当大模型从技术奇点跃迁为产业基座，当智能体从实验室走进产线诊室，人工智能的第三次浪潮正以前所未有的锐度重构全球经济肌理。

中国在这场变革中展现出双重禀赋：既是拥有超大规模应用场景的试炼场，又在芯片突围、算法开源等深水区发起攻坚。从单点技术破壁到生态级创新，从效率工具到新质生产力引擎，一条具有东方特色的AI发展路径正加速浮现。

7月26日，世界人工智能大会（WAIC 2025）以“智能时代 同球共济”为主题，汇聚了来自AI领域的科技巨头、学术先锋与政策制定者，而这场覆盖技术、伦理、艺术的超级盛宴，昭示着AI已从“产业变量”进化为“文明常量”。

在这场关于人工智能产业的盛会上，36氪不仅作为产业观察者，更以产业连接者的角色深度参与，在展馆中搭建了“氪星直播间”，以对话的形式，揭秘人工智能产业进阶的底层逻辑。

在对谈中，华为NCE-数据通信领域总裁王辉表示：以强推理模型为代表的大规模学习还没有到达天花板，还差得很远。如果通过多个领域知识的加持，让一个大模型在一个领域内变得专精，这个是我们未来一段时间主要发力的方向。

以下为对谈实录，经36氪编辑：

36氪：本次WAIC探讨的一些问题或者是趋势，您认为哪一个趋势是最明显的?

王辉：这次大会我们看到的最重要的一个趋势，是AI 现在真正深入到了ToB行业，原来很多技术是承载在PPT上，以及视频里面，但这次来了之后，我们看到很多AI应用已经进入了生产车间，进入了工厂，从机器人打螺丝到我们现代教学里面，学校通过AI可以辅助教学，甚至有一些AI数字老师，帮助学校去做很多课程，所以我认为最大的变化是在不知不觉之中，AI已经深入到了每个行业，真正变成了生产力工具。

36氪：您认为AI深入行业，对于咱们目前的工作来说产生最大的影响是什么？

王辉：我是在华为负责自动驾驶网络的，不是那个自动驾驶汽车，而是用 AI 去驱动网络。很多人可能觉得，网络需要 AI 驱动吗啊？确实是这样的，网络是非常复杂的，大到运营商电信网络，小到一个企业的网络，比如清华大学，会有几万台设备来构成校园网络，并且承载了几万师生的使用，这种情况下，网络运行、体验、运营、安全的高度智能化就显得非常重要，也是非常必要的。

再以网络安全为例，全球 80% 以上的网络攻击其实是由AI发起的，很多勒索攻击是AI自动去做的，导致AI勒索已经成为走私贩毒之外的第三大黑色产业，所以这种情况下用人去对抗AI是不现实的，今年的哈尔滨亚冬会，赛事系统被网络攻击累计达到27万次。

所以我们必须将很多 AI 技术应用到网络里面，来解决我们网络的流量问题，再解决网络攻击的问题。从这个角度来看，AI深刻地改变了网络这个行业。

以上提到的是AI for network部分，另外一部分叫Network for AI，也就是我们的网络怎么为 AI 服务的。

英伟达的网络业务很值钱，今年应该是超过了100多亿的收入，华为公司的规模也很大，这个通信网络跟原先的相比，发生了很大的变化，它需要高速无阻塞的长时间稳定运行。一个大模型的训练常常持续45天甚至到60天，如果训练过程一旦中断，就需要重新开始，或者至少从上一个时间点开始。OpenAI训练它的新模型为什么那么慢？很重要的原因就是在不停地中断，所以说我们必须通过AI来赋能网络，从而让整个AI训练的过程中长时间保持稳定运行。

总结来讲，我认为AI深刻地改变了网络，同时网络也深刻地改变了AI。

36氪：您能不能举一个更具体的例子，表现出AI对客户起到价值提升的作用。

王辉：比如清华大学，其实它的网络还是非常复杂的，我们日常见到的这种 Wi-Fi 设备都有几万台，整个网络非常复杂，一个很大的变化是，原来在学校里面，特别是教室里面，网络其实没那么重要，很多老师不太希望学生天天在刷手机上网，影响授课的质量，但现在不是这样子的。

随着现在智慧教室的发展，在课堂需要学生用 Pad 也好，笔记本也好，这些终端通过网络去跟老师做互动，你要提交答案，又要看 AI 辅助教学的内容，或者有大量的课件要下载，这对网络都提出了很多很高的要求。原来在清华大学的智慧教室里面，经常有一两百个学生在上课，如果大家同时在下载大量的课件的时候，其实网络是非常繁忙的，而且一旦网络出现故障，原来可能修复需要一个小时，甚至两个小时，都已经下课了，这个是不可接受的。

但是我们通过引入AI之后，可以让整个的网络信号变得均匀，可以感知到每个学生每个应用的质量。比如在你提交考试答案的时候，保证你的网络是安全可靠的，在你下载课件的时候，保证是高速流畅的。所以，通过这些AI手段，我们有效地保证了整个智慧教室的平稳运行。无论是AI辅助教学也好，还是智慧教育也好，能够在AI的加持之下保证每一个学生的良好用网体验。

36氪：那么你认为现在AI或者人工智能技术面临的一个最大的技术难点，或者是一个工程性的难点是什么？

王辉：这是ToB行业的一个普遍性问题，最核心的还是准确性的问题。

因为AI 进入工程领域，跟ToC是不一样的，让它写一首诗没那么准，没关系，可能写出来之后觉得更优美，让它帮你唱一首歌，没那么准，其实也没关系。但是进入每个垂直的ToB行业的时候，要求是不同的，比如我们现在也做了很多 AI 辅助医疗，如果诊断出现错误，可能影响这个病人一生。现在用的自动驾驶汽车，如果在刹车的时候出现一个误操作，可能就是人的生命的问题，所以说 AI 进入一个工业领域行业的时候，它的准确性是当前最大的一个挑战。

36氪：ToB行业从0到99%可能都是很好达成的，但是从99%甚至是99.9%到100%，就是这个0.01的误差是很难消除的，你认为如果想要真正使AI的准确率达到100%的话，行业还需要付出怎么样的努力？

王辉：我个人认为，现在的数据可能还有很多水分，实际上达到99%也很难，达到90%以上，甚至95%以上是可接受的，因为我们每个行业都有不同的阈值。比如，汽车行业会设这样一个指标，10万公里的故障数，作为个人来讲，可能平均10万公里会出现一次驾驶的事故，但如果说我们用自动驾驶或者 AI 去超过这个阈值，这是可接受的。在其它领域也是一样的，医生的诊断也不会达到100%，再有经验的医生一生中也会出现误判，所以说这就是一个阈值问题，我认为在不同领域如果能达到90%，甚至95%，都可以 先去使用，这是 OK 的。

一个很关键的要素，是大小模型技术。因为我们现在也用了很多大模型技术，但是客观讲，短期内无论是大规模强化学习也好，还是其它技术也好，很难让大模型做得那么准确，这是非常非常难的，所以我们在工业领域内积累的很多小模型，或者是细分领域的专有模型就非常重要。就像你让大模型去算数学题，虽然现在看分数很高，但实际上还是会有错误，你让计算器去算，它的准确率基本上就接近100%。

更核心的是，现在这些 AI 的技术的组合，大模型的AI技术、原来领域的AI模型的技术，以及原来很多没有AI的激励模型技术，把这些技术组合起来，才能真正提升它的智能化水平，提升它的泛化性，同时又提升它的准确率，这是当前工程上的一条比较合理的路径。

36氪：那么您这次来WAIC，发现这次大会向生态伙伴或者咱们自身传递了一个什么样的信息？

王辉：很大一个的变化，在于大模型不再比分数了，而是比商业价值。以前大模型特别喜欢比分数，霸榜的时间从原来的一个月变成一个星期，甚至一天，最后变成只能霸榜一个小时，现在大家已经不太比较这个事了。机器人也不再比表演魔术比表演武术，而是在比谁真正在工厂里打螺丝打的效果更好。

所以从这个现象上来讲，我觉得大家不太关心这些所谓的技术指标上的突破，而是转变成关心它的商业价值，比如 AI真正落地到每个行业里面，最终能够产生商业价值，这才是大家最关心的问题。

这两天我跟 AI圈子里很多知名专家，包括很多高校教授，也聊过这个事情，我们从纯技术视角来看，从强推理模型，包括 DeepSeek和OpenAI 出来之后这段时间，其实没有一个革命性的质变，是因为我们没有找到这个技术变量。以强推理模型为代表的大规模学习，应该还没有到达天花板，还差得很远。如果通过多个领域知识的加持，让一个大模型在一个领域内变得专精，是我们未来一段时间主要发力的方向。

36氪：如果您还来下一届大会的话，您对 WAIC有什么样的期待？希望看到一个什么样的新的一个现象或者趋势？

王辉：这次 WAIC已经一票难求了，很多人想进都进不来，说明了AI的火爆。WAIC提供了一个很好的平台，全球AI产业能够一次性接触、企业和客户能够集中交流，这是非常好的一件事情。

面向未来，一个可见趋势就是AI和大模型会更深度的走进千行百业。明年看到的可能不仅是机器人能够在打螺丝了，它可能在工厂里面做一些端到端的工作。WAIC还可以更聚焦，为每个细分行业搭建一个相互交流、促进商业落地的一个平台。