全景：从基础理论到行业实践

用户投稿 2025年11月30日 02:08:01 87 0

人工智能（AI）技术与应用全景：从基础理论到行业实践

顾建文

一、AI 基础概念：定义与核心要素

（一）AI 的跨学科本质与核心目标

人工智能（Artificial Intelligence, AI）是一门融合计算机科学、统计学、脑神经科学和社会科学的前沿综合性学科。其核心目标是赋予机器类似人类的智力能力，实现识别、认知、分类和决策等功能，进而替代或辅助人类完成复杂任务。从技术演进看，AI 经历了从规则驱动的符号主义、数据驱动的连接主义，到当前大模型驱动的生成主义的范式变革，形成了以机器学习、深度学习、大模型、生成式 AI 为核心的技术体系。

（二）核心要素：算力、算法、数据的协同共生

AI 的发展依赖三大核心要素，三者构成技术落地的铁三角：

算力：智能计算的引擎 算力是计算设备执行算法的速度与效率，直接决定 AI 系统的处理能力。从早期的 CPU 单核计算，到 GPU 并行计算、TPU 张量处理单元，再到异构计算架构（CPU+GPU+FPGA+ASIC），算力技术持续突破。典型应用包括数据中心的大规模模型训练、边缘计算的实时推理、高性能计算（HPC）的科学模拟等。例如，华为昇腾芯片通过达芬奇架构实现高算力密度，支撑千卡级大模型训练集群。算法：智能的灵魂 算法是处理数据并学习规律的指令集合，是 AI 实现功能的核心逻辑。从传统机器学习算法（如决策树、支持向量机）到深度学习（CNN、RNN、Transformer），再到生成式 AI 算法（如 GPT、Diffusion Model），算法不断演进。例如，自然语言处理（NLP）领域的 BERT 模型通过双向 Transformer 架构提升语义理解能力，计算机视觉（CV）领域的 YOLO 算法实现实时目标检测。数据：智能的燃料 数据是现实世界的数字化映射，是 AI 训练的基础资源。数据的质量（准确性、完整性）、规模（百万级到万亿级样本）和多样性（文本、图像、视频、传感器数据）直接影响模型性能。例如，自动驾驶训练需要数千万帧标注图像，医疗 AI 依赖百万级病历数据。同时，数据隐私保护（如联邦学习、差分隐私）和合规治理成为关键挑战。

三者关系可类比为 “汽车运行”：算力是引擎，数据是燃料，算法是引擎运行的规则。缺乏任一要素，AI 系统都无法高效运转。

（三）类比理解：从人类学习到 AI 学习

AI 的学习逻辑与人类技能培养具有相似性。以舞蹈学习为例：

人类学习舞蹈 ：通过基本功训练（如力量、速度、肢体协调）掌握动作规则，经反复练习形成肌肉记忆，最终在舞台表演中实现技能变现。AI 学习逻辑 ：通过海量数据训练（如图像标注、文本分词）学习规律，经模型优化形成算法能力，最终在场景推理中完成任务（如人脸识别、文档生成）。这种类比揭示了 AI 的本质：通过系统训练实现从 “知识获取” 到 “能力输出” 的转化。

二、发展历程：从感知到生成的跨越

（一）概念起源与早期探索（1956-1980s）

1956 年达特茅斯会议首次提出 “人工智能” 概念，奠定符号主义研究范式，代表成果包括逻辑理论家（LT）程序和通用问题求解器（GPS）。这一时期，AI 聚焦于数学定理证明、下棋等特定领域，但受限于计算能力和数据规模，发展陷入 “AI 寒冬”。

（二）机器学习崛起与感知智能突破（1990s-2010s）

符号主义与统计学习并行 ：1997 年 IBM 深蓝击败国际象棋世界冠军，展现符号主义在规则明确场景的优势；同期，统计学习（如 SVM）推动手写识别、语音识别等应用落地。深度学习革命 ：2012 年 AlexNet 在 ImageNet 图像识别大赛中以远超人类的准确率（Top-5 错误率 15.3% vs 人类 5%）掀起深度学习浪潮。卷积神经网络（CNN）、循环神经网络（RNN）成为视觉和语言处理的核心技术，推动 AI 从 “规则驱动” 转向 “数据驱动”。

（三）生成智能爆发与通用 AI 探索（2020s 至今）

生成式 AI 爆发 ：2020 年 GPT-3（1750 亿参数）通过零样本文本生成震惊学界，2023 年 GPT-4 实现多模态理解（文本 + 图像），Sora 工具实现文本生成视频，标志 AI 从 “感知理解” 迈向 “生成创造”。国产化大模型崛起 ：2023 年 5 月，DeepSeek（深度求索）成立并开源代码模型 DeepSeek-Coder，2024 年 11 月发布 DeepSeek-V3（6710 亿参数），训练成本仅 558 万美元（约为行业平均的 1/10），性能超越 Llama 3.1 和 Qwen 2.5，接近 GPT-4 水平。截至 2025 年，其日活用户突破 2000 万，接入微软、英伟达、华为云等全球云服务商，成为国产大模型标杆。

（四）技术跃迁的底层逻辑

AI 发展呈现 “迭代式跨越” 特征：

专用领域 ：聚焦单一任务（如视觉识别、语音合成），依赖领域数据和定制算法。通用领域 ：通过大模型（L0 层）实现跨领域迁移学习，经行业微调（L1 层）和场景适配（L2 层）落地千行百业。例如，DeepSeek-R1 大模型通过一次预训练，可快速适配政务问答、医疗诊断、工业设计等场景，大幅降低开发成本。

三、技术架构：训练、推理与大模型体系

（一）AI 的 “双态” 技术流程：训练与推理

训练阶段（开发态）：知识工厂 目标：通过海量数据学习 “规则”，形成模型 / 算法。流程：数据预处理 ：清洗、标注、特征工程（如文本分词、图像归一化）。模型训练 ：选择算法（如 Transformer），设置超参数，通过反向传播优化模型参数。性能调优 ：通过交叉验证、模型压缩（如量化、蒸馏）提升泛化能力和部署效率。技术分层：L0 层 ：通用大模型（如 DeepSeek-V3、GPT-4），具备跨领域基础能力。L1 层 ：行业大模型（如政务大模型、医疗大模型），基于 L0 层微调，融入行业知识。L2 层 ：场景化模型（如智慧港口作业计划模型、工业质检模型），针对具体任务优化。推理阶段（生产态）：价值变现 目标：利用训练好的模型完成具体任务。核心场景：海量重复场景 ：如物流单录入、内容审核，通过 AI 替代人工，提升效率 90% 以上。专家经验场景 ：如工艺优化、医疗诊断，将专家知识编码为算法，实现专业传承。多域协同场景 ：如智慧城市交通管理、智慧机场机位优化，通过跨系统数据融合实现全局最优解。类比说明：训练如 “人才培养”（系统学习知识），推理如 “上岗工作”（应用知识解决问题），模型评估相当于 “考试”，场景部署相当于 “岗位适配”。

（二）大模型的技术壁垒与生态构建

参数规模与训练成本 大模型性能随参数规模呈指数级提升，但训练成本也急剧增加。例如，GPT-3 训练成本约 4300 万美元，而 DeepSeek-V3 通过高效并行训练和算法优化，将 6710 亿参数模型的训练成本控制在 558 万美元，展现国产化技术突破。工程化能力：从训练到部署的全栈优化算力调度 ：分布式训练框架（如华为昇思 MindSpore）实现千卡级集群协同，缩短训练周期。模型压缩 ：通过剪枝、量化、蒸馏技术，将大模型体积压缩 10-100 倍，适配边缘设备。推理优化 ：异构计算架构（如 CPU+NPU）提升推理速度，华为 CANN 芯片实现模型推理延迟低至毫秒级。生态合作：技术外溢与场景落地 大模型厂商通过开源（如 DeepSeek 开源代码模型）、API 调用（如微软 Azure 接入 DeepSeek）、行业联合（如华为与政务、医疗客户共建解决方案）构建生态。例如，DeepSeek 与华为云合作，为政务客户提供 “智能导办 + 公文生成 + 舆情分析” 一站式服务，覆盖 12345 热线、政策解读等 20 + 场景。

四、应用领域：多行业场景落地

（一）机器视觉（CV）：从感知到决策的全链条赋能

机器视觉通过摄像头、激光雷达等设备获取图像数据，结合算法实现 “看” 与 “理解”，广泛应用于：

工业质检 ：AI 摄像头替代人工检测，通过 YOLO 算法识别产品缺陷，准确率达 99.5%，效率提升 5 倍以上。例如，某汽车工厂部署 AI 质检系统后，缺陷漏检率从 0.3% 降至 0.05%。自动驾驶 ：华为 ADS 2.0 通过激光雷达与 GOD 网络，实现 “有图无图都能开”，城区导航成功率超 99%，紧急避障响应时间 < 0.1 秒。2023 年问界 M7 等车型成为市场爆款，预订量超 12 万台。内容审核 ：社交媒体通过 CV 算法识别违规图像 / 视频，实时拦截色情、暴力内容，准确率超 98%，降低人工审核成本 70%。

（二）自然语言处理（NLP）：重构人机交互与知识管理

NLP 赋予机器理解和生成自然语言的能力，推动办公、政务、教育等领域变革：

智慧办公 ：DeepSeek 集成到 Office/WPS 后，可根据 Word 文档一键生成 PPT，自动提取 Excel 数据生成可视化图表，邮件分类管理效率提升 60%。微软 Copilot 付费用户已超 100 万，展现商业价值。政务服务 ：12345 热线接入 AI 助手，通过语音识别和意图分类，自动解析市民诉求，派单准确率从 70% 提升至 92%；智慧公文撰写系统基于政务大模型，生成政策文件效率提升 80%。教育领域 ：AI 学习助手根据学生作业数据生成个性化学习方案，智能教学评价系统通过文本分析评估教师授课效果，某试点学校学生成绩提升率达 15%。

（三）决策优化：从效率提升到科学决策

决策优化通过算法模拟不同场景，辅助人类做出最优选择，应用于金融、物流、医疗等领域：

金融风控 ：AI 模型分析用户消费记录、社交数据等数千维度特征，实现信贷风险预测准确率提升 40%，某银行不良贷款率从 2.3% 降至 1.8%。供应链优化 ：通过强化学习算法优化物流路径，某电商平台仓储配送成本降低 12%，订单履约时效提升 20%。医疗诊断 ：DeepSeek 医疗大模型分析 CT 影像和病历数据，辅助诊断肺癌准确率达 97%，接近资深医师水平；药物设计领域，AI 通过分子生成算法加速新药研发，周期从 5 年缩短至 18 个月。

（四）行业案例：DeepSeek 的场景化实践

政务领域 ：智能导办：通过多轮对话引导市民完成政务办理，覆盖社保查询、户籍迁移等 50 + 事项，用户满意度提升至 95%。舆情监测：实时分析社交媒体数据，生成热点事件报告，响应速度从 2 小时缩短至 10 分钟。工业领域 ：工艺优化：基于工业大模型分析生产参数，某钢厂钢材合格率从 88% 提升至 95%，年增效超亿元。设备预测性维护：通过传感器数据训练时序模型，提前 7 天预警设备故障，维护成本降低 30%。文旅领域 ：智能导游：AR 眼镜结合大模型，实时讲解景点历史文化，覆盖全国 5A 级景区，游客停留时间延长 20%。宣传文案生成：输入景点关键词，自动生成小红书爆款文案，阅读量提升 3 倍以上。

五、前沿案例：DeepSeek 大模型实践

（一）发展历程：从开源到生态的跨越式增长

技术起点（2023-2024） ：2023 年 5 月，DeepSeek 由对冲基金幻方量化孵化成立，首开源代码模型 DeepSeek-Coder，宣称逻辑推理能力比肩 OpenAI O1。2024 年 11 月发布 DeepSeek-V3，参数规模达 6710 亿，训练成本仅为行业 1/10，性能超越 Llama 3.1 和 Qwen 2.5，成为国产大模型标杆。生态爆发（2025） ：用户规模：上线 7 天注册用户破亿，日活超 2000 万，全球下载量近 4000 万，覆盖 165 个国家。企业合作：微软、英伟达、亚马逊等国际巨头接入，华为云、阿里云等国内厂商同步集成，形成 “通用大模型 + 行业解决方案” 的生态体系。

（二）核心能力：从基础推理到多模态生成

逻辑推理与代码生成 ：在数学解题、算法优化等任务中表现优异，某高校测试显示，其数学推理正确率达 89%，代码生成效率比人工提升 50%。与腾讯混元合作推出 “AI 全智能聊天对话问答助手”，支持代码调试、实时问题解决。多模态生成能力 ：文生图 / 视频 ：与即梦 AI 合作，输入 “立春” 等关键词，自动生成清新自然风格海报，支持手绘、扁平化等多种设计；与剪映联动生成短视频，3 天内全网应用达 3000+。3D 模型设计 ：结合 Tripo 工具生成工业零件模型，设计周期从 2 周缩短至 3 天，某汽车厂商用于原型设计，成本降低 40%。行业深度赋能 ：医疗场景 ：解析电子病历生成诊断摘要，辅助医生阅片时间减少 60%；与医院合作开发 “智能辅助诊断系统”，覆盖糖尿病、肺癌等 10 种常见病。教育场景 ：为高校提供 “AI 教学助手”，自动生成课件、批改作业，某试点班级教师工作量减少 35%，学生参与度提升 28%。

（三）技术优势：低成本、高效率的国产化路径

训练效率突破 ：采用混合精度训练、动态自适应并行等技术，将 6710 亿参数模型训练周期压缩至 55 天，成本仅 558 万美元，较同类模型降低 90%。轻量化部署 ：开源多个小型模型（如 DeepSeek-R1-Lite），支持终端设备本地推理，功耗比云端降低 80%，适配手机、AR 眼镜等边缘场景。安全合规 ：通过联邦学习实现 “数据不出域”，满足政务、医疗等行业的隐私保护需求；参与制定《生成式 AI 伦理规范》，确保算法透明性和可解释性。

六、未来趋势：算力革命与产业变革

（一）算力革命：推理需求爆发与技术创新

推理算力需求激增 ：随着大模型应用加速落地，2025 年推理算力需求将迎来指数级增长，预计是训练算力的 10-100 倍。边缘推理（如自动驾驶、智能终端）和云端推理（如企业级应用）形成双轮驱动。技术方向 ：异构计算 ：CPU+GPU+NPU + 光子芯片协同，华为昇腾 910B 芯片算力达 320TOPS，支持千卡集群动态调度。量子计算 ：量子神经网络（QNN）有望突破经典计算瓶颈，谷歌 Sycamore 量子处理器已实现 53 量子比特计算。绿色计算 ：液冷技术、可再生能源应用降低数据中心功耗，某 AI 园区 PUE 值降至 1.05，年省电量超 1 亿度。

（二）产业重构：AI 融入 50%+ 行业核心场景

制造业 ：从 “自动化” 迈向 “智能化”，AI 质检、预测性维护、工艺优化成为标配，预计 2027 年全球智能制造市场规模超 3000 亿美元。医疗行业 ：AI 辅助诊断、药物研发、健康管理全面渗透，2025 年 AI 医疗市场规模将达 600 亿美元，基层医院误诊率有望降低 50%。教育领域 ：个性化学习、智能教学、虚拟实验室成为趋势，AI 教育市场年复合增长率超 20%，教师角色从 “知识传授者” 转向 “学习设计师”。政务服务 ：智慧审批、精准治理、舆情应对等场景深化，2026 年全球智慧政务市场规模将达 1200 亿美元，办事效率提升 70% 以上。

（三）人机协同：从辅助工具到生产力标配

未来 AI 将成为 “数字员工”，与人类形成 “增强型协作”：

创意领域 ：AI 生成设计初稿，人类优化情感表达（如广告文案、影视剧本）。科研领域 ：AI 分析海量文献，提出研究假设，科学家聚焦实验验证（如材料科学、基因编辑）。管理领域 ：AI 处理数据报表、风险预警，管理者专注战略决策（如企业运营、城市治理）。正如马斯克所言：“无人驾驶是 AI 的技术难度顶峰，而人机协同是产业落地的终极形态。”

（四）伦理与安全：构建可信 AI 生态

数据隐私 ：欧盟《AI 法案》、中国《生成式人工智能服务管理暂行办法》等法规强化数据合规，联邦学习、安全多方计算（MPC）成为技术标配。算法透明性 ：开发 “可解释 AI”（XAI）工具，通过注意力可视化、因果分析等手段，让用户理解模型决策逻辑。AI 治理 ：建立跨行业伦理委员会，制定技术标准（如自动驾驶安全规范、医疗 AI 误诊追责机制），确保 AI 可控、可靠、可预期。

七、总结与展望：AI 驱动的新质生产力革命

（一）核心价值：通用技术的产业赋能

AI 是继电力、互联网之后的第三次通用技术革命，其价值体现在：

效率革命 ：替代重复性劳动，提升决策科学性（如工业质检效率提升 5 倍、金融风控准确率提升 40%）。创新跃迁 ：开拓人类能力边界（如蛋白质结构预测、深空探测数据分析）。普惠效应 ：降低技术使用门槛（如无码开发平台让业务人员快速构建 AI 应用）。

（二）落地路径：从场景试点到全栈整合

高校和企业推进 AI 落地通常遵循 “三阶六步” 模型：

初阶（无码开发） ：业务人员通过预制模板快速搭建简单应用（如智能客服、数据报表生成）。中阶（低码开发） ：开发人员利用 RAG（检索增强生成）等工具微调模型，适配特定流程（如合同审核、库存管理）。高阶（高码开发） ：AI 工程师构建定制化大模型，融入核心业务系统（如智能供应链、精准医疗平台）。

（三）未来展望：人机共生的智能时代

AI 的终极目标不是替代人类，而是形成 “人类智慧 + 机器智能” 的协同范式。正如华为总结：“AI 是新质生产力的核心引擎，它将重塑产业格局，让每个组织和个人都能享受智能红利。”站在 2025 年的时间节点，我们正见证 AI 从实验室走向产业深处，从辅助工具变为变革核心。未来已来，唯有拥抱智能，方能在浪潮中引领创新。

结语：人工智能的发展历程，是人类对智能本质的持续探索，也是技术与产业的共振进化。从 DeepSeek 的开源破局到华为昇腾的算力布局，国产化 AI 正以 “低成本、高效率、强生态” 的路径崛起。面对这场智能革命，企业需聚焦场景价值，高校需强化人才培养，社会需完善治理框架，共同驶向人机协同的未来。

精彩回顾｜科技行业迎来DeepSeek时刻：AI应用加速带来的影响、机遇与挑战

21世纪经济报道记者申俊涵北京报道

今年以来，DeepSeek凭借其创新的架构设计、低成本高效能的技术路线，成为全球科技圈、创投圈关注的焦点。DeepSeek的强势崛起，也让AI赋能千行百业加速实现。

3月31日，由21世纪经济报道联合清华大学经济管理学院高管教育中心主办、星能资产协办的“科技重构价值——2025年股权投资春季论坛”，在清华大学成功召开。

在“科技行业迎来DeepSeek时刻”的圆桌对话环节，来自学界、业界、投资界的多位嘉宾，共同探讨DeepSeek对科技行业带来的影响与投资机遇，AI技术在人形机器人、医疗健康等领域的应用情况，以及AI应用带来挑战的应对策略。

DeepSeek崛起展现中国式创新后发优势

“在新能源汽车和大模型领域，中国都展现出了后来居上的态势。例如今年DeepSeek的异军突起，让大家看到了中国差异化发展路线的机会。在商业航天领域，中国企业其实也有着类似的发展趋势。”银河航天战略合作总经理初肖洁分享说。

他指出，经过几十年的发展，在传统航天领域中国已经有机会与美国并驾齐驱。但在最近5—10年，美国以SpaceX为代表的商业航天公司，从技术到产业都给行业带来了颠覆式创新。

银河航天作为我国商业航天领域的独角兽领军企业，近年来对标全球领先水平开展了大量的技术和产业创新，积极助推中国商业航天发展。例如，正在加快研制发射新一代手机直连卫星，迎接6G天地一体化时代的到来。

芯能创投管理合伙人裴婉辰认为，DeepSeek的伟大之处并不是在于它的训练模型成本会比ChatGPT低很多，而在于它拉齐了中国各个阶层的浅层认知。人们对于不清楚的事情通过DeepSeek搜索，即刻会得到智能搜索整合后的综合性答案。但DeepSeek带来的只能是浅层认知而非深层认知，因为它收集的是公开信息，有一定的滞后性。并且，深度认知需要人靠自己的理解再去做后续的判断。

她还谈到，其实在DeepSeek成立之初，芯能创投团队就已经关注到公司。当时错过投资DeepSeek主要有两点原因：一是DeepSeek的确不缺钱，幻方提供的资金足以支持公司去研发成本相对较低的大模型；二是在2022年ChatGPT推出后，全世界出现了成百上千家大模型公司。在这么多大模型公司中，去押注判断量化出身的DeepSeek能够跑出来，对投资人来说是非常大的考验。

值得注意的是，在AI大模型产业链的上游，芯能创投对沐曦集成电路进行了投资。裴婉辰介绍称，在产业链上游，团队几乎跟国内所有做GPU芯片的公司都进行过深入的访谈和尽调，最终选择投资沐曦。

她认为，沐曦很早就跟浙江大学进行联合研究开发，攻坚国产高性能GPU核心技术，打造本土化GPU供应链和完整的应用生态，这为公司的发展带来差异化优势。特别是DeepSeek横空出世之后，沐曦技术团队迅速响应，在开源当天完成了与沐曦GPU的适配工作，并均部署在国产沐曦曦云GPU上，这使得沐曦GPU成为首个完成适配的国产芯片。加上沐曦与联想合作，以“联想服务器/工作站+沐曦训推一体国产GPU+自主算法”为核心架构，发布首个国产DeepSeek一体机解决方案，这既标志着沐曦在国产AI生态布局上迈出了重要一步，也显示了本土企业在大模型及AI领域持续创新的坚定决心。沐曦在这场国产化AI基础设施的创新突破中，正为千行百业的智能化转型注入新动能。

灵宝CASBOT联合创始人兼COO张淼指出，机器人行业的具身大模型跟人们常见的DeepSeek、ChatGPT、豆包大模型存在较大的差异。并不是说把大模型直接拿来，就可以联动部署在机器人上，那样做只能得到一个“人形音箱”，而不是能够作业的机器人。

具身大模型在训练过程中，会采用虚实结合的数据训练方法。在虚拟仿真环境中训练出来的模型，迁移到真机上直接做推理会有不错的表现，但还是会存在一些GAP。面对这样的情况，团队会在机器人作业任务现场针对特定情况，补充真实场景的作业数据，通过虚实结合的混合训练，点对点提升具身大模型的可用性和机器人的作业能力。

张淼明显感觉到，今年，机器人领域的各种产品技术进入逐步成熟和落地的状态。在商业化层面，灵宝的机器人产品在B端应用于工业制造、应急救援、井下作业等多种场景，今年将进行小规模量产。在C端，由于相关政策法规和行业标准还在制定中，公司目前主要通过B2C的方式让机器人跟公众产生交互。

医疗领域AI应用正加速实现

随着科技行业迎来了DeepSeek时刻，医疗行业的AI应用也在加速实现。一脉阳光执行董事兼副总经理李飞宇指出，医疗影像核心是做好两件事，一是影像数据的采集和生成，二是影像数据的分析和判读。DeepSeek可以通过对多模态的影像大数据进行深度学习，有效提升影像数据的分析效率和诊断效能。

比如，肺结节筛查用做的胸部CT扫描，生成的图片有100多张，如果用影像医生的肉眼去看图像，效率是很低的。而且对于只有几毫米的肺结节，很容易遗漏掉。有了DeepSeek等相关影像AI的工具，可以通过对图像快速深度的剖析，敏锐发现那些被肉眼容易忽视掉的微小病灶。

DeepSeek也推动了影像设备+AI服务的商业模式落地，让影像设备硬件厂商在产品销售后，可以通过卖AI服务获得持续性的业务收入。同时，DeepSeek等AI工具可以辅助生成结构化报告，有效帮助影像数据实现标准化、规范化，从而提升影像数据的质量，这也催生了医疗数据的交易和授权服务的诞生。

鱼跃医疗副总经理、战略与市场部总裁郑洪喆指出，以DeepSeek为代表的AI技术，展现出很强的对于多模态数据的处理能力，可以在家用医疗器械领域实现很好的应用。

鱼跃医疗主要聚焦在呼吸、高血压、糖尿病这三大慢病，这三类慢性疾病往往是交叠在一起，数据也是综合性的。鱼跃在不断通过现在新技术，给常规的单点数据增加更多的维度数据。比如公司积极在研发医疗级可穿戴设备，可以监测到人日常的运动水平、代谢水平，睡眠、心率、血氧，压力及情绪数据综合起来，再叠加血压、血糖、呼吸睡眠情况，更能综合性地反映出个体的综合情况。由此，可以优化数据的准确性。

第二，家用医疗器械产生很多数据后，老百姓个体很难去解读，需要解决如何让专业复杂的个体数据更容易理解和使用问题。人工智能恰恰具备针对这些个体居家的数据信息应用和发挥价值的巨大潜力。从这个角度来看，未来人工智能在部分领域，如健康管理师、营养师、运动康复师等技术岗位，能够发挥出重要辅助功能甚至部分替代的潜力。比如在居家场景，为人们提供综合健康管理、营养管理、运动健康方面的非诊断性的建议，帮助优化生活状态。

AI技术的应用也会带来一些挑战，比如幻觉问题、数据安全问题等。李飞宇认为，数据安全性是AI应用后不可回避的一个话题，尤其是医疗数据更具有敏感性。DeepSeek这种AI工具的训练，需要大样本量的患者资料，包括个人信息、临床情况、影像数据等。这些信息一旦出现泄露，会对患者的权益和隐私造成一定的损害。

“影像数据的存储、传输、使用过程中，要保证安全性和保密性。我们一直遵照着国家的法规，通过数据脱敏以及各种技术方面的处理，让数据既能够被使用，又能够合法合规、保证安全性。”李飞宇说。

作为本场圆桌的主持，清华大学经济管理学院管理科学与工程系教授、系主任卫强总结称，今天论坛的主题是“科技重构价值”，但科技再怎么重构价值，还是要对齐人的知识、常识、道德、伦理等。当技术在不同场景下探索时，也要把人的知识嵌入其中，明确哪些事情需要人做，哪些事情需要机器做。“一个真正对人类有用的系统，不是人的完全替代，而是人在更高层面切入和引导，这才是我们真正存在的价值。”他说。

更多内容请下载21财经APP