▎系统性拆解AI战略、可靠性、数据困境、场景选择、模型选型、行业落地、知识库构建、安全合规、人机协作与人才瓶颈等现实难题，力图为企业找到可落地、可借鉴的解法。
问题一：共识如何达成？
当前企业普遍面临AI认知落差：管理者与执行层目标不一致，技术理解碎片化，路径选择模糊。
瑞幸咖啡是AI驱动业务重构的典型案例。自2020年起，其以数字化为底座，通过AI实现精准爆品预测（准确率85%）、算法选址与供应链优化，租金占比控制在8%以内，最终以9.9元定价策略重塑行业格局。
平安证券CIO张朝晖指出，企业对AI存在两种极端认知：万能化或无能化。他以游泳浮板类比AI——辅助工具不能替代能力本身。
数据显示，90%的AI项目未达预期，70%高管认为效果不佳。张朝晖强调，AI不应仅被视为“工具”，而应作为“顾问”或“教练”，与人类形成协同关系。
“AI不会取代CIO，但掌握人机协作的CIO会取代你。”他提出“334框架”：30%人类智能定方向，30%人工智能做分析，40%执行系统保交付，三步推进系统化转型。
问题二：AI幻觉与“黑箱”、如何确保AI可靠性与可解释性？
生成式AI在金融等高敏感领域面临“幻觉”与“黑箱”两大挑战。错误信息可能直接影响投资决策，且监管要求输出内容必须可追溯、可解释。
国泰海通研发的君弘灵犀大模型完成上海市001号生成式AI服务登记，成为首家通过国家网信办备案的券商AI系统。
为应对幻觉问题，国泰海通构建“可信知识库+小模型校验”双重机制：依托十余年结构化知识库和专人运营语料库，结合多个小模型实时过滤输出内容。
针对“决策黑箱”，公司建立180余个业务方法库，将分析过程拆解为可追溯步骤，满足监管合规要求。
关键在于业务深度参与——技术团队与业务人员共同设计规则，确保AI在可控范围内落地。
问题三：数据是决胜关键
数据质量问题贯穿采集、传输、存储全过程，任何环节失误都将影响AI效果。
香港医管局总企业架构师王昱介绍，该局已积累近60亿条高质量医疗数据，源于过去三十年自主开发的信息系统和统一标准体系。
医管局坚持“一套架构、一套标准、一套技术、统一流程”，组建由200名医护人员组成的医疗信息专家团队，直接参与系统设计，保障临床适配性。
通过“一体化数字平台”，实现跨机构数据互通，医生可实时调阅患者全病程记录，提升诊疗效率与安全性。
未来战略包括：打造自主数据库、深化AI与临床融合、保障安全合规、培养跨界人才。
香港人工智能与机器人学会理事林静指出，数据孤岛、标准不一、记录缺失是主要障碍。例如赛马业务中，海外数据缺乏芯片定位与多视角影像，导致跨国分析成本高昂。
她认为，数据价值受制于处理成本，但随着算力效率提升，当前困境将逐步缓解。
问题四：场景如何选择？AI项目怎样才能不“为了AI而AI？”
企业常陷入“技术优先”误区，或因试错成本过高而犹豫不决。
易鑫首席科技官贾志峰分享案例：内蒙古牧民查干因无固定收入被拒贷，通过智能审批系统成功购车，改变生活。
作为年交易额700亿元的汽车金融科技平台，易鑫服务超千万用户，其中80%来自三线以下城市。其自研AI大模型覆盖获客、风控、路由匹配全流程，即将发布的Agentic模型将进一步实现全链路自动化决策。
医疗领域嘉宾强调“黄金三角”：数据、AI能力与行业Know-how缺一不可。金域医学李映华提出，医疗数据要素化需推进资源资产化、服务产品化、生态空间化。
博彦科技徐永新指出，AI+医疗尚处“婴儿期”，需重视数据质量、流程重构与内部协同。博鳌乐城先行区已设立科创数据处室，探索AI在药物警戒中的应用。
问题五：基础模型怎么选才最具“性价比”？
亚马逊云科技大中华区产品部技术总监王晓野指出：“都2025年了，你还在纠结选择大模型吗？”
调研显示，仅40%的POC项目能进入生产阶段。成功者通常具备三大特征：明确场景评估、选择合适伙伴、具备系统化思维。
失败主因并非模型选择错误，而是业务范围不清、数据准备不足、工程能力缺失、成本认知偏差及安全风险忽视。
“模型只是前提，不是核心。”王晓野强调，领先企业更关注新业务模式与收入来源。如亚马逊Ring通过AI推出视频订阅服务，创造新增长点。
他建议企业关注数据持续投入能力、工程化能力和Agent范式下的行业方向把握。
问题六：行业模型如何落地？如何让AI说“行话”？
行业模型需深度结合垂直领域特性，而非简单移植通用模型。
壹生检康创始人王强宇提出“AI下半场是大数据小模型时代”。行业内部尚有170万亿未利用数据，远超通用模型训练量（65万亿）。
其研发的豆蔻妇科大模型在六大常见症状问诊中准确率达90.2%，并通过妇科主任级考试，成绩优于GPT-5。
硅谷OpenEvidence医疗AI应用上线11个月即覆盖美国超40%执业医师，验证专业化模型的爆发潜力。
王强宇认为，“小模型是未来”，避免“高射炮打蚊子”式的资源浪费。
航旅纵横创始人薄满辉强调，行业大模型是系统工程，需具备复杂推理、知识检索增强、专业数据生产能力，并建立“数据-模型-数据”闭环。
心逸酒店集团CEO朱晖介绍，公司推出“AI数字经理”嵌入店长日常系统。五一期间杭州门店因AI建议降价，入住率同比提升8.3%，RevPAR增长，而周边酒店业绩下滑。
AI还应用于客房清扫调度、网评回复等场景，显著减轻店长负担。“AI不会取代店长，但会用AI的店长一定会取代不会用AI的店长。”
问题七：知识库如何搭建才能更有“活力”？
知识库应是动态“智慧引擎”，而非静态“资料仓库”。
东航数字科技副总经理李志军指出，传统知识管理存在六大痛点：沉淀难、数据量大、信息坟场化、更新滞后、部门壁垒、旅客体验差。
东航通过四大举措破局：1）识别高价值应用场景；2）推进数据治理，获DCM九五级认证；3）基于RAG构建知识库，覆盖300+手册，服务万名员工；4）部署400多个部门级智能体，如“新开航线智能体”可自动生成可行性报告。
未来目标是“知识无缝嵌入生产过程”，每位员工拥有智能助手甚至数字分身。
问题八：Agent时代，寻求人机协同的“最优解”
AI Agent正从任务执行者进化为业务协同者，需建立分工、能力、界面与信任机制。
美的集团AIGC项目负责人李明德介绍，荆州工厂部署14个智能体，覆盖38个核心场景，由“工厂大脑”统一调度，实现计划、供应链、生产、品质全链协同。
美的构建统一数据基座，结合大模型实现非结构化知识解析与智能对话。2025年上半年AIGC提效达4.4亿元，节省860万小时。
内部已涌现9000多个“民间智能体”，由一线员工自主开发，成为知识沉淀新载体。
云迹科技副总裁谢云鹏介绍，其机器人2024年完成超5亿次任务，行走2033万公里，服务超3万家酒店。
机器人具备学习力、适应力、交互力、自主力、情感力和社会力六大能力，已成为“正式员工”。
高效协作四原则：目标明确、过程可控、结果可溯、反馈必应。该模式适用于医院、工厂等多种场景。
问题九：AI人才瓶颈如何解？
科锐国际高级副总裁曾诚指出，AI人才供需严重失衡：岗位需求翻倍，但适配人才仅占20%。
企业应从“买人才”转向“造人才”，成为“AI人才生产者”。某千亿规模制造企业通过内部潜力盘点+系统培训+外部专家引入，建成完整AI人才体系。
高端人才引进需注重文化匹配与组织发展阶段契合，避免盲目追求“大厂背景”。
建议构建“全职员工+外包/顾问+数字员工”的敏捷人才生态，支撑快速迭代需求。
问题十：安全合规是永远的红线
AI安全合规已上升为战略风险。迪奥、LV先后发生客户数据泄露事件，引发信任危机。
李锦记副总裁刘欣雨强调：“数据合规是生死线。”2020–2024年被处罚上市公司财务人员年均增长23%，虚假财报与信息披露不及时占比70%–80%。
AI在财务领域可用于智能报销、现金流预测、欺诈检测、内控审核等。其公司上线语音报销系统，极大提升效率与合规性。
AI还可监测异常资金流动，防止违规操作。
但面临模型透明度、算法偏见、电子凭证伪造等新挑战。他警示：“如何让AI为虎傅翼，而不是为虎作伥？”
守住合规底线，方能在财务数字化浪潮中规避风险。
（应企业的相关合规要求，部分现场演讲视频暂不对外发布）