生成式人工智能发展迅速，在巴黎举行的2025年RAISE峰会展示了该领域的最新趋势和应用。以下是本次峰会的关键要点简要总结：
- 代理式人工智能：自主系统正日益受到关注，诸如“代理式编程”等工具正有效简化复杂任务。例如：Lovable在7个月内实现了7500万美元的年度经常性收入（ARR）。
- 道德与治理：与会领导人讨论了人工智能可靠性问题，以及用于检测和纠正异常行为的框架。微软与联合国的合作旨在制定全球标准。
- 商业影响：首席执行官们预测，人工智能代理可能取代传统管理岗位。主权人工智能和代币经济正在重塑各行各业。
- 技术动态：大型语言模型之后的技术以及多模态人工智能正在推动效率提升。Mistral的Magistral模型以及Hirundo.io的“机器忘学”等工具正在树立新的行业标杆。
- 实际应用：从人工智能驱动的客户服务到CliniKiosk等医疗保健工具，生成式人工智能正在各行各业带来切实可观的成效。
本次峰会凸显了从试验阶段向实际应用阶段的转变，重点关注效率、伦理和全球合作。定于2026年7月举行的下一届RAISE峰会必将取得更多进展。
RAISE 2025峰会关键数据与影响力指标
2025年Raise峰会，巴黎，专题讨论会“规划未来：主动型人工智能与自主工作流”
sbb-itb-e314c3b
主题演讲：行业领袖谈生成式人工智能
2025年RAISE峰会汇聚了来自168家《财富》500强企业的822位首席执行官，以及管理着超过6000亿欧元资产的投资者 [9]。这些主题演讲深入探讨了生成式人工智能在创意、伦理和战略层面的多重维度，展现了其变革性的潜力。
生成式人工智能在创意产业中的应用
2025年7月，谷歌云市场营销副总裁艾莉森·瓦贡菲尔德发表了题为《AI时代的营销》的主题演讲。她在演讲中探讨了生成式AI如何通过自动化内容创作和定制客户体验来重塑营销 [3][1]。然而，她的演讲也突显了一个关键挑战：确保创作者获得公平报酬。Cloudflare对此表示认同，并倡导建立相关机制，当创作者的作品被用于训练AI模型时，应给予相应奖励 [3][1].
除了营销领域，演讲者们还展示了生成式人工智能如何将文本、图像和视频输出无缝整合到工作流程中，从而简化创意团队的工作流程。尽管这些创新蕴含着巨大的潜力，但也引发了关于负责任实施的紧迫伦理问题。
生成式人工智能中的伦理与责任
Galileo的联合创始人兼首席技术官阿廷·桑亚尔（Atin Sanyal）指出了生成式人工智能开发中日益凸显的一个悖论：
“生成式人工智能（GenAI）发展的讽刺之处何在？模型正变得越来越智能——但领导者却对推出这些模型越来越缺乏信心。” [1]
这种“可靠性缺口”成为本次峰会的反复出现的话题。讨论的重点在于超越理论伦理，寻求切实可行的解决方案，例如通过自主干预来检测和纠正人工智能异常行为的实时框架 [8]。
微软代表分享了他们通过与联合国秘书长人工智能咨询机构合作，在制定国际标准方面的见解。他们强调了采取“全社会参与”方式进行治理的重要性 [6][7]。
本次峰会提出了“4F”框架，其中“摩擦”支柱旨在解决合规性、安全协议及公共政策挑战等关键问题。技术研讨会展示了隐私工程领域的最新进展，包括一种模型压缩技术，该技术在保持准确性的同时，可将云基础设施成本降低80%以上 [8]。
生成式人工智能在商业战略中的应用
UiPath首席执行官兼创始人丹尼尔·戴恩斯提出了一个发人深省的问题：
“如果未来的首席执行官不再管理员工，而是管理大批人工智能代理，会怎样？” [1]
这一理念体现了向自主人工智能代理处理编程、销售和客户支持等任务的转变 [3][1]。DDN联合创始人保罗·布洛赫（Paul Bloch）进一步强调了这一愿景，他表示：
“人工智能是核心，数据是动力。” [3]
主题演讲还强调了主权人工智能的重要性，Nscale和BUZZ HPC等公司详细阐述了构建“人工智能工厂”的战略，以确保合规性并在国家边界内保持控制权 [3][1]。这些讨论突显了在人工智能发展过程中对数据安全、算法独立性以及国家利益的关切。
另一个引人入胜的概念是“代币经济”——在这种模式下，代币成为人工智能驱动的商业和估值的基础。这种方法展示了生成式人工智能如何重塑创意与运营策略，并对各行各业产生深远影响。
新技术：生成式人工智能的最新进展
新型号与架构
生成式人工智能领域正经历一场变革，其发展已超越了传统的大型语言模型。这些创新为人工智能系统的新时代奠定了基础。
本次峰会的关键亮点之一，是向Databricks公司的Naveen Rao所称的“后大型语言模型”时代转变。这些系统依赖于自主代理来规划和执行多步骤任务，超越了早期模型的静态能力 [5]。UiPath通过展示其如何将软件机器人“代理化”，将自动化转变为由自治代理组成的网络，生动诠释了这一转变 [5]。值得注意的是，目前仅有16%的企业AI部署符合“真正代理”的标准——即能够独立规划、适应和执行的系统——但这种方法正迅速成为未来架构的焦点 [11]。
Mistral AI 推出了 Magistral，这是一个专为特定领域多语言任务量身定制的推理模型。其突出功能——Le Chat 中的“Flash Answers”——响应速度比许多竞争对手快达 10 倍 [10]。Cerebras Systems 和 Groq 等公司也在不断突破速度与效率的界限。它们的模型（如 Qwen3‑235B）在提供高达 131,000 个令牌的上下文处理能力的同时，还能将成本大幅降低——最高可达十分之一 [4][5][12]。DataDirect Networks 展示了专为满足 AI 训练巨大需求而设计的存储解决方案，而 Vultr 则强调了其“主权云”基础设施。这种方法确保企业能够在遵守当地数据法规的同时扩展 AI 应用，这标志着向生产就绪型 AI 系统迈进 [5].
随着这些具有自主性的架构不断演进，本次峰会还重点探讨了多模态系统的崛起——这类技术能够将多种媒体类型无缝整合到单一框架中。
多模态人工智能：文本、图像与视频的融合
本次峰会的核心议题之一是多模态人工智能，其重点在于将文本、图像、视频、音乐甚至3D物体整合到统一的系统中 [13][2]。这一进展得益于自监督学习、专家混合模型、基于人类反馈的强化学习以及思维链提示等技术 [13]。
H公司便是一个典型的例子，他们将基于浏览器的自动化代理SurferH开源。当与他们的Holo-1模型结合使用时，该系统在WebVoyager基准测试中实现了92.2%的成功率，且运行成本仅为领先竞争对手的五分之一 [4]。Bright Data也做出了贡献，提供了其Web Archive——一个包含2000亿个缓存网页的数据集——用于AI训练和搜索 [4]。
此次峰会还展示了这些技术的实际应用。Drill Surgeries公司展示了ZAORY——一款基于人工智能的外科手术引导系统，在创伤手术中将手术时间缩短了75%，并将辐射暴露量降低了60% [4]。Iridesense公司运用先进的3D多光谱激光雷达技术，实现了对植物健康状况和土壤湿度的精准实时分析，从而彻底改变了精准农业 [4]。与此同时，Hirundo.io凭借其“机器遗忘”平台吸引了广泛关注，该平台在RAISE the Stakes”竞赛中夺冠。该系统使AI模型能够“遗忘”特定数据点，在测试过程中将幻觉现象减少55%，偏见减少70% [4]。这一创新解决了数据隐私和可靠性方面的关键问题，为构建更准确、更值得信赖的AI系统提供了切实可行的路径。
专题讨论：挑战与机遇
在各行业推广生成式人工智能
在各场讨论中，一个反复出现的话题是企业在推广生成式人工智能时面临的挑战。其中一个主要障碍是什么？基础设施的限制。约15%的人工智能部署因“幻觉”等问题而失败，即模型生成了不准确或具有误导性的信息 [15]。更复杂的是，企业正面临GPU短缺的困境，并被迫使用未经批准的外部API——即所谓的“影子AI”——这带来了巨大的安全风险 [14]。
DigitalOcean 首席执行官帕迪·斯里尼瓦桑就监管问题发表了看法：
“我们只需要让自由市场的生态体系自然发展……当然，必须有恰到好处的监管，以确保我们不偏离正轨，但我认为现在还不是真正采取严厉措施的时候。” [16]
另一个挑战是在大规模对话中保持语境连贯性。例如，即使是像GPT-4这样先进的模型，在经过16轮对话后，准确率也仅能达到约65%。然而，像Teneo.ai这样的公司却取得了显著成功，每月处理超过1000万次交互，且响应时间不到一秒 [15]。专家指出，检索增强生成（RAG）技术能让模型利用具体且最新的企业数据，从而帮助解决这些问题。这种方法既能减少生成错误，又能提升特定领域的准确率 [21, 23]。
基础设施优化也成为焦点。与会专家大力推广了“GPU即服务”（GPUaaS）和“模型即服务”（MaaS）等策略。例如，使用开源推理运行时vLLM，在保持Llama和Mistral等模型99%准确率的同时，可将GPU使用量减少2至3倍 [14]。此外，基于代理设计（agentic design）进展的集中式模型部署，使团队能够通过API访问共享模型。这种方法可防止版本漂移，并消除资源的冗余使用 [14]。
这些基础设施方面的挑战自然引发了人们对数据隐私和安全问题的更广泛担忧。
生成式人工智能中的数据隐私与安全
在快速创新与合规监管之间寻求平衡是另一个热门话题。鉴于欧盟《人工智能法案》将于2025年8月对通用人工智能模型提出新要求，与会专家就如何在监管与市场自由之间取得最佳平衡展开了讨论 [16]。
NEAR Protocol联合创始人伊利亚·波洛苏金（Illia Polosukhin）主张采用技术解决方案，而非政府主导的监管：
“政府监管可能并非合适的手段……去中心化、加密以及在处理过程中保护数据的机密计算，这些技术所提供的安全框架比政府提供的更为可靠。” [16]
有趣的是，尽管存在对过度监管的担忧，仍有80%的美国人支持制定规则以确保人工智能的安全，即使这可能会减缓创新步伐 [16]。保密计算作为一项关键技术应运而生，旨在解决企业对数据泄露和合规性的担忧。这种方法能在AI处理过程中对数据进行保护。Lattice首席执行官莎拉·富兰克林指出了另一个挑战：
“如果没有明确的定义和广泛的教育，恐惧与不确定性将占据上风。” [16]
各专题讨论中探讨的实用解决方案包括：通过差分隐私或合成数据生成来建立数据匿名化流程。对于涉及不同隐私法律的国际业务，建议采用联合学习；同时，工业知识图谱被视为一种将分散数据整理并整合为结构化、可用的格式的方法 [22, 23]。
虽然健全的技术框架至关重要，但与会者一再强调，通过教育和有效的变革管理所体现的人为因素，对于成功实施人工智能同样重要。
实际应用：峰会案例研究
提升客户体验
在RAISE峰会上，各企业展示了生成式人工智能如何突破基础聊天机器人功能的局限，提供具有深远影响的客户服务解决方案。 欧洲人工智能独角兽企业 Parloa——这家欧洲人工智能独角兽企业，展示了其用于客户支持的先进人工智能平台。首席执行官马尔特·科苏布（Malte Kosub）与OpenAI的劳拉·莫迪亚诺（Laura Modiano）共同演示了该平台如何自主处理复杂的客户咨询，其表现远超预设脚本的回应，真正提供了切实可行的解决方案 [3]。
AAA Northeast分享了使用 Adobe AI 助手所取得的显著成果。该团队每月在数据架构管理方面节省了 40 小时，并在受众清理任务上额外节省了 36 小时。在一项租车营销活动中，他们仅针对原受众群体中的三分之一进行投放，却实现了交易率 165% 的提升 [19]。同样，BloomsyBox在母亲节营销活动中使用了人工智能驱动的问答机器人，实现了 60% 的完成率、78% 的奖品领取率，以及 38% 的客户参与率（用于创建个性化问候语） [21]。
金融业也推出了具有变革性的AI应用案例。 Featurespace 推出了其TallierLTM™生成式人工智能模型，该模型通过分析交易记录来检测欺诈活动。与之前的基准相比，该模型将欺诈金额的检测准确率提高了71% [21]。与此同时，大都会人寿（MetLife）采用人工智能在通话过程中实时分析客户情绪，使首次通话解决率提高了3.5%，客户满意度评分提升了13% [21]。
这些创新充分展现了生成式人工智能如何重塑各行业的客户互动模式，并为更多行业特有的变革铺平了道路。
医疗保健与生命科学应用
医疗保健和生命科学领域展示了人工智能如何加速药物研发和临床应用的进步。葛兰素史克（GSK） 和Cerebras共同揭晓了“晶圆级分子”（Molecules at Wafer-Scale）项目，该项目利用超快推理和专用硬件，显著加快了生命科学研究的速度 [3]。赛诺菲与Snowflake合作，提出了一项覆盖整个制药生命周期（从分子发现到上市）的AI驱动战略，重点展示了AI如何优化研发的每个阶段 [3]。
临床应用也成为了焦点。研究员埃拉·阿迪卡里（Ela Adhikari）介绍了CliniKiosk——一款由人工智能驱动的数字健康服务亭，可提供实时、多语言的健康评估。通过分析人口统计数据和病史，它能为不同社区提供个性化且富有同理心的建议 [18]。 Doctolib 展示了人工智能如何将非结构化医疗数据转化为可操作的洞察，而梅奥诊所则通过将人工智能与基因组数据相结合，展示了个性化医疗领域的最新进展 [3]。
生成式人工智能也在重塑零售业格局。拉加代尔旅游零售（Lagardère Travel Retail）在全球50多个国家运营着5,000多家门店，2024年销售额达76亿欧元。该公司推出了“Lumina”——一款与Artefact和微软联合开发的定制化人工智能工具。Lumina能够分析业主的要求，并加快招标文件的编制。首席执行官达格·拉斯穆森（Dag Rasmussen）解释道：
“人工智能能够精准分析房东需求，从而优化招标响应” [17].
这些案例展示了生成式人工智能如何通过解决具体挑战并取得切实成果，推动从医疗保健到零售等各个领域的进步。
结论：生成式人工智能的未来走向
2025年RAISE峰会上的讨论与突破性成果表明，生成式人工智能正从理论实验阶段迈向实际应用阶段。此次峰会汇聚了6,500名与会者和280多位演讲嘉宾齐聚巴黎，重点展示了人工智能如何从基础的聊天机器人发展为能够执行更复杂任务的自主式多步骤智能体 [4]。正如峰会联合创始人——迈克尔·阿马尔（Michael Amar）、亨利·德拉海（Henri Delahaye）和哈德里安·德·库尔农（Hadrien de Cournon）——所言：
“作为第二届活动，RAISE峰会再次证明了其作为B2B专业人士在人工智能领域寻求颠覆、构建和建立联系的首选盛会，使参会者、演讲嘉宾和参展商能够通过实际应用案例验证其人工智能战略。” [4]。
生成式人工智能未来的发展将聚焦于几个重点领域。将计算资源视为战略资产正变得至关重要，同时需将伦理原则直接嵌入人工智能系统。Hirundo.io 的“机器忘却”方法便是其中的典范，该方法已成功将幻觉现象减少 55%，并将偏见减少 70% [4]。开源协作的作用也在日益凸显，相关合作以远低于专有解决方案的成本推动了AI技术的发展 [4]。
展望未来，行业预测显示服务交互将发生重大转变：到2028年，68%的服务交互将由代理型人工智能处理，这有望使运营成本降低30% [20]。正如埃里克·施密特所精辟描述的那样：
“欧洲乃至历史上增长最快的人工智能技术大会” [2].
定于2026年7月8日至9日在巴黎举行的下一届RAISE峰会，将进一步探讨如何将这些洞见转化为切实的进展，从而巩固该活动作为推动变革性人工智能战略的催化剂的作用 [4]。
常见问题解答
在企业环境中，什么才算得上是“真正的智能代理”AI系统？
“真正的智能代理”AI系统之所以脱颖而出，在于它能够自主决策，并采取主动且符合情境的行动。与仅对特定触发条件作出反应的被动系统不同，这些智能代理能够适应不断变化的环境，处理复杂的工作流程，并在无需人类持续监督的情况下完成任务。
它们的独特之处何在？在于它们具备推理、学习和跨系统协作的能力。这使得它们在支持企业流程方面极为高效。通过将知识与行动无缝衔接，这些人工智能系统有望重塑运营管理的方式。
企业如何在不延缓部署的情况下减少AI幻觉？
企业可以通过采用检索增强方法来减少 AI 幻觉，同时不影响部署速度。这种方法涉及整合经过验证的外部数据源，以支持 AI 的响应。有效的提示工程能确保给模型的指令精准无误，并减少歧义。此外，实施分层安全措施可以增加额外的检查点，从而防止错误发生。
为了进一步提高可靠性，对人工智能输出的持续监控至关重要。树搜索算法等技术使系统能够探索多种推理路径，而自我评估机制则使模型能够审查并优化自身的输出结果，从而提升准确性和合理性。这些策略相结合，在速度与可靠性之间实现了平衡。
什么是“机器忘学”，何时应该使用它？
机器“遗忘”是人工智能领域的一种方法，旨在从已训练好的模型中移除特定的数据点。其目的是什么？为了解决隐私、法律或伦理方面的顾虑。通过删除个人或敏感信息，它有助于确保符合《通用数据保护条例》（GDPR）等法规的要求。
这种方法的突出之处在于其高效性。与从头开始重新训练整个模型（这一过程往往耗时且资源密集）不同，机器遗忘法针对的是特定数据。当重新训练不可行，且需要正式保证以确认被移除的数据不再以任何方式影响模型时，这种方法尤为有用。
