21世纪经济报道记者骆轶琪 深圳报道

2025年，全球AI大模型产业出现新变化。国内以DeepSeek的横冲出世以及阿里通义千问系列开源模型的持续演进为典型代表，正加速推进大模型落地产业的进程；全球大模型参与者也在出现新的走向变化。这些都意味着，大模型竞争维度出现新的变化，由此也指向相关AI原生应用落地的新机会。

近日，21世纪经济报道记者专访中兴通讯首席发展官崔丽，探讨了目前全球AI大模型的竞争局势，以及AI技术落地千行百业正面临的挑战和机遇。崔丽认为，AI的“智力竞赛”或许还在继续，但商业落地的“实用竞赛”已经开始。

以下为对话原文：（在不改变原意前提下进行了语句微调）

《21世纪》：怎么看待目前全球开源和闭源模型竞争态势转变？

崔丽：其实我个人会用“三极鼎立”来形容当前状态。

第一极是美方的SOTA闭源模型，包括Claude3.5、GPT-5、Gemini 3、Grok 4以及他们后面计划推出的下一代模型。这些模型其实是用。

领先的推理能力、智能体等能力表现，去创造它的智力溢价，更重要的是它有能力去垂直整合和水平扩展。

第二极是中国的诸多开源模型。其中首先要提到Deepseek，它的的确确通过算法和架构方面的创新（如MoE、多头潜在注意力机制MLA等），数量级地降低了训练和推理成本。这实际为智能普惠和应用规模的扩大奠定了坚实基础。此外，通过用到纯强化学习、蒸馏等技术，它还解决了智力壁垒问题。通义千问是另一个代表，由于背靠阿里云，它希望做AI的通用基座，目前做到性能可以对标（全球头部模型）、成本大幅下降，做到了完全开源，不仅是架构、权重、代码、数据都进行开源。此前Llama也只是做到权重开源而已。

第三极就是垂域、深耕模型。大家会发现，往下发展，其实模型智力已经不是唯一考量的因素，大家在思考，如何让它能够给我创造实际的价值、做商业变现，或者解决重大问题。在这种情况下，如何深耕垂直行业，能够真正挖掘高价值的知识，并且使得它能够发挥巨大价值和作用，创造巨大的财富非常关键。可以看到有很多垂直行业类的模型，包括来自欧洲的Mistral，也偏向于走这个路线，也即把领域数据的治理、把工作流等一系列整合，构成复杂、复合的高性能智能体系统，去解决实际的问题。

《21世纪》：怎么看世界模型和LVA模型两条路线存在分歧的情况？

崔丽：我个人会觉得世界模型至少要具备三个关键因素：第一，要能因果推理；第二，要有反事实推演，也就是what if；第三是要满足物理约束和物理一致性。

VLA其实类似于生成式模型，它只解决了相关性，并没有解决因果性，而且他也并不知道很多物理世界的先验知识；反事实推演能力就更不具备了。在这种情况之下，VLA可能会更适合（应用在）比如搭建数据工厂方面，因为合成数据后续会成为主要方向；再比如用于仿真模拟，类似制定规划等方面。

世界模型方面，人们期待的它能够去指导下一步行动。那也就是说，它能够对整个物理世界的状态进行精准预测，并且能够（付诸）行动。

所以我们会看到，世界模型这一派里，大家会希望它在一个抽象的、高维的维度，能够构建自己的物理引擎，然后通过这个物理引擎，预测下一步态势。它事实上非常适合做底层的动作验证。其实它还有个问题，也是生成式（模型）普遍会面临的问题，就是数据枯竭和长尾效应问题。因为不可能穷举所有的情况，还有可能遇到corner case情况。

其实我个人认为，未来在具身智能领域，很有可能是两者相互融合。也就是说，由VLA来做高层的策略规划，由世界模型来做底层的动作验证。两者结合，共同互补去形成一个更高效的解决方案。

《21世纪》：Agent（智能体）落地最核心的挑战是什么？

崔丽：至少在当下，Agent依然会面临几个核心掣肘：第一，因为越难的问题，价值越大，当把智能体用到一些非常严肃的行业和领域时，智能体的一些局限也会暴露出来。最核心是信任问题，因为本身大模型本身存在黑盒和幻觉问题，这意味着要考虑如何填平这种统计的不确定性和对于行业高确定性要求之间的gap。

第二，是长程任务的管理问题。大模型其实都有上下文的窗口限制，虽然它现在已经扩得还蛮大，但是真正智能体的落地应用，或者说我们希望的智能体协同落地应用，它可能是数天甚至数周的长程任务。这个时候上下文窗口就成为它一个非常大的局限。它可能会出现记忆丢失或者逻辑断裂，那就容易导致整个任务失败。还有一个问题，如果想对长程任务尽可能做一些管理，可能编程的复杂度等方面又面临成本问题。

第三，是环境交互的安全性。既然智能体可以调用工具、数据库，可以自主行动。那在各个环节上都埋有风险点。一个链条越长的时候，每一个链条的每个环节，都是风险可以切入的地方。

事实上我们真正考虑智能体落地到具体企业的时候，还有其他问题。举个最简单例子，所有的企业都不是从今天才成立，它一定是个新旧系统混合的状态。那么在这种状态下，它就会面临接口的结构化不好、数据孤岛等一系列问题。而且作为企业，永远要考虑投入产出比。这也是核心挑战。

《21世纪》：哪些行业的AI转型有望率先进入价值复制阶段？

崔丽：但凡能够实现规模复制或者变现的行业或场景，它都具备一些类似的特点：第一，它的数据资源，尤其是高质量数据资源非常丰富，（数据）结构性比较好、流程规范度比较好。它也可能会有非常清晰的反馈机制，比如机器视觉就是可以告诉你是对或错，那你可以持续改进，让机器视觉直接帮助提升良品率。

第二，我们经常说智能化转型，但事实上智能化转型的前提是数字化和网络化。转型就不是单点应用的效率提升，意味着你要全流程重塑生产力。在这个情况下，你就需要先解决数字化和网络问题，之后才是智能化问题。所以如果说这个行业或者公司，它的网络化和数字化基础非常好，那我认为它做智能化转型其实就会比较快。例如中兴通讯在2016年就开始做数字化转型，所以在2022年、2023年开始做智能化转型的时候，已经有非常好的基础，所以不用再从头开始。

如果真要举一些行业的例子，我们可能觉得，例如法律、教育、通讯行业、金融行业、制造业（因为制造业留存了较多数据）、城市治理等，在这些领域，我认为可以找到一些高价值场景。