2023年被普遍认为是人工智能快速跃迁的一年。自年初生成式AI引发广泛关注后，大模型、文生图、AI Agent等方向持续升温，AI也开始从底层基础设施到行业应用层面，全面影响企业技术路线和业务模式。
在这轮浪潮中，大模型正加速重塑产业格局，但现阶段的竞争仍然集中在头部企业和少数领先创业者之间。与此同时，市场也在不断思考：大模型如何走出概念热潮，真正进入产业深水区，并形成可持续的商业价值。
大模型竞争进入从技术到应用的过渡期
围绕大模型未来的发展路径，行业普遍认为，多模态融合、Agent生态扩展、基础层效率提升和应用层快速繁荣，将成为接下来的重要趋势。随着模型能力持续增强，AI有望像云计算、互联网和移动互联网一样，逐步成为新的通用基础设施。
这一趋势也意味着，企业数字化与智能化升级正在进入新阶段。机遇显而易见，但挑战同样存在，尤其是在模型落地、成本控制、行业适配和商业闭环方面。
过去一年，不少科技企业围绕大模型展开了积极布局，试图在技术能力、平台建设和行业解决方案方面寻找突破口。不过，企业在实际应用中也面临共性问题，例如部署成本高、落地周期长、场景价值不清晰、商业化路径不明确等。
针对这些难题，业界普遍提出两个关键方向：其一，应用层必须围绕具体行业中的关键场景来设计产品，AI应作为能力模块深度嵌入业务流程；其二，持续降低企业使用AI的门槛和成本，使人工智能逐渐具备基础设施属性。
2023年的探索主要集中在两条主线
回顾过去一年的大模型发展，可以概括为两条并行推进的主线。
一条是技术边界的探索，关注模型能力提升、参数规模扩展以及与国际先进水平的追赶。
另一条是应用落地的验证，重点在于如何在企业服务场景中利用大模型实现降本增效。
从行业判断来看，AI Agent正在成为备受关注的方向。很多从业者认为，它可能是未来大模型走向真实业务场景的重要入口。围绕Agent能力构建技术壁垒、突破场景限制、建立数据优势，都会成为下一阶段竞争的核心议题。
从资本视角看，大模型和Agent曾是市场焦点，而随着技术外溢，具身智能等方向也逐渐受到关注，体现出AI正从“认知”向“行动”延展。
数据价值提升，成为大模型时代的关键变量
在大模型快速发展的背后，数据、算力、算法依然是核心要素，而其中数据的重要性正被进一步放大。尤其在迈向更高智能水平的过程中，高质量数据的稀缺性，可能成为限制模型持续演进的重要因素。
这也暴露出数据产业链长期存在的薄弱环节。对企业而言，这既是挑战，也是新的增长机会。因为AI的基础仍然是数字化，只有完成企业内部系统整合、数据沉淀和流程打通，后续的智能化应用才有坚实基础。
随着越来越多企业将大模型投入生产，市场对数据存储、检索、调用和处理能力提出了更高要求，包括更快的响应速度、更低的成本以及更大的容量。
从需求演进来看，企业数据能力大致经历了三个阶段：先是“存得下”，再到“管得好”，而现在逐步进入“用得好、用得顺”的阶段。围绕这一变化，存储系统如何感知上层大模型应用场景，如何提升预处理效率和智能化水平，正成为新的技术焦点。
特别是在非结构化数据领域，存储、管理、挖掘和检索能力的重要性正在快速上升。无论是推荐、搜索、风控，还是RAG、自动驾驶等场景，高质量数据都将直接影响大模型输出的准确性和可用性。
与此同时，大模型本身对底层软件系统和算力架构也提出更高要求。由于模型参数规模庞大，单一GPU显存难以满足需求，分布式异构内存、跨设备通信效率、调度优化等方向，都为数据基础设施升级带来了现实机会。
因此，计算、存储、网络等底层能力，依然是未来值得持续投入和关注的重要环节。
大模型落地的核心，在于深入行业场景
技术突破固然重要，但真正决定大模型价值上限的，仍然是其进入各行业核心业务流程的能力。只有从实验室走向产业现场，大模型才可能成为推动中国企业智能化升级的重要工具。
从目前的实践来看，不同行业已经形成了各自的落地路径。
在协同办公领域，企业依托已有PaaS能力，构建AI助理平台，通过感知、行动、思考等系统，提升信息流转和决策效率。
在云服务与行业方案领域，企业围绕模型训练、模型调用和应用开发，逐步探索政务、金融、交通等场景的落地模式。
在产业云与行业模型方向，企业通过全栈布局，形成面向政务、金融、矿山、智能驾驶等行业的解决方案。
在汽车领域，围绕营销、研发、智驾和智舱等环节，大模型也开始帮助企业提升效率、优化体验。
随着模型进一步深入实际业务，行业对其能力的要求也愈发具体。未来需要的不再是单一的大模型，而是覆盖云、边、端的模型体系，包括基础大模型、边缘模型、手机端模型、PC端模型以及车端模型等，让不同规模和不同部署位置的模型协同工作。
此外，大模型应用还需要全栈技术支撑，涉及芯片、计算框架、AI框架、分布式训练系统、开发平台及主流模型适配等多个层面。同时，数据安全和技术安全也必须被纳入长期建设重点，才能保障企业持续稳定发展。
生产力提升，将成为企业应用的直接价值体现
企业引入大模型，最终还是要回到生产力提升这个核心目标上。从辅助决策到流程协同，再到部分场景下的自主执行，AI正在逐步改变企业内部的组织效率与工作方式。
以智能助理类应用为例，其底层通常由感知系统、行动系统和思考系统组成。建立在这些能力之上的，是数据库驱动的信息流转效率、流程规范带来的协同效率，以及业务数据资产支持下的决策效率提升。
这意味着，大模型不只是提供一个对话入口，而是在更深层次上改变企业的信息组织方式、任务执行逻辑和决策机制。
智能汽车成为大模型落地最活跃的方向之一
在众多被大模型影响的行业中，智能汽车无疑是最受关注的领域之一。随着生成式AI进入公众视野，车载智能、智能座舱和自动驾驶等方向迅速升温。
智能座舱的发展尤为明显。汽车正在从传统交通工具转变为新的生活与服务空间，而座舱智能化则是其中最清晰的商业化路径之一。通过更自然的人机交互、更强的语义理解和更主动的服务能力，汽车正逐步成为驾驶者的智能助手。
除了座舱之外，大模型也为自动驾驶带来了新的可能。传统AI技术在实现完全无人驾驶方面仍存在明显瓶颈，而大模型在通用感知、认知理解和复杂决策方面展现出新的潜力。
例如，无人驾驶需要具备更强的环境识别能力和更接近人类的常识判断能力，包括理解交通规则、应对复杂场景、完成与人和环境的交互等。而大语言模型和多模态模型的发展，正在为这些能力提供新的技术基础。
从行业角度看，大模型在自动驾驶中的作用主要体现在几个方面：
支持车内外更自然的语言和交互能力；
用于数据标注、场景生成等生产环节，提高研发效率；
帮助自动驾驶决策更接近人的行为逻辑。
随着越来越多车企将自动驾驶作为产品卖点，高阶智能驾驶能力也开始获得更多市场关注。无论是产业链还是消费者，对自动驾驶价值的认同，都在成为推动行业前进的重要动力。
结语
总体来看，大模型正在从技术热点走向产业工具，从能力展示走向场景兑现。未来的关键，不仅在于模型本身有多强，更在于能否以更低成本、更高安全性和更强适配能力，真正服务于企业和行业的实际需求。
无论是数据基础设施、Agent生态、行业解决方案，还是智能汽车、协同办公等具体场景，AI带来的变革都已经开始。对于企业而言，尽早完成数字化基础建设、做好数据准备，并围绕核心业务寻找合适的智能化切入口，将是把握这一轮机会的重要前提。
