围绕产业数字化与智能化升级，如何让大模型从“能回答”深入走向“能办事”，成为产业界正面对的现实课题。在研讨会上，杜新凯将今年概括为“主动智能体之年”，并指出“AI+”不是技术单向输出，而是产业需求与技术能力的双向融合。与会观点传递出一个共识：大模型深入产业场景，成败往往不只取决于算法本身，更取决于数据、流程、组织与商业模式能否协同重构。问题上，当前产业落地普遍面临“四道关口”。其一——技术链与产业链衔接不紧——研发侧的能力供给与企业侧的生产要素、业务流程难以同频；其二，数据要素存“梗阻”，数据分散在多系统、多主体之间，标准不一、质量不稳，叠加合规要求，导致难汇聚、难复用；其三，能力供需错配，通用模型虽具较强的语言理解与生成能力，但在行业知识、流程控制、可解释性与稳定性上仍难直接承接关键业务；其四，商业闭环不畅，投入成本、效益评估、持续运营与风险责任边界不清，降低企业长期投入的确定性。原因层面，上述问题既来自技术与产业结构差异，也受到管理与制度因素影响。一方面，产业场景高度碎片化，需求嵌入采购、生产、物流、营销、风控等多个环节，难以用单一“对话能力”覆盖；另一方面，行业知识不止是文本，还包含工艺参数、设备状态、供应链协同与制度规范，常以隐性经验沉淀岗位与流程中，外化成本高、难度大。此外，数据合规与安全要求不断提升，跨部门、跨企业的数据流通门槛上升，使“数据驱动”面临更高治理成本。再加上一些项目重演示轻运营、重上线轻迭代，最终出现“试点热、规模化难”。影响上，产业智能化若停留问答或简单辅助环节，价值释放将受限：对企业而言，难以形成可量化的降本增效与风险控制成果，进而影响投资决策；对行业而言，容易造成重复建设、资源分散，加剧数据与系统“孤岛”；对生态而言，商业闭环不稳会削弱服务商持续投入意愿，拖慢工具链、标准与人才体系的成熟。反之，一旦实现“从解答问题到解决问题”的跨越，智能化将从信息支持升级为流程执行与决策协同，带动生产效率、管理效率与创新效率的整体提升。对策上，与会人士提出的路径指向“全链条能力整合”。杜新凯认为，企业真正需要的是能够一站式支撑转型的生产力工具：既懂行业与政策法规，也懂工艺流程，并能嵌入企业经营决策体系，沉淀出可复用、可迭代、可治理的能力底座。基于此，万联易达推出面向全产业的“万联摩尔”大模型，提出以“千行百业知识+政策规则+工艺流程+经营决策”构建能力框架。据介绍，该模型正逐步覆盖国民经济97个行业大类，基于超100亿产业数据进行清洗与训练，行业问答准确率超过90%。从实践经验看，要提升“可用性”，还需同步推进数据治理、流程再造与组织协同：建立数据标准与质量体系，明确权限与审计机制；围绕关键业务环节开展场景分级与收益评估；落地过程中形成“模型—工具—流程—岗位”的闭环，避免“只建不管、只用不改”。前景上，杜新凯提出产业应用将呈现“通用（发现潜力）—专用（解决问题）—新通用（生态赋能）”的演进逻辑。业内普遍认为，通用模型提供基础认知与交互入口，垂直能力负责行业深度与流程控制，而面向生态的新通用能力将推动跨场景协同与工具编排，促使大模型从“知识型助手”走向“任务型执行者”。随着智能体在主动任务编排、工具协同、反馈学习等能力上增强，未来大模型更可能以“可控、可追溯、可评估”的方式进入供应链协同、运营调度、质量管理、风险合规等关键环节。在政策引导、产业需求与技术进步的叠加作用下，产业大模型有望从点状应用走向系统化部署，但其规模化仍取决于数据治理成熟度、行业标准完善度以及商业模式的可持续性。
产业智能化转型是一场涵盖技术、数据与商业模式的系统变革。在数字经济加速发展的背景下，构建覆盖全产业链协同的智能化解决方案，不仅关系到单个企业的转型升级，也直接影响我国产业整体竞争力。未来，如何在保持技术先进性的同时更精准对接产业需求，仍需要产学研各方持续探索与落地实践。