LMCC2026 大模型能力认证备考｜初赛真题逐题讲解与考点分析
服贸会论坛聚焦AI落地：从“模型竞赛”转向全要素生产率考验
9月9日的北京首钢园，2026年中国国际服务贸易交易会开幕首日，数字经济与数字金融创新发展论坛的会场里，不少听众在开场前低声讨论着各自企业近半年的AI预算执行情况。一个被反复提及的词是“渗透率”——系统进了车间，大模型接入了客服，但财务口径上的回报似乎总比预期慢一拍。台上的演讲，恰好接住了这个情绪。
北京大学社科部副部长、人工智能研究院副院长、经济学院长聘副教授李博在论坛发言中给出一个判断：当前AI在制造业、物流、医疗、金融等领域已有大量实践，但“渗透率高不等于产业价值高”，不少企业陷入“重采购、轻变革”的局面，项目演示效果很好，却难以带来持续收益。他没有用复杂的模型指标开场，而是把话题直接拉回一个更朴素的标准——全要素生产率。
[IMG:1]李博将本轮AI变革归结为两个本质跃迁。其一，AI从专用走向通用，告别了“一个任务训练一套模型”的专用时代。大模型具备跨领域迁移能力，同一个模型可以处理语音、视觉、代码等多种任务。其二，AI从被动回答走向主动执行。AI智能体具备规划、记忆、工具调用等能力，能够自主拆解并完成复杂任务，不再只是等待指令的问答工具。
这两个跃迁在技术圈已是共识，但李博的侧重点在于：技术能力的跃迁并不会自动转化为经济效率的提升。他提出一个三层评估框架：微观层面，要看AI是否带来更高素质的劳动者、更高技术含量的劳动资料、更大范围的劳动对象；中观层面，看是否促进生产要素的优化组合；宏观层面，则要看是否真正引领全要素生产率提升。三层框架的共同指向是——AI的账，最终要算在生产率上，而不是参数规模上。
[IMG:2]这一观点与当前部分行业的AI落地困境形成呼应。据中国信息通信研究院《人工智能发展白皮书（2025年）》显示，国内制造业AI应用渗透率在2025年已超过四成，但能通过AI实现利润显著改善的企业占比仍不足两成。不少企业采购了算力、部署了模型，却停留在质检识别、报表生成等单点场景，组织流程和生产关系并未随之调整。李博在发言中直言，要警惕“贴标签式”的浅层应用。
他给出的路径有三条。一是锚定高价值赛道，不盲目追逐概念。二是推动AI深度嵌入业务链条，同步推进组织模式变革，而不是让技术部门单独扛指标。三是构建政产学研全链条协同创新生态，推动从“AI+”迈向“AI原生”的产业变革。所谓“AI原生”，在产业语境下意味着从业务流程设计之初就将智能能力作为基础组件，而非事后补丁。
[IMG:3]论坛现场的一位制造业数字化服务商对记者表示，近两年客户问得最多的问题从“你们用的是什么模型”变成了“上线之后能省多少人、多出多少产能”。这种提问方式的转变，与李博所强调的方向一致：企业开始用投资回报率而非技术新鲜度来衡量AI项目。
不过，效率并非唯一议题。李博提醒，如果AI红利仅集中于少数巨头或发达地区，如果算法扩大偏见、拉大数字鸿沟，如果技术迭代带来冲击而社会配套保障滞后，这类“人工智能赋能”将难以持续。他特别建议推动AI加持的金融服务下沉，让小微企业、个体工商户和普通农户都能获得便捷、低成本的金融服务，用技术弥合鸿沟而非扩大差距。这一表述在服贸会的金融分论坛语境下，指向性明确——技术普惠不是公益口号，而是效率叙事能够成立的社会前提。
[IMG:4]从2023年的大模型热潮到2026年的产业落地深水区，AI行业的评价坐标正在发生位移。据国际数据公司（IDC）2026年第二季度发布的《中国人工智能市场追踪报告》，中国AI基础设施投资增速已连续三个季度放缓，而AI应用层支出占比首次超过基础设施。资金流向的变化，反映出市场正在从“建模型”转向“用模型”。
李博的发言最终落在一句话上：AI的终极目标是服务人的全面发展，兼顾效率与公平，实现可持续赋能。对于一个仍在寻找稳定商业模式的行业来说，这更像是一道关于耐心和诚实的考题——技术可以快速迭代，但全要素生产率的验证，往往需要更长的周期和更深的组织变革。
本文由AI辅助生成
