背景：近年来，AI正在成为助力产业转型的关键动力，电信运营商也在B2B业务中将AItoB作为战略方向，包括中国三大运营商在内的全球主要大T运营商，都已发布AI战略。运营商在自身的优势行业如政务、教育、医疗、工业等领域，积极发展AI行业解决方案，诚邀大家积极参与共同创新。JDC发起了线上探讨，以下是部分摘选回复，供您查阅：Q：您了解/当前已经部署使用的AI应用，哪些应用效果较好，哪些有待增强，请各举一例，并说明原因？摘选回复1：1.以肺癌筛查为例，AI 系统通过 3D 卷积神经网络（3D-CNN）与 Transformer 混合模型，实现了对 CT 影像的精准分析。某三甲医院试点显示，AI 初筛后医生复核时间从 15 分钟 / 例降至 2 分钟，微小病灶（≤5mm）检出率较人工提升 40%，假阴性率降低 65%。全球医学影像 AI 市场规模在 2025 年达 217 亿美元，三甲医院渗透率超 65%，阅片速度从 15 分钟缩短至 30 秒内，诊断一致性差异率从 23% 降至 5% 以下。成功原因分析：系统基于 10 万例以上标注 CT 影像训练，涵盖多设备、多人群特征，并通过联邦学习技术确保数据隐私。采用多模态融合技术，如结合基因组数据与影像特征构建预后模型，同时通过 3D CNN 捕捉病灶空间分布，例如肺癌的毛刺征等关键特征。2.医疗影像 AI 的成功源于明确的任务边界（影像分析）、高质量标注数据和人机协作机制。其算法设计聚焦于可解释性（如 Grad-CAM 热力图）和临床流程整合，确保医生能有效介入决策。相比之下，自动驾驶的挑战在于开放世界的无限可能性，需突破常识推理、多模态感知融合和伦理决策等根本性难题。未来改进需从两方面入手：开发基于大模型的决策系统，通过强化学习模拟人类常识推理，例如让 AI 在虚拟环境中经历数百万次极端场景训练。融合多传感器数据（如摄像头 + 激光雷达 + 毫米波雷达），并引入边缘计算提升实时处理能力，以应对异形障碍物和动态路况。。摘选回复2：效果较好的AI应用举例：智能客服系统原因：技术成熟度高：基于自然语言处理的意图识别、多轮对话管理和知识库匹配技术已相对完善，能快速响应用户咨询、解决标准化问题，如物流查询、产品参数等，大幅降低人工成本。场景适配性强：在电商、金融、教育等领域广泛应用，可根据行业需求定制化训练，支持文本、语音、视频等多模态交互，用户体验流畅。数据反哺优化：通过海量对话数据持续迭代模型，不断提升语义理解和回答准确率，形成“用户反馈-模型优化”的良性循环。有待增强的AI应用举例：医疗影像AI辅助诊断系统原因：复杂场景泛化能力不足：当前模型在标准切片的常见疾病（如肺炎、结节）检测中表现较好，但对罕见病、多病种并发或低质量影像（如基层医院设备拍摄）的诊断准确率显著下降，缺乏对临床复杂语境的综合判断。伦理与责任边界模糊：医疗决策涉及患者生命安全，AI系统可能存在“黑箱”问题（如误诊原因难以追溯），且需与医生的临床经验深度融合，目前人机协同机制尚未成熟。数据合规与隐私风险：医疗影像数据敏感，跨机构数据共享受限于隐私保护法规，导致模型训练数据多样性不足，泛化能力受限。。摘选回复3：已部署且效果较好的AI应用：智能路线规划系统应用效果：通过AI算法动态分析交通状况、天气变化、订单密度及配送时间窗口，实时优化配送路径。例如，采用该系统后，配送延误率降低15%，单趟配送成本下降12%。系统还能根据突发状况（如交通事故）自动调整路线，确保生鲜产品（尤其是高损耗品类如叶菜、海鲜）在最佳温度和时间内送达，客户投诉率减少20%。原因分析：1.精准匹配需求：生鲜配送对时效性要求极高，AI通过多变量实时计算，解决了传统人工规划耗时长、灵活性差的问题。2.成本优化：动态路线规划减少了空驶率和重复路径，燃油成本降低的同时，车辆周转率提升25%。3.客户体验提升：准时送达率提高直接增强了用户粘性，复购率上升18%。已部署但有待增强的AI应用：AI视觉质检系统当前问题：在仓储环节，AI视觉识别技术用于检测生鲜产品的外观缺陷（如腐烂、瘀伤）和货架期预测。然而，实际应用中系统对复杂场景的识别准确率仅82%，误检率达15%，导致部分合格商品被误弃，浪费率上升5%；同时，对小众品类（如异形水果）的识别能力不足，需人工复核，效率未达预期。原因分析：1.数据多样性不足：训练模型的数据集以常见品类为主，缺乏对小众、非标品类的覆盖，导致泛化能力弱。2.环境干扰：仓储灯光、产品堆叠方式等变量影响图像识别精度，系统未充分适应动态环境。3.算法优化滞后：当前模型更新周期为3个月，无法快速响应新品类或季节性产品变化，需缩短至月度迭代。改进方向建议1.智能路线规划系统：可进一步融合无人驾驶技术，在末端配送环节试点无人车，降低人力成本并提升24小时服务能力。2.AI视觉质检系统：需扩大数据采集范围，增加小众品类样本；引入迁移学习技术，缩短模型训练周期；同时优化硬件（如高分辨率摄像头）以减少环境干扰。摘选回复4：目前已经搭建大模型快一年了，确实感悟也是颇多。AI能够辅助协助的问题主要分为两类，一类是基础问题，这种可以让AI结合RPA工具自己去执行，但是这里需要明确基本的边界和规则。对于那些重复性高逻辑清晰的工作，比如数据录入、常规查询或是简单的客户服务，AI完全可以胜任，并且能大幅提高效率，减少人为错误。另一类复杂问题，则需要AI作为“增强智能”来支持人类决策，说白了就是我本身研究不明白的问题。举个例子，在AI运维中，之前**云推出了某工具，可以直接在服务里面调用运维大模型，这种算是侵入式的，所以使用下来效果确实还比较好，比如可以直接抓取服务器内的进程列表，丢给大模型后来进行自动分析，也可以直接让大模型编写一个定时巡检脚本，并对脚本分析之后每日推送结果到自己的手机端，相比于其他的模型，这个工具的优势就在于可以个自己执行创建文件，真的只需要对话就可以了。而在真实的落地上，我们确实也碰到了诸多问题，幻觉、知识局限等等由于保密性，领导要求大模型必须本地部署，但这下问题就来了，首先是算力成本，部署一套能支撑千亿参数模型的本地环境，光是初期硬件投入就接近百万级，后续的运维和能耗也不容小觑，领导一看这么大投入，也不敢直接签字，就让我们先利用4090来做一些小切口。最开始使用的是某平台来搭建的，辛辛苦苦搭建了半个月，一测试效果跟zz一样，对于给的RAG文件只能理解部分，14B的DS效果也非常差，综合下来完全用不了。这时候我们才意识到，不是搭个框架就能叫AI平台，背后涉及的模型调优、提示工程、检索增强机制、知识库整理都需要专业团队持续打磨。更现实的问题是，开源模型本身在垂直领域的能力有限，哪怕你有再好的硬件，模型本身不具备相关知识结构，最后输出的结果也只能是“看着像那么回事”，但没法真用，外行看热闹，内行看门道，这玩意忽悠外行人可以，但是内行人看的是真不行啊。总结一下，除了智能问答和新闻类文稿的生成外，其他都没有直接的感受到效果。摘选回复5：成效突出的政务AI应用1. 智能审批与无感办理案例：**区“无感申办+秒批速办”系统     成效：通过OCR识别、语义分析自动核验材料，20余项高频事项（如卫生许可、抗震审定）实现“零手动填报”，办理时长压缩60%，最快1分钟办结。     优势：打通跨部门数据壁垒（如身份/企业资质库），结合预填表与免费寄递，真正实现“免申即享”。2. 基层政务轻量化工具案例：**社保“碰一下”服务：NFC触碰板自动跳转社保办理页面，老年人操作步骤从5步减至2步。待增强的政务AI应用方向1. 基层适配性不足问题：部分复杂AI系统在街道/村镇落地困难。     案例：**景大模型虽支持省级政务大厅，但部分街道反映其“1+5+X”模块需定制开发，基层技术能力不足导致使用率低。     改进关键：需推广**动力OA的“拖拽式流程配置”模式，支持非技术人员自定义操作。。摘选回复6：1、目前看知识库类的AI应用使用效果较好，确实解决了一部分一线业务问题。例如我们目前使用频次比较高的经纪业务知识库，通过在DeepSeek大模型基础上导入企业内部文档、行业法规、外部监管文件等，可以高效帮助一线经济业务人员快速了解获得相关经纪类业务资料、制度、流程、要求等等，这些以往都分散在不同业务系统中，查询使用调用起来费时费力，同时关联OCR系统接口，加强了对于联网信息、pdf文档、中英文翻译件、总结汇总能力的再次提升，很好的提升经纪业务知识库这类AI应用的使用范围和场景，业务人员普遍反馈良好。但是依然存在问题就是分级分类的权限管理还有不足，无法做到精细的权限管理和输入输出内容的权限管控，无法避免不同部门不同职位人员获取同样的敏感数据。2、金融投研AI助手等AI Agent类应用，有了一定的使用效果，也减轻了业务人员日常整理投研报告、提供客户投研数据的工作量。但是目前看问题还是比较多。提示词要求比较高也比较复杂，需要明确买入、卖出、仓位、价格、数据验证等多项细节要求，才能输出符合业务需求的内容，这就要求使用者必须熟悉常用的提示词模版才能得到准确输出。同时输出内容形式比较单一，主要是文字类为主，缺少表格、折线图、艺术字体、不同颜色标识等等更好看的输出内容，未能形成多模态的token输出。有一定的幻觉问题，对同一问题多次反复提问会出现输出不一致的问题。