《生成式人工智能应用发展报告（2025）》显示，我国已发布超1500个行业模型，覆盖50个重点行业领域、700余个场景。人工智能已具备一定的复杂问题解决能力，对产业降本增效、提升全要素生产率等作用逐步凸显。面对当前国内AI大模型“百模千模”的繁荣景象，谭建荣回忆起几年前大模型刚兴起时的判断：“要重视大模型，但千万不要忽略小模型，没有小模型哪里来大模型？”这一观点源自他三十年来在数据建模领域的积淀。早在上世纪90年代从事CAD研究时，他就开始思考数据重用与建模问题。

　　“我的团队是国内最早从事数据建模的团队之一。”谭建荣透露，他指导的博士生论文和申请的国家自然科学基金项目中，约70%与建模相关，涵盖建模理论、方法、技术、工具及应用全链条。在他看来，建模是大模型工作的基础，而小模型是大模型的起点。

　　谭建荣将人工智能归纳为三个核心部分：数据、算法和算力。“数据是人工智能的语料，算法是核心，大模型需要大的算力支撑。”他特别强调，这三者需要一个载体，这个载体就是智能体。在他看来，智能体的价值早已超越“代理”的字面含义。从智能机器人、自动驾驶汽车到无人机，这些载体正在将生成式AI的能力转化为实际生产力。

　　报告显示，截至2025年6月，我国生成式人工智能用户规模达5.15亿人，普及率飙升至36.5%。短短半年时间，用户数量增长2.66亿人，普及率提升18.8个百分点。从“试用”到“常用”再到“天天用”，生成式人工智能正加速融入百姓的日常生活，呈现爆发式增长态势。谈及生成式人工智能的突破，谭建荣指出，过去的人工智能应用场景大多无法通过图灵测试，而现在的AI不仅可以通过测试，甚至在写作方面“比一般的秘书写得好”。

　　“数据和模型到底是什么关系？”在他看来，数据如同散沙，而建模的任务是找出数据间的联系、规律和价值，最终挖掘出知识。他将知识分为定性与定量两类，而模型就是定量的知识。“大模型要几百万芯片卡对几百亿参数进行训练，实际上就是训练它在各种场合下的定量关系。”

　　谭建荣总结了人工智能的十大关键技术，也是大模型与智能体的核心技术，包括深度学习算法、增强学习算法、模式识别算法、机器视觉算法、数据搜索方法、知识工程方法、自然语言理解、类脑交互决策、模型训练技术以及模型蒸馏技术。其中，深度学习算法和增强学习算法被他视为最基础的两个算法。在人工智能的高级阶段，自然语言理解成为关键，他同时指出，“人工智能很好，但任何技术都存在风险，人工智能同样存在风险。”

　　“为什么AI写的文章有时会胡说八道？核心是缺乏真正的知识转化。”谭建荣直言AI产业的核心痛点——幻觉问题。在他看来，这一问题的根源在于行业过度追求数据规模，却忽视了数据到知识的转化过程。解决这个问题，不能只靠增加参数，而要强化知识工程，让AI不仅能找到数据关联，更能理解关联背后的逻辑，这才是AI可持续发展的关键。

　　针对核电站核燃料装卸、废料处理等高危场景，其团队研发的“核电应急管理智能机器人”替代人工操作，避免辐射风险；面对企业缺乏机器人操作人才的痛点，“示教智能机器人”实现“机器人教人”与“机器人教机器人”双重功能，获得市场认可。这些成果背后，是谭建荣对“精准落地”的坚持。“大模型发展不能只追规模，要向‘精准’要价值。”他强调，智能体必须面向行业、面向产品，将高校的建模能力与企业的产业化需求结合起来，让智能体真正解决实际问题。

　　【科技随笔】

　　“百模千模”的喧嚣里，关于人工智能是否存在泡沫的争论从未停歇。当一个技术概念迅速从实验室蔓延到街头巷尾，成为资本竞逐的标的和茶余饭后的谈资时，产生“这是否又是一个华丽泡沫”的疑问，是一种很自然的警惕。

　　谭建荣院士的观点启示我们，没有扎实的数据建模基础，就没有可靠的模型；没有精准的小模型积累，就没有真正有用的大模型。智能体不仅仅是技术的“代理”，更是AI能力的物理延伸。从智能机器人到自动驾驶汽车，从工业检测设备到服务机器人，这些实体承载着AI的感知、决策和执行能力，将算法的虚拟输出转化为物理世界的实际行动。

　　“大模型发展不能只追规模，要向‘精准’要价值。”精准化是人工智能发展的必然要求。人工智能的最终目的是为人类服务，解决实际问题。如果只是追求规模和参数的“大”，而无法在具体场景中实现精准的应用，那么人工智能就失去了其存在的价值。以自然语言理解为例，虽然在通用大模型的训练下，AI在语言生成方面取得了一定进展，但在中文语义的精准把握上仍存在长期挑战。在复杂的行业场景中，对语言的精准理解更是至关重要。例如，在医疗领域，AI需要准确理解医生的诊断意图和患者的病情描述，才能提供有效的辅助诊断建议；在法律领域，AI需要精准解读法律条文和案例，为法律工作者提供准确的参考。只有实现精准化，人工智能才能真正融入各个行业，发挥其应有的作用。

　　轻量化则是人工智能发展的现实需求。随着人工智能应用的不断拓展，对算力的需求也在不断增加。高算力不仅意味着高成本，还对能源和环境造成了巨大压力。因此，降低算力需求，实现轻量化是人工智能可持续发展的关键。模型蒸馏等技术为解决这一问题提供了有效途径。通过模型蒸馏，可以将大模型的知识迁移到小模型中，在保证模型性能的前提下，大幅降低模型的计算量和参数量，从而实现轻量化应用。

　　正如谭建荣指出的，大模型和智能体需要云、边、端协同发展。云端提供强大的训练和推理能力，边缘端实现低延迟的实时处理，终端设备完成最终的执行任务。三者协同，既发挥了云端算力优势，又满足了实时性要求，还降低了对网络带宽的依赖。这种分层架构使得AI能力可以灵活部署，适应从数据中心到生产现场的多样化需求。

　　从“大”到“精”，因而不仅仅是一次技术路径的调整，更是一场发展理念的回归。它要求我们摒弃盲目追求规模和参数的浮躁心态，回归到人工智能的本质——解决实际问题。我们要将目光聚焦在行业需求和产品场景上，深入了解各个行业的特点和痛点，开发出真正符合实际需求的专用模型和智能体。同时，我们还要加强跨学科合作，将高校的科研能力与企业的产业化需求相结合，推动人工智能技术的精准落地。

　　今年8月，国务院印发的《关于深入实施“人工智能+”行动的意见》对外公布，部署“人工智能+”科学技术、“人工智能+”产业发展、“人工智能+”消费提质等6大重点行动，明确了实施“人工智能+”行动的总体要求、发展目标和关键领域。《意见》为这场“从大到精”的转向提供了清晰的政策注脚，其所强调的“+”，本质上就是一座桥梁，连接起通用技术的“潜力”与行业场景的“需求”，推动人工智能“融入”实体经济、“赋能”千行百业、“服务”社会民生。

　　归根结底，“向精准要价值”，是一场从技术导向到需求导向的深刻转型。它要求产学研各方摒弃浮躁心态，将目光从榜单分数移开，真正聚焦于各行各业的真实流程与痛点——当技术真正扎根需求，泡沫自然会消散。

　　（文/战钊）