一、AI不能只停留在“省钱”

活动伊始，李欣博士担任引言嘉宾。他结合自身多年金融行业经历与个人职业发展思考，指出AI技术的普及不能仅停留在降低成本、提高效率层面。如果所有企业都采用相似的技术手段，竞争优势将逐步减弱。真正有价值的技术应用，应帮助企业拓展市场边界，创造新的业务机会，让企业的AI投资从“成本中心”走向“资产中心”。

二、三类AI投入模式与三条新规则

随后，骆思良先生带来主题分享。他提出过去三年AI主要在帮企业省钱，而未来AI要帮企业“值钱”——即从“IT项目”升级为重塑生产关系的战略能力。他将当前市场上的AI项目归纳为三大类，并逐一剖析其真实ROI与红利窗口：

●人力替代型（如智能客服、文档处理、代码生成）：产能提升约30%，但纠纷率上升约8%，属于“省人”逻辑，2024年红利已基本清零；

●流程优化型（如合同审查、风险筛查、营销内容生产）：效率提升明显，但红利大头被流程再造分走，同样在2024年进入同质化竞争；

●决策辅助型（如投研、诊断、定价）：价值提升空间最大，ROI可达5-10倍，但其天花板不在模型，而在数据质量与独占数据资源。

基于此，骆思良提出，企业要从“省钱工具”升级为“价值引擎”，需要符合三条新规则：

第一，资产生成——即通过AI创造过去不存在的新资产，如可交易的数据产品、可复用的模型资产、链上可验证的信任凭证；

第二，客户愿付溢价——判断标准是“把AI关了，客户会不会流失”，若会，则说明AI创造了客户真正认可的价值；

第三，重做生产关系——AI转型不是IT项目，而是重塑决策权、信息流与岗位分工，让组织“神经网络”升级。

三、落地路径：三类场景与RWA的合规铁律

在企业应用AI具体落地方向上，骆思良先生给出了三类清晰路径：

●传统产业垂直大模型：建议从“最贵的老师傅、最贵的失败、最贵的产品”三个切入点开始，结合行业工艺参数，采用MoE架构与QLoRA微调技术，在10周内完成模型训练并嵌入企业核心系统。以高分子材料配色模型为例，目前已有案例证明用户愿为“聪明”多付10%的溢价。

●金融AI：重点聚焦反洗钱、反欺诈与尽调场景，目前技术上采用“垂直大模型+规则引擎”协同，能够将尽调周期从3-6个月压缩至3天，但现实场景应用中仍需满足监管可解释性等要求。

●RWA（真实世界资产代币化） ：RWA落地的顺序非常重要——先找律师确立合规框架，再找权属清晰、现金流可验证的资产，然后通过合规沙盒验证（海南、横琴、香港、大湾区），最后才引入AI增信。AI技术在RWA中可扮演资产筛选、尽调扫描、7×24小时监控与动态定价四大角色。

四、案例启示：粤易通从“工具”到“资产”的演化路径

骆思良先生以自己团队参与建设的区块链跨境贸易平台“粤易通”为例，阐释了“以为在做工具，其实在做资产”的演化过程。粤易通自2021年上线以来，累计交易额已超100亿元，每笔交易均实现“交易即确真”，链上留痕、可追溯、可验证。这些带真实性证明的数据，不再是用完即弃的日志，而是可确权、可估值、可质押的数据资产。这一转变直接改变了商业模式，从原来的收取系统服务费，转向参与资产价值分配，并构成RWA的真实性底座。

五、工业级准确率：微调+规则+流程兜底

针对大模型在工业场景中的应用，骆思良先生指出，通用大模型约90%的准确率在工业领域远远不够，一次错误可能造成数十万甚至数百万元损失。但解决之道不是追求模型达到100%准确率，而是通过“微调（QLoRA）+规则引擎硬约束+老师傅复核+系统嵌入+持续监控”五层兜底，让模型、规则、流程与人工共同构成100%的可靠闭环。