AI如何真正落地:跨国实践中的工具应用与业务赋能

在过去两年，我们都在谈AI，从大模型到智能体，从应用到场景。但真正的分水岭，其实已经悄然出现：有些企业，已经在用AI创造真实价值；而更多企业，还停留在“使用工具”的阶段。这背后的差异，不是技术本身，而是：是否把AI嵌入业务结构，是否形成“可持续的生产力体系”，是否真正让AI参与“价值创造”，而不仅仅是“效率辅助”。

在全球范围内，这种分化正在加速：硅谷在探索AI Agent驱动的自动执行体系；欧洲在构建制度型数字基础设施；亚太在推动AI×产业场景的深度融合。

企业真正要回答的核心问题是：AI，如何从“工具”，变成“增长引擎”？希望通过：跨国实践案例；真实业务场景拆解；一线经验与方法论总结，一起回答一个更本质的问题：AI的价值，不在于它能做什么，而在于它如何改变业务结构。

与欧中人工智能协会联合组织本次专题分享，由欧中人工智能协会会长、欧中灵创大咖会客厅栏目主理人肖灵艳主持，与四位嘉宾展开更深入的分享与讨论。

严晔：澳大利亚xSpaces联合创始人兼COO，新州国际教育董事/首席营运官

李彬：清华大学AI博士、20年美国硅谷经验，贵州智科云投资董事长

焦安之：新加坡亚太未来商学院院长，亚太人工智能教育顾问

郭振耀：北京曜擎智能创始人，教育元宇宙国际实训研究院副秘书长

以下为嘉宾对话观点整理

王世渝｜分享开场

人工智能最近有一个观点，说它可能是人类历史上最后一次发明，但这个说法我们并不完全认同。从更长的历史来看，人类经历了多次工业革命，而当下这一轮变化，已经不能简单用“工业革命”来定义，而是一场以数字化、智能化为核心的系统性变革。人工智能并不是终点，而是在过去几百年科学技术积累基础上的一次新跃迁，是一种新的技术手段与方法，它将开启人类新的科技历程、社会历程与经济历程。

人工智能的影响不是局部的，而是对整个科学体系与经济社会结构的全面重塑。它既可以加快研究速度、改变研究方法，也可以降低成本、提升效率，同时还在重新定义价值创造的方式，甚至让过去的一些技术路径逐渐被替代或过时。可以说，人工智能已经渗透到经济、社会、文化等方方面面，这种影响是深层次的、系统性的，而且仍然处在刚刚开始的阶段，因此对每一个人来说，持续学习和适应变化已经成为不可回避的现实。

在全球范围内，虽然技术本身具有共通性，但由于不同国家在制度、文化背景与价值观上的差异，各地区对人工智能的理解、应用方式以及发展路径也会有所不同。因此，跨区域、跨文化的交流显得尤为重要。正是在这样的背景下，来自中国、新加坡、澳大利亚、欧洲、北美等不同地区的实践经验能够汇聚在一起，通过交流与讨论，帮助我们更全面地理解人工智能的落地路径，也为未来的发展提供更加多元的视角与启发。

严晔｜核心观点

【AI正从“工具”走向“增长引擎”】

当前AI的应用已经经历了从“工具提效”到“增长驱动”的阶段转变。很多企业已经在使用如ChatGPT、DeepSeek等工具提升效率，但效率提升并不等于业务增长。真正的关键在于，AI是否能够进入业务核心环节，改变业务结构，而不是停留在辅助层面。在教育实践中，早期使用AI主要集中在内容生成和辅助教学，但只有当AI进入教学全过程（如评估、反馈、学习路径设计）时，才开始真正产生结构性价值，这正是“工具”与“增长引擎”的分水岭。

【AI成为增长引擎的前提是业务模式的重构】

当AI从工具升级为驱动力时，原有的业务模式与组织结构必须随之调整。过去依赖大量人力分工的体系，在AI时代会发生变化，部分操作性岗位被替代，更多工作转向决策与引导层面。教育业务中，原本大量教师时间用于批改作业等重复性工作，而引入AI后，这部分工作被系统替代，教师角色转向“引导学习路径与互动”，整个教学模式从“执行型”转向“引导型”，体现出业务结构的实质性变化。

【AI落地的关键在于“闭环、量化与迭代”】

AI能否真正产生价值，取决于三个核心条件：首先是嵌入业务闭环，让AI成为流程中的一部分；其次是实现可量化的结果提升；最后是形成持续迭代机制。例如，在其HSC课程与虚拟学习平台实践中，AI被嵌入到“作业评估—反馈—学习调整”的完整闭环中，学生行为数据不断反哺系统，实现持续优化。同时，通过学习效率与成绩提升等指标进行量化评估，从而验证AI的实际效果，而非停留在概念层。

【AI不会取代人，而是重构人机协作关系】

实践中发现，完全依赖AI的“无人化模式”难以持续，因为人类具有社交与情感需求。更有效的方式是由AI承担重复性工作，人类承担引导与互动角色。在实践中曾尝试“完全由AI驱动的自主学习环境”，但发现学生很快失去兴趣，因为缺乏社交与情感互动。随后重新引入真人教师，形成“AI+教师”协同模式，既提升效率，又维持学习动力，这一调整验证了人机协作的重要性。

【真正有效的是“小模型 + 数据闭环”，而非单纯依赖大模型】

在实际应用中，企业更依赖基于自身数据构建的“小模型”，而不是通用大模型。通过持续积累业务数据，形成高质量数据闭环，可以不断优化模型表现。在教育场景中，更依赖基于学生行为与学习数据训练的“小模型”，这些数据高度贴合具体业务，使模型能够持续优化教学效果，而不是依赖通用大模型的泛化能力。

【AI落地必须解决依赖、本土化与场景适配问题】

AI在应用过程中面临多重挑战，包括过度依赖、本土化差异与场景适配问题。在系统设计中，刻意让AI“不给标准答案”，而是提供方向，引导学生自主思考，以避免过度依赖；同时他提到印度教育AI案例中，由于忽视语言口音与文化差异，导致用户体验下降，说明本土化适配的重要性。这些实践都表明，AI必须深度结合具体场景进行调整，才能真正落地。

李彬｜核心观点

【全球AI快速演进，但中国整体仍处于跟随阶段】

当前人工智能已经历近70年发展，从启发式方法、机器学习、深度学习逐步演进到大语言模型与世界模型阶段，技术路径不断迭代、创新持续加速。但从整体来看，中国在基础理论与底层范式上仍以跟跑为主，包括DeepSeek也主要是在ChatGPT的技术框架下进行追赶，尚未形成具有全球引领性的原创体系。例如，当前主流大模型，无论在架构设计还是训练范式上，仍然延续Transformer体系与大规模数据驱动逻辑，中国更多是在工程优化与应用层创新上取得进展，而在“范式定义权”上仍未突破。

【中国AI必须在基础理论与核心技术上实现原创突破】

当前中国人工智能发展的关键瓶颈不在应用层，而在基础理论与核心技术，这也是“卡脖子”问题的根源所在。如果长期停留在工程实现或应用创新层面，很难形成真正的竞争壁垒。在算力架构、算法范式、基础模型结构等关键环节，全球仍由少数技术体系主导，这意味着即便在应用层取得成功，也仍受制于底层框架。因此，只有在基础理论与核心技术上实现原创突破，才能真正掌握发展主动权。

【中国式AI以“智慧驱动”为核心路径】

中国式AI并不单纯依赖现代科技路径，而是强调从“智慧层”出发，通过系统性挖掘中国几千年文明积累的思想资源，如《道德经》、中医体系等，为人工智能提供新的认知基础与方法论支撑。如中医体系，强调“整体观”“动态平衡”，与当前AI中对复杂系统建模的需求存在某种内在对应；又如《道德经》中关于“道生万物”的认知框架，提供了一种不同于“数据生成结果”的思考路径，这些都可能成为重构AI认知模型的潜在来源。

【真正的原创在于底层范式重构，而非技术层优化】

中国式AI的原创不在于对现有模型的局部优化，而在于底层范式的重构，尤其是在“智慧层”对现有科学体系进行重新定义。一旦底层假设发生变化，技术、工程与应用层将随之整体重构。从“数据驱动生成”转向“认知结构驱动推演”，一旦这种范式成立，将不仅改变模型设计方式，还会影响计算方式、数据使用方式以及应用逻辑，从而形成跨行业的系统性重构，而非单点技术突破。

【提出“天赋模型”，探索区别于大模型的新路径】

在现有大模型与世界模型之外，提出“天赋模型”这一新的探索方向，强调人类个体差异、道源关系以及万物关联等多维属性，并尝试通过指标化方式进行表达。相比当前模型基于海量数据学习共性规律，“天赋模型”更关注个体差异与内在结构，类似于将“个体认知特征”纳入模型体系，这种路径可能更适用于教育、个性化决策等场景，是对现有统一模型范式的一种补充与突破。

【AI带来风险与紧迫，同时也为中国提供领跑机会】

人工智能的发展可能带来“奇点风险”，即技术极度强化后可能被少数主体控制或被不当使用，从而对社会产生深远影响。同时，AI也在倒逼人类重新思考自身价值与能力边界。当AI可以完成大量认知型工作时，人类的核心优势将从“执行能力”转向“认知与创造能力”。在这一过程中，未来科技体系尚未完全定型，中国如果能够在底层范式与认知体系上实现原创突破，有机会从跟随者转变为引领者，在新一轮科技竞争中占据主动地位。

焦安之｜核心观点

【AI的关键不在“是否使用”，而在是否进入系统】

在当前阶段，AI已经不再是“要不要用”的问题，而是“是否真正进入系统”的问题。很多应用仍停留在单点工具层面，例如用于内容生成或效率提升，但这并不能改变整体结构。真正的分水岭在于，AI是否嵌入到家庭、教育与财富管理的完整体系中，成为系统的一部分，从而对结构产生持续影响。

【家庭正在面临“关系、教育、财富”断裂痛点】

当前很多家庭面临结构断裂痛点，这些问题在代际交接过程中尤为突出，成为家族难以长期延续繁荣的重要原因。家庭关系碎片化，教育路径反复切换，财富规划缺乏系统。例如在教育上，很多家庭让孩子在国内与海外之间多次切换路径，缺乏长期规划，导致认知与成长路径不连贯；在财富上，则更多是产品层面的配置，而非整体结构设计。这些问题在代际交接过程中尤为突出，成为家族难以长期延续繁荣的重要原因。

【AI应作为“连接器”，重构家族系统而非提供单点服务】

在家族传承体系中，AI的核心作用不在于替代某一环节，而在于作为“连接器”，将家族文化、教育体系与财富管理整合为一个整体。通过对家族成员信息、成长路径与资产结构的整合分析，可以实现跨代数据连接与决策支持，使家族从零散服务模式，转向系统化运作与长期陪伴。

【教育本质是构建下一代能力结构，而非单纯知识传递】

在实践中，家族教育更强调能力结构的长期构建，例如批判性思维、领导力、沟通能力与跨文化协作能力等。这类能力往往通过真实场景训练完成，如国际创业竞赛、多文化团队合作、全球案例学习等，而非单一课堂学习。同时，家族接班人的培养周期通常长达10–15年，需要从小进行系统规划，而不是临近接班才开始准备。

【家族文化与精神是实现多代传承的核心基础】

在亚太传承三代以上的家族案例研究中，可以看到共同特点：高度重视家族文化与家族精神的传承。例如一些华商家族通过家族传记、家族历史梳理、通过顶尖的AI技术创作家族电影，使年轻一代接班人能够更直观地理解创始人的经营哲学与人生哲学，从而增强弘扬家族品牌的使命感。

【未来家庭竞争力取决于“系统能力”，而非单一财富规模】

在AI时代，家庭之间的差距将不再主要体现在财富规模上，而是体现在是否具备系统能力。例如是否拥有清晰的教育路径、是否建立家族办公室与信托体系、是否具备长期代际规划能力等。那些能够构建完整系统的家庭，更有可能穿越周期，实现长期稳定发展，而不仅仅依赖短期财富积累。

郭振耀｜核心观点

【AI时代的核心问题不是信息获取，而是知识沉淀】

在AI时代，信息已经极度丰富，甚至出现严重的信息过载。无论是行业资讯、模型更新，还是日常阅读内容，用户往往收藏了大量信息，但并未真正吸收与使用。问题不在“没有信息”，而在于信息无法沉淀为结构化知识体系。日常使用微信公众号、浏览器书签或笔记工具（如印象笔记、Notion）时，虽然可以大量收藏内容，但“收藏不等于掌握”，大量信息最终仍处于碎片化状态，无法形成真正可复用的知识资产。

【传统知识管理方式存在“碎片化与孤岛化”问题】

从知识管理演进来看，无论是早期的卡片盒方法，还是后来的笔记工具体系，本质上仍未解决知识结构化问题。传统工具依赖分类、标签或目录，但随着内容增多，检索与关联变得困难。如，在Notion、印象笔记等工具中，知识往往被埋在多层目录中，难以快速调用；即便是双向链接工具（如Obsidian），虽然增强了关联能力，但仍需要大量人工整理，知识依然难以自动演化为系统。

【RAG模式无法真正实现知识沉淀】

当前主流的RAG（检索增强生成）知识库，本质仍是“临时拼接”。每次提问时，从原始文档中检索并组合答案，但这些知识不会沉淀下来，仍然是一次性使用。企业搭建的RAG知识库，在问答时可以返回结果，但这些结果不会转化为结构化知识体系，也不会形成长期积累，因此仍然停留在“信息调用”，而不是“知识增长”。

【LLM Wiki是从“信息管理”走向“知识编译”的新范式】

以Karpathy提出的LLM Wiki为代表的新模式，将大模型从“问答工具”升级为“知识编译器”。通过对原始内容进行自动编译，生成结构化知识体系，包括摘要、索引、概念页面与关联关系。在实际操作中，将收藏的文章自动转化为Markdown结构化内容，并建立索引与知识图谱，使原本分散的文章被重新组织为一个可查询、可复用的知识系统，从“碎片信息”转变为“系统知识”。

【知识系统的核心是“自增长与复利效应”】

与传统笔记不同，AI驱动的知识系统可以实现“自增长”。通过持续输入内容，系统自动建立关联、更新索引并优化结构，使知识不断扩展与演化。在实际使用中，每新增一篇文章，系统不仅生成摘要，还会自动与已有知识建立10–15个关联节点，形成知识网络；同时通过查询与自检机制，不断修复孤立内容，使整个知识体系持续优化与完善。

【AI知识管理的本质是构建“可编译、可演化的系统”】

AI时代的知识管理，本质不再是记录信息，而是构建一个能够自动运行的系统，包括“摄入—编译—查询—自检”的闭环。这一系统通过规则约束（如CLAUDE.md）与结构设计，实现知识的持续演化。在实践中，通过设定统一规则，让大模型按照固定流程处理内容，从原始素材（raw）到结构化知识库（wiki），再到查询与优化，形成完整闭环，使知识不再依赖人工整理，而是成为可以自动维护与增长的系统。

声明：本文所涉及的观点与讨论内容，均为相关嘉宾基于个人研究与实践经验形成的学术性、研究性观点，仅用于数字经济与产业数字化领域的交流探讨，不构成任何形式的投资建议、业务指引或政策解读。文中所有观点与分析，均严格遵循国家现行法律法规及监管政策要求，提及的数字化、资产数字化等相关表述，均限定于产业运行、数据治理、企业数字化能力研究等非金融语境，仅用于对数字经济发展路径和研究方法的探讨。任何机构或个人在理解、引用或使用相关内容时，均应以国家法律法规和监管政策为最终依据，并坚持依法合规、审慎推进的原则。