圆桌论坛：AI大模型+Agent，产业数智化升级的“新基建”？

“大模型智能新基建，推动产业数智化升级，为行业提供兼具实践性与前瞻性思考。

当大模型与智能体技术掀起效率与价值革命时，一个关键问题随之浮现：如何依托“智能新基建”，推动产业数智化升级，打破企业效能天花板，走出内卷困局，实现可持续高质量发展？

这不仅关乎技术落地的细节，更决定着整个产业的战略方向。为此，由数据猿、数智猿联合主办、中关村科学城公司协办，并获新华社中国经济信息社等多家权威机构支持的“2025第五届数智化转型升级发展论坛——暨AI大模型&AI Agent趋势论坛”特别设计了一场圆桌论坛，并以“AI大模型，产业数智化升级的‘智能新基建’”为核心议题，邀请业界多方代表展开深度对话，力求挖掘大模型落地的真实图景与产业破局路径。

本场圆桌论坛由数据猿高级主笔欧小刚主持，嘉宾阵容则呈现出“多领域、结构化”的精心设计，覆盖医疗、供应链、出海营销、数据分析、AI原生平台等多元领域，确保从不同视角还原大模型应用落地的全貌。

其中，南京市中医院信息中心副主任国强代表医疗领域，分享这家传承金陵中医流派的超级三级甲等医院，在中西医结合与数智化融合中的实践。

绝配供应链技术负责人曾涛则聚焦餐饮供应链赛道，带来数字化服务平台在物流建设与数字流通中的经验。

钛动科技技术VP陈德品作为出海营销领域代表，讲述这家总部位于广州的企业，如何依托AI能力助力中国品牌出海。

而帆软战略副总裁沈涛则深耕企业数据分析领域19年，将分享服务3.6万余家大客户、360家中国500强的过程中，大模型与数据分析工具的融合探索。

数新智能人工智能平台技术负责人王楠则从底层技术视角，介绍一站式AI原生数智平台在金融、能源、政务等领域的落地情况。

数据猿高级主笔欧小刚

正如主持人欧小刚所言，这场圆桌论坛的核心目标聚焦“大模型和Agent技术落地”，通过甲方与乙方、应用层与底层技术端的多元对话，既能听到一线实践中“炮火的声音”，也能通过结构化视角，梳理出大模型作为“智能新基建”推动产业数智化升级的清晰路径，为行业提供兼具实践性与前瞻性的思考。

创新与风险平衡，

幻觉是否是AI大模型的永恒之痛？

在to C领域，AI大模型即便存在30%的错误率或许仍可接受。但在to B领域，一旦出现“胡编乱造”的幻觉，极可能引发致命后果。唯有解决幻觉问题，大模型才能实现规模化商用。那么，当前幻觉问题究竟解决到了何种程度？又该如何破解呢？

南京市中医院信息中心副主任国强

作为医疗领域代表，南京市中医院国强首先回应，医疗场景对幻觉的容忍度堪称“行业最低”。

医疗数据受《网络安全法》《数据安全法》等严格管控，不得外流，因此医院的大模型应用先从“非敏感患者服务”切入，如导诊陪诊、报告解读等，不涉及核心诊疗决策，即便存在偏差也不会影响健康安全。而一旦进入临床诊疗环节，“机器决策”绝不被认可：哪怕大模型基于近3-10年数据训练，精准度达到95%以上，最终仍需临床医师团队审核校验。

其破解思路围绕“场景分层、标准约束、人工校验”展开。国强强调，当前的破局关键在于“建立标准”——从团标、行标到国标，明确不同场景下的模型精度要求，同时通过“降维应用”规避风险：95%精度的模型可用于教学、科研，为基层医生提供学习参考，却不能直接指导专家级诊疗。

此外，面对历史数据难以适配现有标准的问题，医院会通过阶段性“降低数据标准”（如从100个字段要求降至85个）完成数据治理，再逐步提升标准，实现技术与业务的“相互趋同”。

绝配供应链曾涛则从供应链“决策准确性生死攸关”的特性出发，将幻觉问题拆解为“预测性AI”与“生成式AI”两类场景区别应对。幻觉的根源是大模型“概率生成”的本质与训练数据局限，而供应链的预测性AI可通过“完整数据管理标准+多维度数据融合”规避风险。

例如预测国庆订单时，不仅参考历史订单数据，还会纳入天气、节假日人流等变量。当模型显示订单暴增时，通过人工分析验证“天气凉爽致出行人数增加”的合理性，确保决策确定性。

而对于生成式AI，由于供应链场景应用较少，其幻觉风险暂未构成核心威胁，当前重点仍是筑牢预测性AI的数据与规则根基。

钛动科技陈德品则从营销领域“高创新需求、高流程管控”的特性出发，展现了对幻觉的“乐观态度”。营销的核心是创意生成（如广告素材、出海文案），适度的“突破惯性”反而可能带来惊喜，且行业天然存在“多层审核流程”——从AI生成素材，到内部设计师、投放师校验，再到甲方最终审核，幻觉可通过流程层层过滤。

陈德品指出，一方面，大模型预训练技术的进步已让幻觉发生率“肉眼可见下降”；另一方面，人类记忆本身也存在“似曾相识”的模糊性，不必苛求模型绝对无错。关键在于“利用其通识能力，管控其风险”。

钛动通过多模型协同、Agent审核等方式，既保留大模型的创意优势，又通过流程化解幻觉问题，实现 “创新与风险的平衡”。

技术先行，

如何找到“幻觉与价值的平衡点”？

这场圆桌论坛的最大亮点在于其“跨领域、真实践、深碰撞”的特性。5大嘉宾分别来自甲方与乙方、技术层与应用层，覆盖了对幻觉容忍度从“零”到“适度接受”的全光谱场景，如医疗的“极致严谨”，供应链的 “绝对准确”，以及营销的“流程管控”。

而技术层的“精准破局”，数据分析的“辩证看待”都源于一线实践，勾勒出“幻觉并非永恒之痛”的清晰路径：通过场景分层、技术优化、标准建立、流程管控，大模型完全可以在不同领域找到“幻觉与价值的平衡点”，为产业数智化升级扫清这一关键障碍。

数新智能王楠从技术底层视角给出解决方案，核心逻辑是“精准输入+ 场景聚焦”。

数新智能人工智能平台技术负责人王楠

他认为，大模型的幻觉多源于“信息输入不准”，导致概率预测的输出具有不确定性，若能提供足够准确的数据源、高质量知识库，结合检索增强（RAG）、工具调用等技术，让模型从可靠数据中提取信息而非“凭空生成”，准确率可趋近100%。

同时，王楠强调“场景化约束”的重要性。大模型无法在所有场景中都避免幻觉，但聚焦某一具体场景如金融风控的特定指标计算、电力调度的参数分析等，通过限定可靠的数据范围与输出逻辑，可完全规避幻觉风险，最终实现“提升工作效率” 的核心目标。

帆软沈涛则提出了一个独特观点：“幻觉与创新是大模型的一体两面，如同太极图的黑白两面，无法只取其一。” 大模型的创新本质是基于已有知识生成新价值，这与Transformer技术“概率预测下一个词”的技术原理高度一致，幻觉正是这种创新能力的“副产物”。

帆软的实践也印证了这一点：2022年前采用LP（Learning Percentage）路线做智能问数，虽无幻觉却无创新；大模型时代虽有幻觉，但智能水平大幅提升。其破解路径分两条：

一是技术上从“NL to SQL”（自然语言转 SQL）升级为“NL to DSL”（自然语言到领域特定语言），让模型在BI限定的特定语言中生成问数逻辑，减少不可控性。

二是需求端“把问题问清楚”，通过在系统中内置不同场景的需求模板，将用户10字的粗浅问题，补充为200-300字的精准需求描述，从源头降低幻觉概率。

实践导向，

应用大模型需做好哪些数据准备？

在圆桌论坛上，欧小刚分享了一个极具代表性的案例：上个月重庆大学一位教授团队，花费100多万搭建算力服务器与微调环境，为企业提供大模型服务时发现，项目成败的核心关键在于企业是否拥有“大量高质量数据”。

那么从企业端视角，应用大模型或AI Agent时，需做好哪些方面的数据准备？数据质量与数量对应用效果的影响究竟有多大？

作为医疗行业甲方，国强首先明确医疗领域“数据量已足够，但高质量可应用数据集仍稀缺”。医疗数据历经30年积累，仅医学影像数据就需留存15年以上，总量已能满足大模型训练需求，但问题在于“数据分散、未按模型需求整理”。例如医院的电子病历（HIS）、医学影像（PACS）、临床路径等业务系统，虽都是数据采集入口，但过去多为“功能导向”，数据散落在不同系统中，未针对大模型的推理与训练做治理。

而医疗数据准备需围绕“场景聚焦、分类分级、真实治理”展开。医疗数据准备的第一步是 “场景划分”，按院外服务、院内诊疗（诊前、诊中、诊后）等场景拆分，再结合具体需求（如运营优化、财务成本核算、科研专病分析、国家直报）确定数据范围，比如科研场景需聚焦专病专科数据，国家直报则需严格遵循电子病历数据集标准。

第二步是“数据存储与治理”。通过集成平台将各系统数据采集后，先落地到数据湖（三级甲等医院标配），原始数据不做任何修改以保证真实性；再根据场景需求抽取数据，针对运营数据打标注标签（如 “人财物” 相关字段），针对科研数据做专病筛选，确保数据 “按需可用”。

不同医院的数据标准不统一，即便一家医院的数据质量达标，跨医院、跨省份的数据互通仍需区域主管部门（如卫健委、数据局）搭建可信数据空间，这需要甲方、厂商与监管部门共同推进。

绝配供应链曾涛则从餐饮供应链“数据准确性直接影响业务运转”的特性出发，将数据准备拆解为两类：

绝配供应链技术负责人曾涛

一类是基础数据，包括门店信息、服务商工商数据、车辆司机信息等。这类数据的痛点是“准确性不足、完整性欠缺”。比如门店地址可能夹杂无关字符，导致电子围栏解析失败，因此需先做清洗处理，剔除无效信息、补全关键字段，为后续的仓储调度、配送路径规划打基础。

另一类是业务数据，涵盖餐厅订货数据、仓库出库数据、车辆发车数据等。这类数据本身准确性较高（餐厅订货数据直接对接系统），但问题在于“后端作业数据同步滞后”——比如仓库出库后未及时更新系统、车辆发车时间未录入，会导致订单预测失效（如无法按计划8点送达门店）。

因此，业务数据准备的核心是 “全链路同步与历史数据清洗”：一方面确保实时业务数据（如出库、发车）及时录入系统，另一方面对过去几年的历史数据做全面清洗，消除误差后按“财务分析、销售支持、业务优化”等维度生成数据服务。

在数据治理的执行层面，曾涛提到绝配供应链选择“与第三方公司合作”，无需重复造轮子，但因对“第三方对业务的理解不足”，需甲方团队深度参与，通过磨合将业务逻辑传递给第三方，确保数据治理贴合供应链实际需求。

案例破题，AI大模型的重构性冲击表现在哪些方面？

在圆桌论坛上，欧小刚抛出了一个触及产业深层变革的问题：“大模型与AI Agent并非简单的新产品，而是对原有体系的重构，必然会带来双向冲击。从乙方视角来看，这种冲击具体体现在哪些方面？又该如何应对呢？

帆软沈涛从“软件产品革新”解读了AI 大模型冲击下的挑战与机遇。

帆软战略副总裁沈涛

2015 年阿尔法狗在围棋对战中落下“五路尖冲”这手“神之一手”时，曾被人类棋手视为“昏招”，只因这步棋未出现在人类2000多年积累的棋谱中 —— 这恰如当下大模型带来的认知冲击：当AI智能水平超越人类经验边界，会催生出人类难以理解却更高效的解决方案。

沈涛表示，面对这种冲击，帆软采取“双线并行”的应对策略：第一条线是“AI能力叠加”，在现有BI报表、零代码工具等产品中嵌入AI功能如智能填单、快速查数等，帮助用户在熟悉的操作框架内提升效率，降低转型门槛。

第二条线是“智能原生改造”，打造具备自主决策能力的新产物。他以朋友的社区运营AI Agent为例，该Agent不仅能自动回复用户问题，还能基于数据提出“提升社区活跃率5个点”的方案，并在执行后达成目标，甚至“主动要求涨薪”。

这种“能决策、会执行、可创造价值”的智能原生产品，彻底颠覆了传统软件“只记录、不决策”的定位。沈涛强调，对老牌软件厂商而言，冲击中蕴含“后发优势”：to B领域的竞争，70%的能力源于过往积累的组织理念、产品力、品牌力与销售团队，只需补充AI技术能力，就能快速形成差异化竞争力，抓住智能原生产品的机遇。

钛动科技陈德品则从营销服务领域的特性出发，提出AI大模型不仅不是威胁，反而是“提升服务价值的核心动能”。

钛动科技技术VP陈德品

作为服务数万客户的出海营销服务商，钛动科技的商业模式是“向客户交付营销结果（如 ROI），而非单纯售卖工具”，这使得他们对技术革新持“极度乐观”的拥抱态度。

陈德品认为，营销行业的核心矛盾是“发散与收敛的平衡”：一方面，广告创意、投放策略没有标准答案，需要大模型的创造能力突破人类思维惯性；另一方面，客户的广告预算（如 1000万美元）对ROI要求极高，需通过数据闭环快速收敛优化方向。

大模型的冲击恰好解决了这一矛盾：通过对行业沉淀数据的后训练与微调，大模型既能生成多元创意素材（如文生图），又能基于实时数据（客户甚至按小时查看）优化投放策略。

此外，出海营销的“时差痛点”也因大模型得到缓解 ——AI Agent可实现7×24小时不间断服务，弥补人工无法实时响应全球市场的短板。

陈德品表示，他们不担心“AI 替代设计师、投手”，反而主动整合国内外顶级AI Agent能力（如效果最优的文生图模型），通过“AI 生成—数据反馈—模型迭代”的闭环，持续提升客户营销效果。这种“以结果为导向的技术整合”，让大模型的冲击转化为服务升级的动力。

无论是软件厂商从“工具”到“智能体”的转型，还是营销服务商从“人工执行”到“AI协同优化”的升级，都揭示了同一结论：AI大模型的冲击，本质是推动乙方从“提供功能”向“创造增量价值”跃迁，而积极拥抱、深度融合的企业，终将在变革中抢占先机。

用好大模型，

对乙方的核心需求会有什么变化？

若要更好地用好大模型、演进到AI Agent体系，用户对底层大数据平台、数据分析工具及上层应用解决方案有什么需求？最希望解决哪些问题？

国强从医疗行业“场景复杂、核心诉求明确”的特性出发，提出两大核心需求：

一是“聚焦垂直场景，深挖数据价值”。国强表示，医院现有上百个业务系统，覆盖诊前、诊中、诊后全流程，乙方厂商若想提供有效的大模型解决方案，不能追求“大而全”，而应“按领域细分、聚焦场景做极致”——例如针对电子病历书写、检验报告解读、科研数据整理等单一场景，打造适配的大模型能力。

同时，医疗数据历经多年积累已形成庞大存量，乙方不应忽视这些历史数据，而应通过技术手段挖掘数据背后的问题，比如优化诊疗流程、改善管理效率，让数据从“静态存储”变为 “动态价值载体”。

二是“解放劳动力，回归业务本质”。更关键的是，医院的核心痛点在于“临床医生被文书工作绑定”：医生需花费大量时间书写病历、整理文书，难以将更多精力投入患者诊疗与医学研究。因此，国强希望乙方的大模型解决方案能以“高质量数据”为基础，辅助医生完成重复性文书工作，真正“解放双手”，让医疗资源回归核心的诊疗服务，这才是大模型在医疗领域落地的核心价值。

绝配供应链曾涛则从餐饮供应链“数据驱动决策、场景需求分散”的特点出发，提出两点具体需求：

一是 “推动行业语料共享，降低AI理解门槛”。供应链场景中，AI Agent的核心应用之一是处理客户沟通数据——客户在微信群中提及的“下单”“投诉”“查单”等需求，常因表述隐晦导致AI难以精准识别，而这一问题的根源在于“行业语料积累不足”。不同供应链企业的客诉处理、订单沟通逻辑存在共性，若乙方厂商能推动行业内相关语料的共享（如客诉话术、需求表达模式），可大幅降低AI Agent的语料分析难度，提升需求识别准确率。

二是 “打破Agent场景壁垒，实现‘一站式’解决”。当前企业内部按场景拆分了多个AI Agent（如订单Agent负责下单、销售Agent负责培训与线索挖掘），但各部门需求不同，多Agent并行反而增加了协作成本。

曾涛希望乙方能提供“一体化Agent解决方案”，无需企业为不同场景单独部署Agent，而是通过统一平台适配多场景需求，真正实现“一个Agent解决多类问题”，降低企业的应用与管理成本。

精准对接产业痛点，拒绝空泛需求，这种“从甲方实际痛点出发，反向定义乙方解决方案” 的对话模式，不仅为乙方厂商指明了产品研发的方向，更搭建了甲乙方协作的 “需求共识”，让大模型与AI Agent的技术创新真正贴合产业实际，避免“技术空转”，推动数智化升级落到实处。