程实：智能增强+人工提质，人工智能重构经济活动基本单元

人工智能的未来不仅取决于其自身技术的增强，更依赖于如何通过“人工智能+”的路径，与实体经济实现深度融合。在“智能增强”与“人工提质”的双轮驱动下，人工智能不仅在重塑自身的应用体系，也在重构经济活动的基本单元。其中，“智能增强”依托通用大模型的智能升级，实现了“点”的突破，夯实跨场景迁移与泛化的技术基础；“人工提质”以行业化、专业化的场景大模型为抓手，推动“面”的拓展，促进技术潜力向经济效益的转化。

进一步来看，人工智能的演进并非线性递进，而是“点面结合、纵横交替”的推进。智能层面的持续增强与应用场景的广泛适配相互赋能，使人工智能在重塑经济增长路径的同时，进一步重构资源配置方式、组织运行模式与制度治理逻辑，并逐渐成为驱动高质量增长的底层力量。

智能强化：以通用大模型为核心破“点”

通用大模型（如ChatGPT、Claude、Gemini、DeepSeek等）的崛起，标志着人工智能发展迈入以通用智能为核心的关键阶段。这类模型具备跨领域语言理解、复杂逻辑推理和多模态交互等能力，构建起人工智能系统在不同场景中可迁移、可泛化的底层平台，成为人工智能系统化发展的技术支点。

“智能强化”强调通用大模型在智能层面的技术跃迁，为构建多场景复用的智能体系提供了可能。例如，从GPT-3.5到GPT-4，通用大模型的智能能力实现了显著升级。以标准化考试为例，GPT-3.5在法学院入学考试、SAT数学和美国律师资格考试中的表现仅处于人类考生的中下水平，而GPT-4在同类测试中已跻身前10%。这一跨越式提升表明，通用大模型不仅在语言生成上更为自然流畅，而且在逻辑推理、数学计算、专业理解等高阶认知任务中展现出更高的智能水平，成为“智能增强”的典型突破。

然而，仅凭“点”的突破尚不足以支撑实体经济的效率质变。通用大模型虽覆盖广泛知识，却难以深入应对专业性高、精度要求高的垂直领域应用。实践表明，在医疗、法律、工业等领域中，面对复杂的规范流程、专业的术语表达等行业门槛，通用大模型在准确性、稳定性和可解释性方面存在明显短板。在缺乏针对性训练与场景微调的情况下，其泛化能力难以直接转化为专业的业务效能。因此，将通用大模型的底座能力与垂直场景的实际需求深度融合，从“点”的智能强化走向“面”的场景落地，成为推动AI从潜力走向生产力的关键路径。这不仅要求技术上的精细化适配，更需要系统性的行业认知，从而共同支撑起AI从通用向专业的演化。

人工提质：以场景大模型为载体拓“面”

“面”即是人工智能与实体经济融合的广度与深度，正成为AI推动经济增长的主战场，而场景大模型的兴起正是“面”的拓宽的集中体现。“人工提质”强调以场景大模型为载体，结合行业数据与任务流程，将AI能力深度嵌入具体应用中，在实体经济层面实现融合扩展。

相比于泛化能力强但专业性不足的通用大模型，垂直领域的场景大模型通过行业语料定制、知识图谱构建与任务链路优化，显著提升了在专业任务中的准确性与稳定性。在微观层面，通过任务颗粒度细化，不同的场景大模型正在进行全矩阵式的探索。例如，在信息提取场景中，复旦大学张奇团队用2000条行业数据微调的8B参数模型，充分对齐业务细节的要求，到达了94.73%的F1值（查准率与查全率的综合指标，100%为理论最优），远超通用大模型GPT-4o的66.82%。在工业领域，广东知业的精益AI平台将半导体封装产品质量提高3%、产能提高4%；博依特推出的全球首个制浆造纸行业工艺大模型使生产效率提升10%、成本下降4%。在安全领域，深信服安全大模型实现了92%的运营工作量自动化替代；在教育领域，希沃大模型将教师备课时间从2小时缩短至30分钟，像素格物大模型则节省30%批改时间并降低20%的资源成本。这种基于场景的能力重构不仅增强了AI在实体经济中的渗透力，也为通用大模型提供了反馈训练数据，形成智能强化与场景优化的双向正循环。

可以预见，“面”的不断拓展不仅决定了AI的落地深度，也为“点”的持续突破提供了真实世界的数据支撑和反馈路径，最终构筑起以人工智能为核心的新型生产函数。这种“智能强化”与“人工提质”的融合逻辑，正重塑经济增长质量，也在塑造未来经济的底层结构。

点面结合、纵横交替：人工智能系统演进的核心机制

人工智能的系统演进，不是单向的“点”升级或“面”铺展，而是点面结合、纵横交替的过程。“纵”的深化是指智能层面的提升，如模型能力增强、推理链路完善、工具调用丰富，“横”的铺展是指场景层面的扩展，如行业适配深化、流程改造升级、产业链协同增强。这种“纵横交替”的机制，本质上是智能提升促进场景提效，而场景提效又反哺智能演进。“点”的突破提供了更强的触角，“面”的扩容又提供了更大的舞台，“点”与“面”的相互作用使得AI与实体经济系统之间的“接触面积”显著提升，从而推动全要素生产率的立体跃迁。

比如，AI在医疗领域的应用，不再局限于图像识别，而是延展至病历分析、临床路径规划、手术辅助决策等系统级流程。在工业制造中，AI不仅优化质检，也重构了生产调度、供应链响应与售后服务的全流程协同。这种“系统性的生产率提升”，远超以往单点AI工具引入带来的局部效益增加。AI正在从工具化、碎片化的外部技术，转变为深度嵌入式的内生能力，进而成为经济运行的底层支撑系统。

人工智能重构经济活动的基本单元

随着“点面结合、纵横交替”机制的不断深化，未来AI系统将在五大维度上持续释放潜能，不仅将重塑经济增长的路径，更将重构经济活动的基本单元。第一是集约性。AI具备以更低人力与资源投入实现更高产出的能力，显著提升要素配置效率。第二是精准性。专业化场景大模型通过领域数据的深度训练，可以在如医学诊断、金融风控、法律审查、工业制造等高标准场景中表现出接近专家的高一致性与高可靠性。第三是时效性。AI具备实时感知与动态学习的能力，能够在安防监控、城市调度、供应链管理等需即时响应的领域中实现7×24小时高效运行，显著提升系统的反应速度与资源利用率。第四是严谨性。未来的AI或将内嵌自我校验机制，严格遵循行业规则和伦理边界，减少“幻觉输出”，增强其在关键决策中的稳定性与可控性。第五是系统化。AI应用将突破工具型的“单点赋能”局限，转向端到端、跨流程、全链条的系统解决方案，从而构建起高度协同、动态演化的智能生态体系。

人工智能与经济增长的关系，正从外部赋能走向内生驱动的深度演化。AI不再只是提升某一岗位效率的“辅助工具”，而是在“点面结合、纵横交替”的结构性升级中，系统性地重构资源配置方式、组织运作模式乃至制度治理逻辑，成为推动经济增长范式转变的核心动力。这一过程中，政策、技术与资本的多维合力显得尤为重要。

政府层面，建议进一步加强政策统筹与资源引导，持续完善人工智能发展顶层设计。在“人工智能+”战略稳步推进的基础上，可以加快推动中长期发展规划出台，并结合重点行业实际需求，设立专项基金、推进智算中心布局、完善数据要素市场机制。同时，考虑在跨部门数据共享、公共数据开放等方面出台更具操作性的配套措施，以助力企业更高效地获取训练资源、实现模型落地。

企业层面，应主动对接国家战略，加快推进AI与关键场景融合，在制造、医疗、交通、能源等领域深入开展系统化试点。龙头企业可以强化引领作用，投入关键技术研发和开源生态建设，中小企业则可依托产业联盟与孵化平台，加快技术采纳，提升落地效率。通过场景驱动、技术牵引，推动形成“技术—产业—市场”的闭环创新。

金融机构层面，建议构建更具适配性的投融资支持体系，推动金融工具与人工智能产业的深度对接。在现有科技金融政策框架下，可探索知识产权质押、数据资产估值、AI风险保险等创新方式，有效缓解早期项目融资难题。同时，鼓励设立人工智能主题基金，进一步畅通资本进入实体科技的通道，增强金融对新质生产力的支持能力。

（程实系工银国际首席经济学家，徐婕系工银国际经济学家）