阿里巴巴集团CEO吴泳铭在今年云栖大会的主论坛做了一个判断引发了强烈关注机器智能和人类智能是完全不同的物种未来机器思考的总量将达到人类的1000倍以上。所以AI的潜力已经释放但是还只是刚刚起步。他把当前让AI帮人写代码的AI Coding比作1882年爱迪生点亮的400盏灯替代了蜡烛和煤油灯但电灯不等于电气时代。属于机器智能的原生产品还在路上。工业革命的历史也告诉我们无论后来出现什么新发明第一步都要建足够多、足够强的基础设施。吴泳铭在演讲中把机器智能时代的基础设施归结为三大基石AI模型、AI芯片和AI云。同一天上午阿里发布了对应的最新进展Qwen团队在递归式自我改进方向取得进展正在推进5到10万亿参数规模的新一代模型训练平头哥发布了新一代AI芯片真武V900算力达到上一代M890的三倍单一集群可扩展至50万卡。模型在变大芯片在变强发布节奏也在加快主流大模型的版本更新周期已经压缩到四到六周。AI共识无需怀疑这个叙事放在当天下午的“现代新国企”研讨会上也尤其应景。因为一起参与研讨的央国企代表们所负责的正是建电站、铺电网、炼石油、造装备、运物流、架通信等基础设施建设和运营。与此同时央国企自身也在推进新一轮改革。AI已经成为新国企建设中一项必备的组织能力。多家央企将人工智能纳入企业发展战略不止一家明确了“十五五”AI行动路线图。吴泳铭在上午谈的是基础设施先行的逻辑下午论坛的参会者则是把这个逻辑接到了自身的业务里。央国企运营的产业场景既是AI能力最迫切的需求方也是最严格的检验场复杂度极高、容错空间极小对准确性、安全性、稳定性和自主可控的要求远超一般行业。如果机器智能的供给要像电力一样真正渗透到经济运行的底层最终一定要进入这些场景。这些企业的进步也更事关全社会的效率与福祉。会场上对AI的战略价值呈现出一种不需要论证的共识感。多位发言者引用了一组宏观数据全国AI企业超过6200家全球排名前十的开源模型中国占9席智算规模两年增长近10倍。但比数据更有说服力的是台上几位央企负责人的态度。一位大型央企集团的管理层在发言中说人工智能不是一次工具层面的引入而是关乎企业长远竞争力的战略变量。央国企的智能化升级已经有了充分的共识。讨论的重心不再是要不要做而是怎么落地。这并不是一件易事。如果大家熟悉IT产业历史也一定记得当年ERP落地都是煞费了一番功夫的。无独有偶。过去两年全球多家研究机构独立调查了企业AI的落地成效结论也高度一致大部分项目没有产出可衡量的商业回报。RAND的研究显示超过80%的企业AI项目未能兑现预期价值BCG在2025年9月对1250家企业的调查中发现60%没有产生实质回报MIT的数字最尖锐95%的试点项目在损益表上交了白卷。因此“采纳快、转化慢”可以说是一个跨行业的普遍现象。央国企面对的版本更复杂它们的AI应用不会停留在已被广泛验证的通用场景而是要深入到对精度和稳定性要求极高的核心业务中去。落地体感冷热不均具体说来AI落地企业内部不同层级的体感不同是一个普遍现象。决策层看到的是战略机遇和政策要求关心的是“我们在不在牌桌上”业务部门面对的是场景选择和流程改造的具体压力想知道“到底先做哪个场景”一线员工更关注AI会如何改变自己的日常工作是帮忙还是添乱。这三层关注点之间的落差往往成为落地速度的隐性约束。因此有嘉宾坦言央企AI应用深化推进中还存在重试点轻推广的问题。不少企业号称做了几十个智能体Token消耗量却撑不起来说明真正在日常被使用的并不多。另一个普遍的挑战是速度差。大模型的版本更新周期已经压缩到四到六周虽然是技术利好但任何预先规划好的方案都有滞后的风险。央国企的决策链条长采购流程重传统项目制的交付节奏自然很难跟上模型迭代的速度。人才缺口加剧了这个困境AI人才在全社会都稀缺既懂AI又懂行业的复合型人才更少供需缺口在短期内很难靠招聘填平。这些问题是真实的。但论坛上也能看到一批企业已经在改变做法有的让业务专家全程参与模型训练和调优有的在内部搞AI实战大赛把每个项目绑定真实业务。问题和进展并存差距在缩小但缩小的速度取决于方法是否对路。要让AI成为必选项解决之道也在浮现。在MIT报告中有一条线索在那5%成功跨过试点阶段的企业中使用外部合作方方案的成功率约67%内部自建的只有33%。也就是说依赖外部专业协作的成功概率居然高达纯粹自研的两倍之多。研究者的解释是外部合作方的优势不在于智力水平更高而在于里程数更多。经历过足够多的部署从失败中攒下了经验知道哪些弯路可以避开。对于央国企这种合规要求高、试错空间有限的组织来说这个规律的适用性可能更强。越是不能轻易试错的场景越需要有人帮你把前面的路趟过一遍。阿里云智能集团副总裁霍嘉在发言中介绍了阿里云在模型落地最后一公里的工作方式。核心分四步先做场景识别判断一个场景是否真的值得用大模型技术来做再做快速验证不讲PPT直接看Demo验证通过后写生产级代码把场景推到可上线的标准最后基于AI原生产品把能力固化下来让成果沉淀而不是每次从零开始。他强调场景识别是四步中最关键的一步。选不对场景宁可不做因为交付不了结果。阿里云工业智能总经理许呙兢从组织变革的角度做了补充。他把自己的团队从纵向组织转为“126模式”12个贴近客户的战区小分队和客户数字化公司的团队组成联合小队扎在项目现场6个产品研发团队负责把一线经验沉淀回产品。他用“蓄势待发”概括今年的体感模型能力有了长足发展用户开始认识到哪些场景值得做客户的数据也在慢慢变得AI ready。在研讨会上的圆桌讨论中几位来自不同行业的企业代表分享了已经跑通的案例。我发现这些案例有一个共同点没有人讲一个“有也行没也行”的场景。在采购供应链场景有企业用AI做招标文件智能审查准确率达到85%以上效率提升70%而且嵌入了业务系统强制执行。强制执行的背后有一个现实考虑辅助决策类的AI工具部署之后往往变成可选项员工可以用也可以不用如果不用系统就无法收集迭代数据模型会停在原地。把审查助手设为流程强制环节等于从制度上解决了冷启动问题。在通信设备制造领域有一个光棒也就是光纤预制棒的案例综合成品率从50%多提升到98.5%靠的是业务专家、数据工程师和算法工程师坐在一起迭代了两三年先做数字化再叠加AI模型才攒下了足够的工艺知识。其实道理也容易理解问题复杂度和人力处理能力之间的落差够大大到值得动员组织资源让AI真正嵌入工作流。 做完演示就束之高阁的场景自然走不过试点期。模型要进入业务人要靠近现场这些案例跑通靠的不只是模型能力还有组织能力。怎么打造适合AI落地的组织、怎么解决人才梯队的问题是一个和如何跟踪模型技术进展同等甚至更重要的议题。几位嘉宾各有侧重但也有一个共识那就是让懂技术的人靠近业务发生的地方就地解决问题。对于很多国央企而言AI落地往往会经过三层体系。总结经验则是在这三层体系当中每一层都是让掌握技术能力的人更快靠近现场。第一层外部伙伴与数科公司之间。许多央国企都设有自己的数字化子公司或数科公司它们是对接外部AI能力的窗口。阿里云工业智能总经理许呙兢描述了他们和客户之间的协作模式阿里云的工程师和客户数字化公司的团队组成联合小队从需求梳理到上线运行全程配合阿里云负责工程能力和模型调优客户团队负责业务知识和数据资产各出所长。第二层数科公司与母体企业之间。数科公司和母体企业各有各的知识体系两者之间需要找到共同语言。圆桌上有嘉宾谈到数科和业务之间最大的挑战是业务数据如何持续沉淀持续转化成模型能理解的知识。数科公司有模型能力但模型需要母体企业的业务数据来喂养数据不流通模型就长不大。这一层要做的是在两套知识体系之间建立日常化的数据和经验交换机制。第三层企业内部IT与业务部门之间。技术侧和业务侧各有各的语言体系中间缺少翻译。圆桌上有嘉宾提出了一个思路其实内部IT人员也可以看作是面向业务的前线部署工程师FDE。其核心就是让现有团队学会用AI的语言重新理解业务痛点成为技术和业务之间的翻译层。前面提到的采购供应链案例走的也是这条路让业务骨干全程参与模型训练和调优建立了知识运营常态化、人机权责明确、数据安全合规三个保障机制。许呙兢在这一点上补充了一个角度。他说过去一段时间最深的体会是“如何让用AI的人有获得感”。他从一位央企负责人那里听到正在推行“AI平权”让每一个员工都能用AI提升自己的工作而不是被AI替代。他举了一个垃圾焚烧厂的案例上了智能控制之后操作班次从四班三倒变成五班三倒年轻员工愿意在生产线和AI一起工作了。一个85%准确率但让员工觉得有人在帮自己的系统会不断进化一个没人愿意碰的系统准确率再高也是零。人的获得感决定了AI能不能在组织中扎下根来。不过通过这次研讨会其实还存在第四层体系。论坛上不止一位发言者提到场景经验不应该只留在企业内部。多家央企分别在水电、装备制造、物流领域建立了成体系的实践通过行业课题、联合调研和研讨会加以提取、共享、交叉验证一家企业踩过的坑就不需要让下一家重新踩。有嘉宾在致辞中说了一句话“场景的经验就是行业的能力。”对央国企来说大家治理结构相近可参考性强对方的现场也是自己的现场。四层协作归根结底靠人。在圆桌的结尾每位嘉宾讲了一件接下来最想用AI做的事。有人说要给每个采购员工配一个数字员工让AI站在他身后做支撑。有人的方向是把数字化和AI结合起来把超级发动机真正掌握住。有人讲现在他们拉着AI跑后面希望AI能拉着业务起飞。许呙兢长期耕耘于工业AI落地从传统AI时代一路做到大模型时代。他的回答落在了老师傅身上很多老师傅的经验宝贵但这些知识面临无人传承的风险。他希望能帮老师傅在退休之前用AI的方法把经验保存下来传承下去。