人工智能的应用既要自上而下，又要自下而上

本文针对于人工智能发展的应用路径提出了以下几个方面的内容。一是人工智能目前的发展现状和特点；二是人工智能发展过程中存在的问题；三是如何通过自上而下发展人工智能创造优势；四是如何通过自下而上推进人工智能发展；最后形成两个基本结论。第一个结论是2025 年是人工智能元年，人工智能的发展呈现出快速发展的态势。探索人工智能发展的路径，对人工智能发展具有重要意义。第二个结论是人工智能发展要坚持自上而下和自下而上相结合的道路，通过自上而下建立大模型开发应用场景，通过自下而上，从具体应用场景出发，逐步完善功能，形成人工智能的应用生态。两条道路这个相融合，形成人工智能更加完善的应用体系，对推动人工智能发展具有重要意义。

一、当前人工智能发展的基本情况

2025 年是人工智能元年，人工智能的发展非常迅猛，出现了大量应用场景和案例。其代表性成果就是人工智能大模型。这些大模型正走向垂直领域，产生了许多重要成果。这是当前的基本情况。

我们确实也看到，人工智能展现出一些神奇的特点。比如，像ChatGPT 呈现出的人工智能技术，能够提供文本、语音和图像服务，可以生成高质量的图片和视频效果。同时，人工智能还能构建数据计算模型，特别是在文献检索方面，能够高效解决问题。

近期，谷歌新发布的Gemini 2.5 表现尤为突出，性能位居前列，它在文本、音频、视频等方面都提升了人工智能的水平。人们正通过人工智能的发展获得各种服务：有人用 AI 写文章、搜集资料、搭建文章框架，甚至构建了中医药大模型、医疗大模型，还能利用AI 技术解析蛋白质结构。一时间，人工智能似乎无所不在、无所不能，几乎标志着一个全新的人工智能时代。

甚至有人预测，未来 5 年人工智能将取代人类 50%的岗位，这种预测观点带来的影响是令人人心惶惶，感到无所适从。但人工智能究竟能发展的程度和存在的问题，仍然值得深入探讨。

二、人工智能发展目前存在的问题

人工智能迄今为止取得了独特的成绩，但不可否认的是在发展过程中存在一些问题。目前可以看到，人工智能在应用场景上还存在较大差距。具体来说，有机构想把人工智能大模型卖给企业老板，很多老板表示甚至愿意花10 个亿甚至更多购买，前提是要对赌一年后销售额能实现25%的增长。结果大模型的开发者却不敢做出这个承诺。

此类情形说明什么？说明人工智能虽然有其神奇之处，有数据处理的优势，但存在明显问题——很难直接转化为成熟的产品，更难直接带来业绩的提升。要想真正改变业绩，必须建立完整的产品体系，具备实际功能和可行的商业模式，才能真正实现盈利。这就是我们看到的现实问题。

从目前人工智能发展来看，人工智能主要是停留在解读、信息整理和历史资料分析层面。在大数据基础上进行内容生成的技术。具体是通过历史数据、算法算力和数据加工，用算法整理数据得出新结论，这是人工智能的特点。但作为独立应用，在完全实现自动驾驶应用场景，让机器人像人类一样思考、回答问题、理解情绪，目前这些功能还做不到。仔细分析当前的人工智能成果，人工智能的技术更像呀呀学语的孩子，具备一些人类的功能，局部有些神奇表现，但远不能完全替代人类。因此人工智能当前的功能更多是作为一种辅助工具，需要与人类功能相结合，实现功能效果，例如萝卜快跑的自动驾驶实施需要通过远程操控达成目的。因此，人工智能目前很难在某个领域完全取代人类，人们接触越多，就越能感受到其实际效果与预期存在较大差距。这也是当前人工智能发展中的普遍感受。

在人工智能应用过程中，比较成熟的与机械臂结合，实现一定程度的自动化和智能化，效果明显。但此类效果的范围比例有限、单一功能的智能化，属于碎片化应用。应用较多的是在制造业的黑灯工厂，或者在固定场景下的服务——景区自动驾驶车辆、萝卜快跑的自动驾驶服务，都是在稳定环境中按照既定程序运行。再比如AI 快炒，通过将炒菜过程程序化，对各个环节进行计时统计和迭代优化，逐步模仿人类炒菜方式，但它学习的只是简单技能，效果仍无法与人类相比。又如酒店里的服务机器人，只能完成接电话、开电梯、送物品到房间门口等基础服务，整体仍属于较低端的服务。总体来说，当前人工智能大多还停留在表演和展示阶段，远未达到实际应用级别。我讨论人工智能应用实际例子中，目前人工智能大多是初步具备某些接近人类的功能，这是目前人工智能发展的分析结论。

三、人工智能发展模式需要建立自上而下的发展机制

当前人工智能的发展普遍遵循此类思路：先构建大模型，通过持续迭代完善功能，最终实现实际应用。例如在医院拍片诊断的场景中，通过核磁共振扫描形成图像后，利用人工智能大模型与历史病例数据进行比对，凭借丰富的经验积累提高疾病诊断的准确率。这种方式的原理就是自上而下的，依托大量数据样本作为支撑，当遇到新问题时进行比对分析，实现"以多见少、以上见下"的智能辅助功能。这正是当前人工智能发展的主要特征，其核心难点在于如何通过足够多的数据训练出优质的大模型，并利用这个大模型来解决个性化问题。

目前人工智能发展的模式主要采用数据统计的方式，建立标准化的重复性操作模式，形成软件控制的标准化流程。具体在人工智能网络直播中，将文字转化为模仿人声的语音输出；或者通过人工智能技术把静态照片转换成动态视频，实现文字与语音的自然结合，模拟真人发声。这些应用都体现了人工智能的典型特征。我们可以将其发展模式总结为：通过大数据构建自上而下的大模型基础，再针对具体问题进行持续迭代优化，这就是当前人工智能发展的主要路径。

此类人工智能发展模式带来了相应的问题：人工智能系统需要依赖大量的数据进行统计分析，建立标准模式，然后才能基于此类模式来解决个性化需求。这种"先建立通用模型，再解决具体问题"的方式，就是典型的自上而下的发展机制。

四、人工智能需要建立自下而上的发展模式

在人工智能发展过程中，另一个有竞争力的赛道是从具体应用场景出发，通过分析实际问题，逐步向上构建模型，这是自下而上的模式。例如北京有家企业研发移动充电车，他们先解决电池充电问题，然后开发移动充电车，再在充电车基础上逐步添加智能化功能，推动移动充电服务的发展。这个过程是自下而上的模式，先有电池技术，再有车辆平台，然后叠加智能化系统，进而建立社区充电服务体系，最终通过大数据实现跨区域服务网络。

这种自下而上的模式突破了传统大模型"从大到小"的应用局限，而是从具体功能入手，逐步构建完整的智能化解决方案。先实现基础功能，再完善智能化功能，然后通过商业模式设计进行市场化推广，借助投资实现规模扩张，配合政府政策支持，最终形成可落地的完整模式。这种方式有效解决了人工智能领域长期存在的"有功能无商业价值"、"有单一功能无综合应用"的问题。

自下而上的发展模式是一个功能逐步完善、系统持续优化的过程。从发展趋势来看，未来人工智能的理想发展路径应该是自上而下建立基础模型与自下而上完善应用功能相结合，形成双向促进的良性循环。这样才能推动人工智能实现健康持续的发展，这是研究人工智能发展得出的新赛道结论五、自上而下与自下而上融合的典型案例剖析

1. 医疗领域：大模型与基层应用的双向赋能

华西医院在构建医疗大模型时，采用了 "顶层建模 + 底层数据反哺" 的模式。其自主研发的 "华西智医"大模型整合了 3000 万例临床病例，通过自上而下的方式构建了覆盖 200 余种疾病的诊断框架。在基层应用中，该模型与县域医院的影像设备对接， 医生上传 CT 影像时， 大模型可自动标记可疑病灶并生成初步诊断建议，使基层肺癌筛查准确率提 27% 基层医 生的新病例数据（如罕见病亚型）会反向输入大模型，2024 年通过 的数据反馈，模型对罕见血液病的识别率提升了 19% 。这种双向循环模式，使得医疗 AI 既具备顶层知识体系，又能扎根基层需求。

2. 制造业：数字孪生与边缘计算的协同进化

三一重工的智能工厂转型呈现典型的双向驱动特征。顶层设计上，其基于 AWS IoT TwinMaker 构建了整条生产线的数字孪生模型，通过自 准确率提升至 92% 。在底层执行端，车间部署的 5000 + 边缘计算节点 某台数控机床的振动频率出现异常时，边缘 AI 模块会先进行本地分析 触发数字孪生模型的深度仿真，最终将故障预警时间从原来的 8 小时缩短至 15 型 + 边缘小模型" 的架构，使设备综合效率（OEE）提升了 18% 。

3. 农业领域：卫星大数据与田块智能的闭环联动

北大荒集团的智慧农业项目展现了双向模式的独特价值。顶层通过高分卫星和无人机获取万亩农田的遥感数据，构建自上而下的作物生长模型，可预测全区域小麦产量误差不超过 5% 。在田块层面，部署的土壤传感器和 AI 灌溉控制器会自下而上收集每块田地的墒情数据，当某地块土壤含水率低于阈值时，本地 AI 会先尝试自主调节灌溉量，若效果不佳则将数据上传至顶层模型，促使大模型优化灌溉策略。2024 年该模式使北大荒的玉米灌溉用水节约 23% ，同时单产提高 11% ，证明了双向机制在复杂农业场景中的有效性。

六、双向驱动模式的技术实现路径

1. 数据中台：打破双向流通的壁垒

建立跨层级的数据中台是实现双向驱动的核心基础。某新能源车企的数据中台架构值得借鉴：

顶层数据池：汇聚用户行为、车辆故障、供应链等全域数据，支撑自动驾驶大模型的迭代；

底层数据湖：存储车载传感器实时产生的 2000 + 类数据，如刹车踏板行程、电池电芯温度等；

双向流通机制：当顶层模型发现某批次电池存在热失控风险时，会触发底层数据湖的深度检索，定位到具体车辆的充电习惯数据，进而优化 BMS 电池管理策略。这种机制使该车企的电池热失控事故率下降 76% 。

2. 混合智能架构：大模型与小模型的分工协作

理想的技术架构应是 "大模型做战略，小模型做战术"。某物流企业的智能调度系统采用了这种模式：顶层大模型：基于历史运单数据训练的调度大模型，负责全局路径规划和资源分配，将干线运输成本降低15% ；

底层小模型：每个配送站点部署的本地调度模型，根据实时交通和订单变化进行动态调整，如遇突发拥堵可自主切换路线，使末端配送准时率提升至 98.3% ；

反馈机制：底层小模型的优秀调度方案会定期上传至顶层大模型，2024 年通过这种方式，大模型的全局规划效率又提升了 8% 。

3. 人机协同界面：双向交互的人性化设计

顶层决策可视化：大模型生成的风险评估报告以 "热力图 + 因果链" 形式呈现，使风控经理能快速理解高风险交易的逻辑；

底层案例标注台：客户经理在实际业务中发现的新型欺诈手段（如虚拟货币洗钱新套路），可通过标注台快速反馈给底层模型，使模型对该类风险的识别速度从 72 小时缩短至 4 小时；

以上是我们今天关于人工智能讨论的主要结论。我们期待人工智能在未来能够取得更好的发展，带来更多积极影响。

七、结论和建议

通过对人工智能应用的研究，我们至少可以得出两个重要结论：

第一，当前人工智能发展势头迅猛，受到广泛关注，在某些功能领域表现突出，未来发展前景广阔。探索人工之智能的发展模式对于加快人工智能行业的更新迭代与创新具有重要意义和价值，是推进的有效途径。2025 年被称为"人工智能元年"，这种有价值的创新是有效的路径。

第二，人工智能发展模式必须坚持自上而下和自下而上相结合的道路。自上而下是指建立大模型和开发应用场景，自下而上则是先从具体应用场景出发，逐步完善功能体系，最终形成完整的人工智能应用生态。只有将这两种发展路径有机结合，才能构建更加完善的人工智能应用体系。

基于这些结论，我们提出两点建议：

第一，要在理论上持续突破大模型关键技术，包括类似ChatGPT、谷歌Gemini、特斯拉Grok 等系统的研发，这需要配套发展芯片制造、光刻机等基础产业，国家应该加大这方面的投入和支持力度。

第二，要循序渐进地完善应用场景，从单一功能起步，逐步构建完整的生态系统，让人工智能真正实现落地应用、创造价值。只有这样，人工智能才能获得健康持续的发展。

参考文献：

[1] 范毅强, 赵瑞, 王珂. 人工智能生成技术的应用风险与嵌入式治理路径[J]. 自然辩证法研究,2024,40(04):61-67.

[2] 秦蔚蓉,彭建明,黄昊.人工智能在网络安全领域的应用与发展[J/OL].中国数字医学,1-9[2025-07-08].

[3] 人工智能技术在通信网络安全管理中应用研究