生成式人工智能这波浪潮，正在孕育新一轮产业创新机遇。

回顾互联网的发展，第一代平台经济诞生了阿里巴巴、腾讯等科技巨头；移动互联网时代又成长出字节跳动、小红书等新兴平台。然而，在此后相当长的一段时间里，科技行业鲜有真正意义上的平台级新巨头出现。

而今，随着ChatGPT 5.5、Claude 4.7、DeepSeek V4等大模型迭代出现，大量新型企业如雨后春笋般涌现，以“一人公司”为代表的新兴组织形态开始走向现实，人们的工作流也正被更高效的方式重新塑造。

“接下来，企业必将进入AI原生时代。”InfiX.ai创始人兼首席科学家杨红霞教授在Beyond expo 2026数字AI峰会上，分享了她对这轮生成式AI浪潮的观察与思考。

提及杨红霞，业界并不陌生。她曾担任阿里巴巴达摩院M6大模型负责人，主导研发AliGraph、M6等开源平台；随后加入字节跳动，担任大语言模型研发技术专家。2024年离开字节后，她又加入香港理工大学担任讲座教授，并创立AI原生基础设施公司 InfiX.ai。

在Beyond expo 2026举办期间，《前方智能》有幸与杨红霞展开了一场深度对话，探寻生成式人工智能时代的产业变革方向，以及下一代企业形态的演进路径。

01

AI原生时代下，企业面临的现实困境

“在云原生时代，得益于Linux 等开源操作系统，任何企业想要做云原生开发，都有现成的底层地基可循。但到了AI原生时代，这样一套通用且能适配各行各业的基础设施，其实是缺失的。”对话伊始，杨红霞便指出了她的判断：AI原生时代的挑战并非模型能力本身，而是支撑产业智能化落地的底层基础设施尚未成熟。

过去几年，大模型能力的持续突破，让很多人认为，企业只需要调用大模型API、购买Token服务，便能够完成AI转型。但现实远比想象复杂。在杨红霞看来，这种看似快捷的模式背后，实则存在两大痛点。

首先，是数据安全与隐私合规问题。垂直行业一旦调用公有云服务，意味着核心业务数据必须向外传输、被动分享。由于极严格的隐私监管和成本，许多拥有高价值资产的企业也只能望而却步。

其次，是公网数据与行业高精尖数据之间的断层。目前市面上大模型的训练主要依赖互联网公开数据。但事实上，大量领域内最高精尖的数据都沉淀在行业线下。以医疗行业为例，一家大型三甲医院积累的临床数据规模便可能达到数个PB，而这些数据既无法公开，也无法上传至互联网。对于癌症诊疗、复杂手术决策等场景而言，仅依赖互联网数据训练出来的通用模型，其准确率也十分有限，很难达到真正可落地的专业水平。

“近期我们看到的诸多技术突破，其实大多集中在代码编写领域，这是因为互联网上有海量的开源代码和在线交互数据把模型养熟了。但在像癌症诊疗判断这种对精准度要求极高的专业领域，至今没有一个大模型能够胜任。”杨红霞表示，这并非模型本身的能力不行，而是因为行业最核心的数据根本不在互联网上。

“只要一家企业最核心的数据不在互联网上，那么单纯依赖中心化大模型，往往无法解决它的问题。因此，我认为分布式协同AI一定会成为未来的发展方向，而这也是我选择创业的原因之一。”杨红霞解释道，InfiX.ai 的愿景并不是仅仅再造一个通用大模型，而是构建孕育所有模型的系统。同时通过构建AI原生基础设施，帮助企业构建属于自己的领域化AI模型。

02

低比特训练+小规模模型适配，破解算力壁垒

谈及如何帮助企业构建专属领域模型，杨红霞坦言，算力依然是壁垒。但InfiX.ai并没有盲目追随主流，而是选择不同的破局路径。

首先是低比特训练技术。杨红霞介绍称，目前除了 OpenAI、DeepSeek 等少数头部模型厂商外，绝大多数企业仍主要采用 FP16或BF16精度进行模型训练，而Infix.ai开源了全球首个覆盖预训练与后训练的「端到端FP8低比特训练全套方案」。这意味着，在保持模型性能与训练质量基本一致的前提下，InfiX.ai仅需行业平均水平约一半的算力资源与存储空间，便能够完成同等级别模型的训练。

但这也仅仅是一个开始。当前技术前沿正向更低比特演进，正如DeepSeek-V4团队已完成了FP4与FP8的混合精度训练，杨红霞透露，InfiX.ai团队目前也正在全力攻关FP4训练，一旦这个技术实现突破，未来模型的训练成本有望进一步降至传统方案的四分之一。

其次，在低比特技术控本的同时，InfiX.ai也更推崇「以更小规模模型完成更深度场景适配」的路径。杨红霞认为，参数规模的提升带来的是通用能力增强，但对于医疗、金融、工业等专业领域而言，决定模型价值的并非参数数量，而是行业知识密度。

以医疗领域为例，InfiX.ai团队打造的模型参数规模是320亿，相较于参数规模可能达到万亿级别的GPT-5，它的体量显然小得多，但由于长期使用专业医疗数据进行深度训练，其表现出的专业准确度是可以超越这种几万亿的通用大模型。

间接地，她也在回应一件事情：AI的竞争，不一定是谁的模型最大，而是谁离行业最近。

03 

模型融合：实现「数据不出域，知识可共享」

相比低比特训练和行业模型，更让杨红霞欣慰的，其实是另一项探索——模型融合。

在她看来，这或许才是未来人工智能发展的真正分水岭。目前全球绝大多数大模型的发展路径，本质上是中心化的。“还是以医疗为例，如果今天我们想打造一个国家级癌症临床大模型，按照传统思路，第一步就需要全国顶级医院把最核心的患者数据汇聚到同一个地方。但无论从隐私保护、法律合规还是商业利益角度来看，这件事几乎不可能实现。”杨红霞说道。

对此，InfiX.ai提出了另一种思路：不是去集中数据，而是融合模型。具体而言，就是每家医院都可以利用自身数据训练专属模型。例如，中山大学附属肿瘤医院针对鼻咽癌训练专业模型；复旦大学附属华山医院围绕自身优势病种构建模型；山东省肿瘤医院则针对胃癌及放疗场景训练模型。

“不同地区、不同医院积累的优势病种和临床经验并不相同。这些模型本身，其实已经浓缩了背后海量数据所蕴含的知识。”杨红霞补充道，InfiX.ai所做的并不是获取这些原始数据，而是获取这些已经训练完成的模型。通过后训练技术，把多个垂直模型重新融合，训练出一个全新的基础模型。最终得到的新模型能够同时掌握各家医院的专业知识，而整个过程中，患者数据从未离开医院本地。

杨红霞将这种模式，比喻为武侠小说中的「吸星大法」：“每个模型都有自己的独门内功，而我们的技术，就是把这些散落的功力提炼出来，融会贯通成一个集大成者。”

更重要的是，这种方式也能降低算力成本。据杨红霞介绍，传统方法训练一个150亿到250亿参数的大模型，可能需要消耗1-200万GPU hour，而模型融合本质上是一种高阶后训练过程，仅需要几百GPU hour。

谈及InfiX.ai取得的成果，杨红霞表示，我们的相关研究成果已经连续被NeurIPS、ICML等全球顶级AI学术会议录用，同时已成功完成多个国际领先开源模型之间的跨模型融合实验，包括欧洲领先模型、阿里通义千问系列模型以及微软生态中的顶级开源模型。

杨红霞还透露，在150亿至250亿参数规模区间内，这些原始模型在代码生成、数学推理等核心能力测试中的平均成绩通常维持在75至77分左右。而经过InfiX.ai模型融合，新模型在11个涉及代码、数学、科学等推理能力测试中综合评分直接提升至88分。简单理解，InfiX.ai已经成功将A模型擅长编程、B模型擅长数学推理、C模型擅长知识问答等优势能力汇聚到同一个模型之中，实现了“1+1+1远大于3”的效果。

据悉，目前围绕这一方向展开探索的企业并不多。放眼全球，除了InfiX.ai之外，日本AI独角兽Sakana AI以及由前OpenAI核心团队创立的Thinking Machines Lab（TML）也在探索类似方向。

杨红霞表示，这并非一条容易走通的道路，挑战非常大，过去行业发展大模型时，还能够参考GPT-3等公开技术路线。但模型融合属于全球最前沿的研究领域，至今没有成熟范式。某种意义上，我们都是致力解答这样的课题：当数据无法流动时，知识如何流动；当模型无法无限增大时，智能又该如何继续增长。

模型融合，或许正是其中一种值得期待的答案。

04

结语

对话最后，杨红霞向《前方智能》分享了她对未来产业格局的判断。

“生成式人工智能这波浪潮毫无疑问将重塑各行各业。但真正推动行业变革的，一定是各行各业本身。”

在她看来，每一个行业都有自己独特的数据资产、业务流程和专业知识体系。只有长期深耕行业的一线参与者，才真正掌握着最核心的数据、最真实的业务场景，以及判断AI输出是否正确的专业标准。他们现在缺少的，只是一套能够安全、高效、低成本释放AI价值的「脚手架」，而 InfiX.ai 正在做的，就是这个「脚手架」。

透过这一视角，我们或许也能重新理解AI与人的关系。AI从来不是为了取代人类，而是为了放大人类的能力边界，帮助人们摆脱重复、低效的工作，将更多时间投入到创造、决策与创新之中。

当算力成本、技术门槛以及数据安全等底层难题被基础设施逐步化解，人类或将取得前所未有的生产力自由。因此，未来的竞争优势，不仅来自模型本身，更来自行业认知与AI能力的融合。

浪潮奔涌，时代向前。生成式AI的大幕已经拉开，但产业智能化的故事才刚刚开始。而下一批真正定义时代的创新者，也许正诞生于那些最懂行业的人群之中。