个人感觉现在各行各业都在被AI疯狂改造。
当然，想要找爆发性增长的行业，可以看下模型精调的数量（最能反映大模型与产业结合的深度）。有一组数据，目前某大模型平台仅在去年年底就已帮助B端客户精调3.3万个模型，开发了77万个企业应用，而且相当一部分集中在物流、医疗、科研、企业资产管理及数据安全等领域。
为什么物流、医疗、科研等领域更容易迎来爆发性的增长？原因之一是因为这些行业内部专业人员对自身的问题和需求有明确的认知，问题边界清晰，付费意愿明确，所以也更容易利用AI技术解决行业的痛点和难点（相比之下，C端AI应用就抽象多了，需要相当的洞察力和产品创造力）。
事实上，现在已经有非常多的行业，通过垂类场景的深度渗透，构建起了“数据－模型－应用－反馈”的闭环生态。比如基于中国移动大模型，传统的物流和医疗行业已经被重构，这些行业的“不可能三角”也正在被逐步打破，即速度、成本和质量在AI的加持下可以兼得。
日前正在举办的中国移动云智算大会，就为我们展现了众多新技术，描绘了新场景。未来云智算将成为产业升级、生产力跃迁的关键驱动力。
如果说三年前各行各业还是“+AI”，那现在已经完全变成“AI+”，二者的区别在于谁才是驱动产业变革的核心。
一句话，大家手里打的全是AI明牌，最后拼的都是执行力。以下是几个有可能因为AI而迎来“爆发性增长”的典型行业：
一、AI物流：库存波动曲线误差率仅3%
目前绝大多数物流企业（比例超过95%）都在不同程度上增加了对AI数字化基础设施、解决方案和服务的投入。
拿物流园区来说，传统物流园区大概有两个可见的痛点，一是需要人工巡检货车车牌、货物堆码合规性以及是否有包装破损等问题；二是需要调度员依靠经验来预测库存。保守来说，这种人工巡检破损识别准确率可能还不超过70%，而即使是经验丰富的调度员，可能也会存在一定的预测误差。这种误差哪怕比例不高，也会导致数额巨大的滞销损失。
（中国移动的视觉大模型构建智慧物流，图源：网络）AI解决这个问题的方法很简单，通过“靠AI”来替代“靠经验”和“靠人工”。换句话说，中国移动的视觉大模型基于大量的物流图像训练，通过边缘计算节点实时分析视频流，实现车牌识别、堆码合规检测以及破损检测，替代了人工巡检工作。而九天结构化大模型，结合类似于供应链数据、消费趋势数据等等来构建了多维度预测模型，用算法而非经验输出未来一周的库存波动曲线，误差率仅3%。
二、AI医疗：专业能力超过3年资历的执业医生水平
在医疗领域，虽然很多医院都要求“智能化”，都有自己的信息化系统，但这些系统并不能实现“互联”。且由于基层医院上传病历资料完整度低，信息化系统的效率并不高。拿专家会诊这个急重场景来说，如果缺少患者病历、检查结果等数据，每一次会诊都需要从头开始分析，每一次会诊也会带来一定的三甲医院专家资源浪费。
中国移动通过全国300余家医疗机构开展AI与医疗深度合作，基于大量的真实病历、会诊语音等数据训练出九天·医疗大模型，可以对病历进行结构化解读，也就是说它能够从杂乱无序的文本中提取和医疗相关的关键信息，提供给医生做诊断支持。同时还能够整合患者病历、检查结果、会诊过程语音记录等数据，输出会诊意见供医生进行参考。经过训练九天·医疗大模型的专业能力已超过3年资历的执业医生水平，具备医学问答、医疗报告生成、医学信息抽取等多种能力。
（九天·医疗大模型，可以对病历进行结构化解读 ，图源：网络）简单来说，以前AI起到辅佐人力的作用，而现在，AI代理可以完成医疗行业多业务流程自动化的过程，再实现多智能体协同，这是一个很大的颠覆。
它所依赖的九天·医疗大模型，实际上是九天大模型家族的一员。在AI大模型领域，如果说DS以"广度覆盖"刷新了类gpt的交互体验，那么九天大模型相当于“垂度深挖”。它底层是超大规模多模态Transformer，中层嵌入行业专属知识图谱，顶层配置场景化微调接口，形成了"通用基座+行业专家"的混合智能体。
（中国移动“九天AI大模型”成为同时通过国家“生成式人工智能服务备案”和“境内深度合成服务算法备案”双备案的首个央企研发的大模型。）不仅如此，九天大模型还实现了从底层架构到行业应用的闭环。也就是说，在数据安全方面，九天大模型还能通过动态脱敏等技术，保证医疗数据等敏感数据的绝对安全。
三、AI科研：从“资源堆砌”到“智能服务”
行业“爆发”的背后，最需要告别的是算力焦虑。
高校是科研的“最前线”，也是高校是算力不足的“重灾区”（据说浙大一个科研团队就因为缺算力，一项纳米材料模拟任务排队三个月才得到结果）。过去高校的算力基本上靠的是资源堆砌，本质上是“以硬件为中心”的粗放式管理。钱花了不少，资源利用率极低。举个例子，比如你们课题组要搞一个大规模神经网络训练，买了8块A100，其他项目组再买8块A100，但事实上这16块未必物尽其用。
所以现在高校基本上开始转向精细化算力管理，比如浙大启真算力中心是以移动云为底座，加上高性能计算平台和人工智能平台，形成了一个完整的超算服务中心，能够提供科研所需的AI+HPC算力服务，基于AI和HPC，科研人员能够用自然语言和机器对话，自动优化实验参数。
（浙大启真算力中心总体算力规模达711PFlops，图源：中国日报网）除了科研领域的算力焦虑外，中国移动还在内蒙古呼和浩特搞了一个"算力电厂"——超万卡国产智算集群。超万卡国产智算集群本质上是系统性算力工程革命，它并不是传统的硬件堆砌，而是通过异构计算架构和分布式协同技术深度融合的智能计算范式。它不仅以万卡规模硬件矩阵形成百万核级并行计算平台，还通过算法、芯片和系统的垂直优化，打造出支撑万亿参数模型训练的超级算力引擎，实现每秒EFLOPS级浮点运算能力，相当于将国家级超算中心的能力融合在企业级基础设施里了。属于是“国家队”也能走进咱们民间了。
（中国移动智算中心（呼和浩特）机房内景，图源：新华网）这也意味着中国移动能支持百万智能体实时交互系统、超大规模多模态预训练模型的持续进化、城市级自动驾驶仿真测试等曾经受限于算力的领域。
传统行业在AI转型的过程中不知觉会面临三大瓶颈——算力成本高、模型适配难以及数据隐私风险。而“万卡国产智算集群+九天大模型”的搭配，实际上解决的就是这三个老大难问题。
写在最后：
当AI渗透率超过一定程度时，人类从执行者升级为决策者，AI则成为基础设施。这就是“+AI”和“AI+”的核心区别。
对于行业而言，能否利用好算力基建与垂类模型的协同进化，才是关键。这场AI+革命给予行业的最大启示，或许在于对技术本质的重新认知：AI的价值不在于参数规模有多大，而在于解决了多少实际问题。
