熊明辉：垂直大模型已意义不大，AI未来在这个方向丨深度专访

这是深水研究第二次与熊明辉老师的对话。

去年11月底，在《法律与人工智能》集刊第一期发布会现场，熊明辉老师分享了他对于法律与人工智能行业的深度洞察，其中包括对于算力成本必然将大幅下降、AI Agent会成为2025年人工智能行业超级赛道的预测。

2025年1月，DeepSeek轰动全球，随后的Manus更是让AI Agent得以出圈成为AI行业的新技术风向标。

在2025年6月7日于杭州举行的2025全球人工智能技术大会上，他也进一步分享了这半年来他的前沿预测。相比Cathy Wood木头姐最近报告中对全球AI产业变化趋势的判断，熊明辉的观察可能更加接近中国产业应用的实际情况。

这里分享我们的专访纪要，推荐所有AI行业从业者一读。

人工智能目前应用最广泛的产业是什么？

如果去看各家AI大模型厂商提供的案例就会发现，法律在各大厂商的应用场景里，都是极为高频出现的赛道。

不过，作为《法律与人工智能》集刊主编、浙江大学数字法治实验室主任熊明辉说，AI不仅仅正在改变法律行业，也在彻底改变他的法学教育模式。

熊明辉是那个能提前看到趋势变化的人。

当他在2024年提出“智能体是超级赛道”时，业界更多将其视为技术愿景，智能体概念也完全没有进入公众视野。

短短半年后，智能体已经完成了从“前瞻方向”到“生存必需品”的跃迁。

相比技术端开发者的判断，来自应用端观察者的洞见可能更为即时。

熊明辉的最新判断是：

1、曾被视为战略高地的垂直行业大模型，正遭遇价值重估。行业知识壁垒正被“通用模型+私有知识库”的组合击穿。以腾讯ima为代表的知识库产品将会在未来拥有巨大想象空间。

2、AI时代真正稀缺的能力，是在海量知识中提出关键问题的创造力。

3、在法律行业，AI应用将极大推动司法公平，这是科技的价值。

“去年不懂大模型只是不够潮，今年不用就会真正落后”，在我们的对话中，熊明辉以生活场景来进行佐证——当你家里智能电视都开始弹出AI交互菜单，这标志着技术已深度嵌入日常。

这种“无感渗透”是颠覆的开始：AI正在从实验室走入生活，传统工作流正在开启一场前所未有的重构。

1990年，迈克尔·哈默（Michael Hammer）在《哈佛商业评论》发表了著名文章《再造：不是自动化，而是重新开始》（Reengineering Work: Don't Automate, Obliterate）。

哈默认为：企业管理者最大的挑战，不是用信息技术去自动化原有流程，而是彻底摒弃一切不增值的工作，把流程从零开始再设计。

回过头看，彼时是一场企业革命的开端。35年后，我们可能又一次站在了相似的出发点上。

丨对话丨

技术拐点：

从“不够潮”到“不会用就落后”

DeepResearch：有人认为这一轮AI还没到改变世界的时刻，但也有人认为颠覆已经开始了。如何看这种观点的分歧？

熊明辉：首先我们要看到变化：在2025年之前，不会用AI的人可能只是不够跟得上潮流。但是2025年以后，如果不用AI，就意味着落后。

从技术演进角度看，我认为颠覆性变革已初现曙光：通用大模型通过私有化知识库的部署，重构了搜索逻辑——比如中国知网从布尔检索转向增强检索；重塑了知识生产模式——比如腾讯IMA知识库通过封闭数据减少幻觉风险。并且我们看到，在政法、医疗等领域也都实现了场景化突破。

但AI的颠覆性仍受限于多重边界：技术层面，通用模型的幻觉风险、数据污染问题尚未彻底解决；伦理层面，跨境数据流动、隐私保护与算法透明度的矛盾加剧；产业层面，垂直场景的深度需求与通用模型的粗放式适配之间存在鸿沟。

比如在法律行业，判决的类案差异性无法被算法完全捕捉，法官的自由裁量权仍是不可替代的人类能动性体现。

此外，AI对社会结构的冲击具有滞后性。尽管机器在记忆和计算能力上超越了人类，但人类所特有的非理性思维和情感共鸣等特质，依旧难以被量化和模拟，基本上无法进行量化处理。尽管存在情感计算的概念，但所计算的绝不可能是智能体的全部情感，而是计算了中那些可以被计算的情感。机器人在2025年高考的语文、数学和英语科目中得分超过人类的实验，正好揭示了AI在依赖记忆的“开卷考试”中的局限性。

预测方向分歧的本质在于观察维度的差异。

乐观者聚焦技术突破带来的效率革命，悲观者则忧虑技术渗透与社会适应之间的时滞性。实际上，AI的颠覆已嵌入具体场景，比如我们说的政法AI通过私有化部署降低幻觉率，但全面改变世界仍需突破伦理共识与制度设计的瓶颈。

在我看来，未来十年，AI将处于“局部颠覆-整体重构”的过渡期，其影响力取决于能否在数据治理、伦理框架与行业定制化之间找到平衡点。

技术进步无法阻挡，但如何让AI服务于人的主体性，而非消解人类的独特价值，才是决定其能否真正改变世界的关键。

DeepResearch：作为博士生导师，AI对法学教育有改变吗？之前网传一则视频，有一位英国教师因为学生作业都是chatGPT的回答而崩溃。

熊明辉：我认为问题出在这位教师自身。当前的教育体系需要与时俱进，与AI技术广泛运用和发展同步。如果一位教师仍然依赖传统的课程论文作为评价学生表现的主要标准，那么这位教师可能已经落后于时代，因为那些手工批改的论文有可能是学生借助通用人工智能工具完成的。

我现在检查博士研究生的课题研究进展情况，不看别的，我让他们共享他们的知识库给我，我就能够知道他们的学习进展。这在AI到来之前是不可想象的事情。

技术仅能暂时取代人类的部分工作，却永远无法完全替代人类。观察可知，真正的创新往往源于非理性思维，例如在争执中我们常常不按常理出牌，这恰恰体现了人性。人类之所以独特，是因为我们兼具理性与非理性。人工智能作为一种理性工具，其核心价值在于辅助人类提出、分析和解决问题。正如图书馆的书籍对所有人开放，但只有少数人能成为科学家，关键在于能否有效地利用这些知识资源，提出恰当的问题，这将决定我们的未来。

未来趋势：

知识库代替垂直大模型

DeepResearch：未来对于类似法律这样的行业场景来说，AI技术的关键点在哪里？

熊明辉：法律领域的AI应用必须满足两个条件：可追溯性和可信度。通用大模型的幻觉源于其训练数据的不确定性和神经网络算的黑箱化。

法律领域的特殊性要求其必须具备极高的精确性。以美国律师使用ChatGPT进行辩护的案例为例，模型生成的虚拟案例引发了法律程序的混乱。这类问题在通用模型中难以根除，因为其训练数据来源于开放的网络环境，其中包含大量未经验证的信息，甚至可以说充斥着不实信息。

大模型的推理能力是将所有先前信息视为真实知识进行推理。尽管大型语言模型在预训练阶段会对数据进行清洗，但有时也会出现“倒洗澡水时连同婴儿一起倒掉”的情况。

因此，通过这些数据预训练得出的文心、通义、混元等通用大模型的错误率是可想而知的。

DeepSeek的出场基本终结了基于Transformer的大语言模型对抗赛。从B端到C端的大模语言型应用已经闪亮登场了，它就是私有化知识库部署。

所以我看好私有化知识库部署方向。因为其可以通过限制数据来源，确保模型仅基于用户提供的权威资料进行推理。

自从2023年百模大战之后，行业试图通过细分领域的大模型解决特定问题，但随着通用大模型的迭代和私有化知识库的普及，这种模式的局限性逐渐显现。

以法律领域为例，通用大模型的幻觉问题暴露了其在专业场景中的不可靠性。而私有化知识库部署，比如腾讯IMA知识库等等工具，就能直接整合用户专属数据，既避免了幻觉风险，又满足了个性化需求。

而对比来看，垂直大模型的核心问题在于其高昂的开发成本和有限的应用场景。

传统垂直模型需要针对特定领域进行海量数据预训练，而这些数据往往难以覆盖用户的真实需求。比如在高校科研场景中，不同学科的研究者对知识的需求差异巨大，一个面向法学的垂直大模型可能无法满足经济学或社会学的研究需求。

相比之下，私有化知识库通过整合用户自有的文献、研究成果和个性化偏好，能够动态适应用户的实际需求，无需依赖预训练的静态模型。这种灵活性是垂直大模型难以企及的。

此外，垂直大模型的开发需要大量算力和数据资源，而私有化知识库的部署成本更低，且能通过持续更新保持知识的时效性。

因此，我的判断是，垂直大模型的“专用性”优势正在被私有化知识库的“通用性+个性化”组合所取代。

DeepResearch：近期AI厂商的焦点都在搜索，为什么这么看好IMA一类的私有化知识库应用？

熊明辉：今天的这场AI变革的核心在于“知识即资产”的理念。用户能够通过私有化数据与通用模型的结合，实现了高度个性化的解决方案，传统垂直大模型因成本高、灵活性差逐渐被边缘化。

比如法律领域通过行业定制知识库解决了通用模型的幻觉问题，而高校科研场景中，学生构建的私人知识库甚至成为评估学术能力的依据。

这种模式的优势在于：

精准性：知识库中的数据是用户主动提供的高质量内容，而非网络抓取的污染数据；

可控性：用户可随时更新知识库，确保输出结果与最新动态一致；

安全性：数据封闭在私域，避免了通用模型的伦理和隐私风险。

相比之下，垂直大模型需要大量算力和数据预训练，但最终仍难以覆盖用户个性化需求，投入产出比并不划算。

比如法律领域的判例库需要动态更新，而垂直大模型的训练周期长，无法及时反映新法规或司法实践的变化。私有化知识库则允许用户按需添加或删除数据，确保模型输出始终基于最新的知识体系。

另外，私有化部署还能解决通用大模型的幻觉问题。以腾讯IMA知识库为例，其设计逻辑是基于用户提供的封闭数据进行问答，关闭联网检索后，模型仅依赖知识库中的内容生成答案，从而大幅减少虚构信息的风险。

这种“知识库+通用模型”的组合，既能保留大模型的推理能力，又能通过数据控制确保结果的可靠性，是垂直大模型难以替代的解决方案。