AI分水岭已至：从“会说”的模型，到“会干”的生产力

[ 智洞察 ] AI分水岭已至从“会说”的模型，到“会干”的生产力 以“人工智能+”驱动金融服务范式跃迁 模型技术下一站：多模态融合、世界模型与具身智能新华三企业全域智能体：技术解构与工程化落地范式[ P29 ][ P58 ] CONTENTES/目录 总第 35 期 智洞察 0103AI分水岭已至：从“会说”的模型，到“会干”的生产力以“人工智能+”驱动金融服务范式跃迁 主办新华三集团数字化领航手机阅读 编委会成员 张弢/刘新民/杨玺/曾富贵 前沿技术 本期顾问 高书葆至顶传媒副总经理、首席技术官 06122025293440大模型仿真技术研究与实践AI Agent技术栈拆解：从“LLM大脑”到“自主规划与执行”大模型应用的最后一公里：RAG与Fine-tuning的技术对比与企业级落地策略大规模AI推理部署与高并发挑战：Prefill/Decode分离及Serving架构深度优化模型技术下一站：多模态融合、世界模型与具身智能计算熵与范式共生：AI基础软件栈的演进逻辑与异构融合路径构建可落地（场景化）MaaS平台的技术研究 本期编辑/ 徐姗姗 版权声明 本刊所有文章除注明转载外，版权归新华三所有。欢迎转载，请注明出处。 免责声明 虽然新华三试图在本资料中提供准确的信息，但不保证本资料的内容不含有技术性误差或印刷性错误，为此新华三对本资料中信息的准确性不承担任何责任。 任何意见或建议，欢迎与本刊编辑部联系。 投稿信箱 techonline@h3c.com 创新应用 45505558636872768188929699102105AI赋能“滨小治”，重构基层治理生态系统AI智能体赋能行业智慧化转型：电网项目落地实践与可复制经验新华三×奇瑞汽车：灵犀数字园区解决方案打造高品质制造企业园区网新华三企业全域智能体：技术解构与工程化落地范式RAG知识库技术与新华三工程实践从工具赋能到范式革命 ——“AI for Science” 重塑科学发现新图景智变2026：解码视频应用层AI化路径与未来场景重构AI破局印包排产困局：工业互联网时代的排产调度技术革新城轨数据分析智能体赋能关键业务智慧升级深入基层减负创新：一站式AI赋能湖北某供电公司智能虚拟调度员实践源启·数字构建平台建设实践：打造高效一体化金融研发工具链基于医学场景微调大模型的代谢性疾病出院智能开药实践AI赋能校园网络：高校智能运维体系的探索与展望技术赋能教育治理跃迁：新华三教育智能体的工程实践与价值重构从效率提升到能力迭代：品牌营销数字内容创作的AIGC探索与实践之路 AI分水岭已至：从“会说”的模型到“会干”的生产力 新华三集团高级副总裁、解决方案部总裁曾富贵 过去两年，AI持续升温，几乎每隔一段时间，市场就会迎来一轮新的情绪高点。但若回头审视，也必须承认一个现实：AI的热闹，并不等于它已经真正进入了组织和业务中。很多时候，它改变的是搜索与信息获取的方式，却尚未实质性改写社会的生产方式。 真正的门槛，不在模型，而在行业经验 今天，智能体调用浏览器、文件系统、搜索、截图、代码执行等工具，已经不再是难事。但在真实业务中，真正的难点在于：需要获取什么信息，如何处理这些信息，如何将它们串联成一套可执行的流程，以及如何把行业专家的判断注入其中。对产业客户而言，这恰恰是AI落地最关键、也最容易被低估的一道门槛。 真正的变化，出现在2025年下半年，如同一道分水岭，行业对AI的判断开始发生转变。关注点不再只是模型“厉不厉害”、跑分“高不高”，而是智能体究竟“管不管用”。大家不再只看它“能不能讲话”，而是看它“能不能干活”。过去那个停留在实验室里的“高材生”，开始被要求走进真实业务场景，成为能够交付结果的“数字员工”。 以招投标场景为例，围绕一项具体业务，往往涉及国家法律法规、地方政策制度、行业规章以及主管部门指导意见，仅政策汇编就可能有几十本。拥有这些文件，并不意味着能够执行业务。决定业务能否运行的，是对规则的理解、对流程的梳理、对边界条件的约束，以及能否把这些内容转化为智能体可以理解、可以执行的表达。 至 此A I才 真正走进产业现场，进入报销、面试、 营销、投研等高频办公场景，也深入到招投标审核、人力管理、电力调度、采购合规等更复杂的业务流程。在这些场景中，AI的价值不再只是回答问题、提供建议，而是能够端到端地完成任务，把原本属于个人的通用能力，转化为组织可调用、可复用的专项能力。 也正是在这个意义上，Skill这个概念变得重要起来。它意味着把能力和经验转化为机器可理解、可调用、可复用的 “ 伪代 码 ”。 过 去， 大 量行 业 能力都 停 留 在 专 家 脑中，缺乏系统化沉淀，而今天，AI第一次具备了承接这种能力的可能。 新华三过去一年所做的大量工作，本质上也是在推动这样的迁移：一方面将互联网领域成熟的AI能力嵌入企业与政府的生产业务之中，另一方面更着力于萃取提炼传统行业的核心能力，对其进行AI化升级与重构，让企业从“尝试”走向“深度使用”。 在这个背景下，新华三将自身定位为“端到端的AI应用落地赋能者”。新华三所做的，并非简单地把通用大模型交付给客户，而是与行业专家、客户伙伴深度协同，共同完成 业务抽象和场景化落地：由行业专家梳理业务规则与流程，再由技术团队将其转化为规范体系、文档标准和可执行的行业技能，并持续优化模型适配。新华三还统筹模型选型、硬件环境部署、全流程安全管控等关键环节，把行业专家的实践经验萃取提炼，转化为模型可理解、可复用、可规范化复制的AI能力，真正实现AI在业务中的深度落地。 不训练。在许多项目里，与其重新做高成本的大模型后训练，不如采用定向蒸馏、小模型强化、规则显式表达和skill编排。对不少行业场景来说，Skill所承载的规则和流程，价值密度甚至高于训练数据本身。训练数据可以脱敏、扩增，但专家写下来的规则、流程与判断，往往才是组织最核心的知识资产，也因此更需要被加密、被保护、被审计。 与此同时，随着智能体深入组织，攻击面和滥用风险也在同步放大。新华三一方面通过权限控制、留痕审计和人工接管来守住边界；另一方面，也在探索“AI监督AI”的机制，用不同Agent之间的博弈去发现问题、压低风险。智能体真正进入企业，并不只是能力问题，更是治理问题。 一切为了Token，一切转化为Skill 如果说行业经验影响着AI能否进入真实业务，那么工程体系则决定了它能否大规模、可持续地跑起来。 今天看AI基础设施，视角已经与传统IT时代明显不同。过去服务器、网络、存储，往往是分开的。进入智能体时代，客户真正买回去的，不只是某一张卡、某一个模型，而是一个稳定、高效、经过验证的Token生成器。 从更长的周期看，业内正在形成一个越来越清晰的判断：基础设施一切为了Token，应用场景一切转化为Skill。所有技术设施，最终都要围绕Token效率重构。未来被重写的，也不只是某几个软件功能，而是整个软件交付逻辑。传统软件从需求、开发到上线的长链条会被大幅压缩，越来越多的交付，将变成业务专家和Skill工程师共同完成。 新华三在基础设施层面的目标，就是把不同的加速卡、不同的推理框架、不同的算力服务器和存储体系聚合起来，在国产生态上尽可能提升Token产出效率。从算力、数据到模型，构成一个面向产业落地的基础设施底座。 AI真正进入产业，要从核心业务开始 从行业进程来看，AI落地并不是齐头并进的。除互联网行业自身应用外，政府以及部分央国企相对走得更快。 但只提升硬件效率还不够。更难、也更关键的，是应用侧的Token效率。在OpenClaw这样的框架下，一句简单的“hello”，就可能引发巨量Token消耗。原因在于智能 体 自 主 规 划、多轮反思、工具调用和长上下 文 带来 的“上下文爆炸”。因此，进入智能体阶段以后，关键问题已经不是“模型能不能答对”，而是“完成一个任务究竟要消耗多少Token，能否用更少的Token把任务做完”，客户最终需要的是更高的任务完成效率。 政府本身具有产业先导作用，在业务智能化改造上动力更强。以某城市“数字公务员”为例，相关实践已经能够把拍照、识别、登录、回填、校验、修改等环节端到端串联起来。能源、电力、交通等行业也在快速推进，像城市电力调度、电网物联网卡AI自动化管理等场景，都表现出较强的落地冲动和现实需求。 因此，新华三将技术策略定为“软硬件双向发力”。向下，是计算底座、高速联接、超高速存储、算力调度、统一数据管理平台和训推使能平台，把算力、数据与模型串接起来；向上，则是围绕OpenClaw做企业级改造，把它从适用于个人用户的开源框架，改造成适用于企业部署的组织化平台。 这也意味着，企业的智能化转型路径必须重新设计。人力、财务、法务等通用支撑平台，已经成为许多企业率先启动的“标配项”，但真正决定一家企业AI转型是否成功的，是能否切入核心业务，把AI嵌入那些最关键、最独特、最能体现组织能力的环节。 从这个意义上说，AI走到今天，已经不再是一个“要不要上车”的问题，而是一个“如何进入组织、如何接管任务 、 如何 重 写软 件 与交 付 逻辑 ” 的问 题 。 对 新 华 三 而言，AI时代最重要的两件事：一是追求最优的Token效率，二是与客户共创最好的行业Skill。前者决定基础设施的效率上限，后者决定AI能否真正进入产业深处。二者并举，方能让AI从“会说”走向“会干”，从技术渗透走向价值落地。 这种改造包括几个关键环节：在非联网环境下可完整安装部署，预装浏览器、截图、文件系统等高频能力；对客户共创的Skill做加密与防篡改；支持组织管理、层次化部署以及对Skill和上下文的自动优化。对企业来说，这些能力不是“加分项”，而是从试点走向生产的必要条件。 在安全与效率的平衡上，新华三的一个经验是：非必要 以“人工智能+”驱动金融服务范式跃迁 交通银行软件开发中心总经理宋占军 （1）加快落地EP和PD分离方案提升MoE大模型推理效率 交通银行深入贯彻落实党的二十大、二十届四中全会以及中央经济工作会议、中央金融工作会议精神，积极响应国家“人工智能+”行动战略部署，在银行业数智化转型的关键机遇期，勇担“金融国家队”使命，坚定不移走中国特色金融发展之路，以高水平科技自立自强支撑高质量发展，依托生成式人工智能技术，系统性重塑知识的生产与应用逻辑，加速推进金融服务模式的智能化升级迭代。 针对大尺寸MoE大模型推理效率较低的行业痛点，交通银行落地两个技术方案：一是采用大规模专家并行推理方案(EP)，将MoE模型的不同专家模块精准部署到不同GPU设备，有效突破显存资源瓶颈；二是采用预填充和解码(PD)分离部署架构，并将两者分配到独立的GPU节点并行运行，从而消除推理各阶段的资源争用。基于上述技术方案，交通银行实现了DeepSeek等大模型推理效率的3倍提升，驱动算力管理模式从粗放式向精细化、集约化转型，为金融场景大规模应用筑牢技术底座。 交通银行持续推进“1+1+N”人工智能建设框架，全面夯实AI能力平台基座，完善AI治理体系，建设AI应用场景，通过持续创新金融服务范式，实现人工智能从单点赋能向全流程融合跃迁，打造适应新质生产力发展的智慧金融新标杆。在服务国家战略、赋能实体经济的过程中，交通银行不断强化金融“主力军”和“压舱石”作用，为新时代金融高质量发展注入强劲动能。 （2）创新打造企业级知识平台夯实金融知识工程根基 交通银行持续推进金融知识体系的系统化建设，打造企业级知识平台，完善知识运营和全生命周期管理机制，贯穿知识采集、审核、加工、服务、保鲜等各个环节，形成一条标准化、自动化、智能化的知识加工流水线，累计沉淀百万级高质量问答对，有效提升知识加工效率；自研融合知识召回服务，支持知识向量、关键词及知识图谱等多种知识精准召回，向量知识召回平均准确率超85%。与此同时，针对大模型对行内知识理解能力不足等问题，交通 银 行 积 极 探 索 金 融 知