這是深水研究第二次與熊明輝老師的對話。

去年11月底，在《法律與人工智能》集刊第一期發布會現場，熊明輝老師分享了他對于法律與人工智能行業的深度洞察，其中包括對于算力成本必然將大幅下降、AI Agent會成為2025年人工智能行業超級賽道的預測。

2025年1月，DeepSeek轟動全球，隨后的Manus更是讓AI Agent得以出圈成為AI行業的新技術風向標。

在2025年6月7日于杭州舉行的2025全球人工智能技術大會上，他也進一步分享了這半年來他的前沿預測。相比Cathy Wood木頭姐最近報告中對全球AI產業變化趨勢的判斷，熊明輝的觀察可能更加接近中國產業應用的實際情況。

這里分享我們的專訪紀要，推薦所有AI行業從業者一讀。

人工智能目前應用最廣泛的產業是什么？

如果去看各家AI大模型廠商提供的案例就會發現，法律在各大廠商的應用場景里，都是極為高頻出現的賽道。

不過，作為《法律與人工智能》集刊主編、浙江大學數字法治實驗室主任熊明輝說，AI不僅僅正在改變法律行業，也在徹底改變他的法學教育模式。

熊明輝是那個能提前看到趨勢變化的人。

當他在2024年提出“智能體是超級賽道”時，業界更多將其視為技術愿景，智能體概念也完全沒有進入公眾視野。

短短半年后，智能體已經完成了從“前瞻方向”到“生存必需品”的躍遷。

相比技術端開發者的判斷，來自應用端觀察者的洞見可能更為即時。

熊明輝的最新判斷是：

1、曾被視為戰略高地的垂直行業大模型，正遭遇價值重估。行業知識壁壘正被“通用模型+私有知識庫”的組合擊穿。以騰訊ima為代表的知識庫產品將會在未來擁有巨大想象空間。

2、AI時代真正稀缺的能力，是在海量知識中提出關鍵問題的創造力。

3、在法律行業，AI應用將極大推動司法公平，這是科技的價值。

“去年不懂大模型只是不夠潮，今年不用就會真正落后”，在我們的對話中，熊明輝以生活場景來進行佐證——當你家里智能電視都開始彈出AI交互菜單，這標志著技術已深度嵌入日常。

這種“無感滲透”是顛覆的開始：AI正在從實驗室走入生活，傳統工作流正在開啟一場前所未有的重構。

1990年，邁克爾·哈默（Michael Hammer）在《哈佛商業評論》發表了著名文章《再造：不是自動化，而是重新開始》（Reengineering Work: Don't Automate, Obliterate）。

哈默認為：企業管理者最大的挑戰，不是用信息技術去自動化原有流程，而是徹底摒棄一切不增值的工作，把流程從零開始再設計。

回過頭看，彼時是一場企業革命的開端。35年后，我們可能又一次站在了相似的出發點上。

丨對話丨

技術拐點：

從“不夠潮”到“不會用就落后”

DeepResearch：有人認為這一輪AI還沒到改變世界的時刻，但也有人認為顛覆已經開始了。如何看這種觀點的分歧？

熊明輝：首先我們要看到變化：在2025年之前，不會用AI的人可能只是不夠跟得上潮流。但是2025年以后，如果不用AI，就意味著落后。

從技術演進角度看，我認為顛覆性變革已初現曙光：通用大模型通過私有化知識庫的部署，重構了搜索邏輯——比如中國知網從布爾檢索轉向增強檢索；重塑了知識生產模式——比如騰訊IMA知識庫通過封閉數據減少幻覺風險。并且我們看到，在政法、醫療等領域也都實現了場景化突破。

但AI的顛覆性仍受限于多重邊界：技術層面，通用模型的幻覺風險、數據污染問題尚未徹底解決；倫理層面，跨境數據流動、隱私保護與算法透明度的矛盾加劇；產業層面，垂直場景的深度需求與通用模型的粗放式適配之間存在鴻溝。

比如在法律行業，判決的類案差異性無法被算法完全捕捉，法官的自由裁量權仍是不可替代的人類能動性體現。

此外，AI對社會結構的沖擊具有滯后性。盡管機器在記憶和計算能力上超越了人類，但人類所特有的非理性思維和情感共鳴等特質，依舊難以被量化和模擬，基本上無法進行量化處理。盡管存在情感計算的概念，但所計算的絕不可能是智能體的全部情感，而是計算了中那些可以被計算的情感。機器人在2025年高考的語文、數學和英語科目中得分超過人類的實驗，正好揭示了AI在依賴記憶的“開卷考試”中的局限性。

預測方向分歧的本質在于觀察維度的差異。

樂觀者聚焦技術突破帶來的效率革命，悲觀者則憂慮技術滲透與社會適應之間的時滯性。實際上，AI的顛覆已嵌入具體場景，比如我們說的政法AI通過私有化部署降低幻覺率，但全面改變世界仍需突破倫理共識與制度設計的瓶頸。

在我看來，未來十年，AI將處于“局部顛覆-整體重構”的過渡期，其影響力取決于能否在數據治理、倫理框架與行業定制化之間找到平衡點。

技術進步無法阻擋，但如何讓AI服務于人的主體性，而非消解人類的獨特價值，才是決定其能否真正改變世界的關鍵。

DeepResearch：作為博士生導師，AI對法學教育有改變嗎？之前網傳一則視頻，有一位英國教師因為學生作業都是chatGPT的回答而崩潰。

熊明輝：我認為問題出在這位教師自身。當前的教育體系需要與時俱進，與AI技術廣泛運用和發展同步。如果一位教師仍然依賴傳統的課程論文作為評價學生表現的主要標準，那么這位教師可能已經落后于時代，因為那些手工批改的論文有可能是學生借助通用人工智能工具完成的。

我現在檢查博士研究生的課題研究進展情況，不看別的，我讓他們共享他們的知識庫給我，我就能夠知道他們的學習進展。這在AI到來之前是不可想象的事情。

技術僅能暫時取代人類的部分工作，卻永遠無法完全替代人類。觀察可知，真正的創新往往源于非理性思維，例如在爭執中我們常常不按常理出牌，這恰恰體現了人性。人類之所以獨特，是因為我們兼具理性與非理性。人工智能作為一種理性工具，其核心價值在于輔助人類提出、分析和解決問題。正如圖書館的書籍對所有人開放，但只有少數人能成為科學家，關鍵在于能否有效地利用這些知識資源，提出恰當的問題，這將決定我們的未來。

未來趨勢：

知識庫代替垂直大模型

DeepResearch：未來對于類似法律這樣的行業場景來說，AI技術的關鍵點在哪里？

熊明輝：法律領域的AI應用必須滿足兩個條件：可追溯性和可信度。通用大模型的幻覺源于其訓練數據的不確定性和神經網絡算的黑箱化。

法律領域的特殊性要求其必須具備極高的精確性。以美國律師使用ChatGPT進行辯護的案例為例，模型生成的虛擬案例引發了法律程序的混亂。這類問題在通用模型中難以根除，因為其訓練數據來源于開放的網絡環境，其中包含大量未經驗證的信息，甚至可以說充斥著不實信息。

大模型的推理能力是將所有先前信息視為真實知識進行推理。盡管大型語言模型在預訓練階段會對數據進行清洗，但有時也會出現“倒洗澡水時連同嬰兒一起倒掉”的情況。

因此，通過這些數據預訓練得出的文心、通義、混元等通用大模型的錯誤率是可想而知的。

DeepSeek的出場基本終結了基于Transformer的大語言模型對抗賽。從B端到C端的大模語言型應用已經閃亮登場了，它就是私有化知識庫部署。

所以我看好私有化知識庫部署方向。因為其可以通過限制數據來源，確保模型僅基于用戶提供的權威資料進行推理。

自從2023年百模大戰之后，行業試圖通過細分領域的大模型解決特定問題，但隨著通用大模型的迭代和私有化知識庫的普及，這種模式的局限性逐漸顯現。

以法律領域為例，通用大模型的幻覺問題暴露了其在專業場景中的不可靠性。而私有化知識庫部署，比如騰訊IMA知識庫等等工具，就能直接整合用戶專屬數據，既避免了幻覺風險，又滿足了個性化需求。

而對比來看，垂直大模型的核心問題在于其高昂的開發成本和有限的應用場景。

傳統垂直模型需要針對特定領域進行海量數據預訓練，而這些數據往往難以覆蓋用戶的真實需求。比如在高校科研場景中，不同學科的研究者對知識的需求差異巨大，一個面向法學的垂直大模型可能無法滿足經濟學或社會學的研究需求。

相比之下，私有化知識庫通過整合用戶自有的文獻、研究成果和個性化偏好，能夠動態適應用戶的實際需求，無需依賴預訓練的靜態模型。這種靈活性是垂直大模型難以企及的。

此外，垂直大模型的開發需要大量算力和數據資源，而私有化知識庫的部署成本更低，且能通過持續更新保持知識的時效性。

因此，我的判斷是，垂直大模型的“專用性”優勢正在被私有化知識庫的“通用性+個性化”組合所取代。

DeepResearch：近期AI廠商的焦點都在搜索，為什么這么看好IMA一類的私有化知識庫應用？

熊明輝：今天的這場AI變革的核心在于“知識即資產”的理念。用戶能夠通過私有化數據與通用模型的結合，實現了高度個性化的解決方案，傳統垂直大模型因成本高、靈活性差逐漸被邊緣化。

比如法律領域通過行業定制知識庫解決了通用模型的幻覺問題，而高校科研場景中，學生構建的私人知識庫甚至成為評估學術能力的依據。

這種模式的優勢在于：

精準性：知識庫中的數據是用戶主動提供的高質量內容，而非網絡抓取的污染數據；

可控性：用戶可隨時更新知識庫，確保輸出結果與最新動態一致；

安全性：數據封閉在私域，避免了通用模型的倫理和隱私風險。

相比之下，垂直大模型需要大量算力和數據預訓練，但最終仍難以覆蓋用戶個性化需求，投入產出比并不劃算。

比如法律領域的判例庫需要動態更新，而垂直大模型的訓練周期長，無法及時反映新法規或司法實踐的變化。私有化知識庫則允許用戶按需添加或刪除數據，確保模型輸出始終基于最新的知識體系。

另外，私有化部署還能解決通用大模型的幻覺問題。以騰訊IMA知識庫為例，其設計邏輯是基于用戶提供的封閉數據進行問答，關閉聯網檢索后，模型僅依賴知識庫中的內容生成答案，從而大幅減少虛構信息的風險。

這種“知識庫+通用模型”的組合，既能保留大模型的推理能力，又能通過數據控制確保結果的可靠性，是垂直大模型難以替代的解決方案。