博识广联刘红杰：监测站部署AI智能体是工程化落地良机
“公共网络数据还能支撑多久？”
向Deepseek抛出这个问题的，正是博识广联科技有限公司的创始人刘红杰。身为网络监控与信号解析领域的专家，刘红杰期望从DeepSeek那里得到的，不只是一个时限，而是一个破局的起点，当互联网公共数据被榨干价值后，AI进步的引擎将转向何方。
7月3日，在2026全球数字经济大会无线技术及应用专题论坛上，刘红杰呈现了一场名为《AI 驱动智能频谱管控》的主题报告。在报告中，刘红杰还将另外两个更为犀利的疑问一并抛向公众。
一个是关于智能本质的反思，当缺少对物质世界基础常识和因果链条的把握时，AI 能否切实迈向通用智能并服务各行各业？
另一个问题关乎即将来临的6G，在无线电频谱管控这类专精且敏感的领域，常规的监控手段如何适应未来6G的庞杂需求，如何将AI能力下沉，以应对智慧化实施的挑战。
01
从大语言模型到世界模型：
寻求人工智能新路径
“大语言模型攻克了语义推导，但唯有具备空间认知和因果逻辑的世界模型，才能让AI真切领会物理世界，深入各行各业的实际应用。”
在分析人工智能模型的演进方向时，业界广泛认同，从攻克语义推导的大语言模型，向拥有空间认知和因果逻辑能力的世界模型演变，是一个必由之路。
但这其中也有一个核心难题，即当前主流的大语言模型主要解决语义推导问题，欠缺对物理世界的普遍认知。
刘红杰以个人经历印证了这一趋势。从2018年起，刘红杰就承接了北京市科委有关人工智能在无线电信号解析领域的重大科研专项，着手落地探究人工智能。
“那时还没有大模型，称作小模型。”
这一钻研，七八年光阴转瞬即逝。2023年，国内掀起“百模大战”，涌现出数十乃至上百家大模型创业公司。如此多的人和资源涌入大模型领域，整个景象就如同百年前的西部淘金热潮。
刘红杰表示，每个人对AI的前景都有自己的见解，众口不一。其实从当前来看，我们是看不分明的，也预判不了它的演变和带来的变局。让大模型预测自身未来的发展，它也只能给出一个走向。
他还提及了其他学者的观点，李飞飞和杨立昆认为，要抵达通用人工智能，也就是AGI，就必须借助世界模型。“只有当AI能像我们一样解读图像、视频和各种输入，它才算具备了对物理世界的基础常识。”
目前，AGI在国内也有众多实践。中国移动不仅提出了无线网络电磁世界模型的概念，还牵头组建产业联盟；北京邮电大学的科研团队于2025年，发布了全球首个信道领域的大模型。
深圳未来网络研究院则依靠香港中文大学，建立并规划了全国5个数据节点，一定程度上促进了电磁频谱管理的革新。
刘红杰将这种人工智能引发的挑战落实到通信行业。他认为，在无线领域，最大的障碍是克服空间信道传播的变数，而这也正是世界模型可以施展身手的舞台。
02
高品质数据集与资源耗尽危机：
未来十年的数据难关
“公共数据的价值正被快速采掘耗尽，AI发展的燃料危机已不再是预言，而是正在上演的现实。”
刘红杰不仅点出了互联网公共数据正面临急速耗尽的危机，还把破解这场危机的钥匙指向了高品质数据集。
他还回溯了2024年，在无线电数字经济论坛的AI专题讨论上，360创始人周鸿祎演讲的一个关键论点。当时大家有一个共同认识：未来十年里，互联网上的公共数据价值将被大模型挖掘殆尽。这与其说是共识，不如更多视作大家共有的忧虑。
既然AI发展的燃料危机起源于数据，那破解之道也必然落脚于数据。
为此，我国早已做出部署。中国信通院在去年就发布了《人工智能高品质数据集建设指南》，为面临急速耗尽的公共数据注入一股活水，让高品质的数据集得以更快进入行业、走向应用。随后，国家数据局又核准了63个可信数据空间的建设。
刘红杰认为，无线电数据天然具有敏感性，不能在公网流通，因此必须构建行业内部的高品质、可信数据集来驱动发展。
03
数据治理与行业落地：
推进无线电频谱管理变革
“面对5G/6G带来的新应用与新安全考验，传统的监控手段已难以胜任，我们必须用AI来应对AI时代的频谱管理难题。”
刘红杰表示从去年开始，就对研究无线电数据集的建设展开钻研，并在此基础上归纳提炼了6个场景、12个维度、36个要素的体系与方法。他认为，只有厘清了无线电数据的数据要素提取，我们才能建立属于行业的高品质数据集，进而促进行业数据质量进步。
当然这只是化解频谱管理难题的开端。
刘红杰进一步表示，建立了数据集之后，就要有数据治理的流程。数据跟设备一样，是有生命周期的。从数据的产生到消亡，我们要在生命周期里做有价值的事情，否则数据就白白流失了。
他还指出，目前各行各业内部存在大量多余数据，对数据特征、要素特征的提取远远不足。
由于全国的固定监测站，对周边的电磁环境最为了解，因此也成为人工智能技术实现工程化落地的绝佳切入点。
刘红杰认为，在路径方面，AI在无线电产业的最终落地，必然是基于属地化管理。通过对监测站数据的掌握，在监测站端部署AI智能体，可以为人工智能的落地提供一个优良的工程化出口。
这也意味着，通过实施这个AI落地策略，就可以让最了解本地电磁环境的监测站，成为AI智能体部署的最佳节点。