AI竞赛进入下半场,企业现场才是真正战场

国常会把"规模化商业应用"推到台前，真正的考验变成算力、数据和场景能否被企业日常使用。

6月29日晚，国务院常务会议听取人工智能发展情况汇报。

这条新闻最值得关注的，不只是"人工智能"再次出现在高层会议中，而是几个关键词被放在同一段话里：核心技术突破、超大规模智能计算集群、高质量数据供给、"人工智能+"、规模化商业应用，以及安全底线。

它传递的信号很明确：AI产业的主战场，正在从模型发布会转向企业现场。

过去两年，市场最容易被参数、排行榜和发布会演示所打动。接下来，真正能穿越周期的企业，未必是最会包装模型概念的企业，而是能把模型、数据、设备和流程融入真实工作流的企业。

AI真正进入产业，不是让模型回答得更像人，而是让机器、数据和流程在企业现场跑得比过去更稳、更便宜、更可追溯。

新华社解读提到，2025年我国人工智能核心产业规模超过1.2万亿元，企业数量超过6200家。这个规模已经不小，说明中国AI产业并不缺乏参与者，也不缺乏资本和关注度。

但国常会这次的表述中，最关键的不是继续证明AI重要，而是把产业化路径说得更具体。

"超大规模智能计算集群"对应的是基础设施，"高质量数据供给"对应的是燃料，"人工智能+"对应的是场景，"规模化商业应用"对应的是最终能不能变成收入、效率和成本改善。

这几个词连在一起，意味着AI企业不能只停留在演示层。模型能不能进入工厂质检、客服坐席、医疗辅助、政务办理、消费终端和研发设计，才是下一阶段的关键。

这也会改变估值逻辑。

过去，AI企业的想象力很大程度上来自"能力边界"：模型能不能写、能不能画、能不能推理、能不能调用工具。以后，市场更需要回答"应用边界"：谁愿意付钱，部署周期多长，数据怎么接入，出错谁负责，长期运维成本能不能降下来。

一旦从能力边界走到应用边界，AI就不再只是技术竞赛，而是产业工程。

很多行业并不是没有AI需求，而是缺少能被AI消化的数据。

工厂里有设备参数、质检图片、维修记录和排班数据；医院里有影像、病历、检验结果和诊疗路径；政务系统里有表单、审批规则和历史办件记录。问题在于，这些数据常常分散在不同系统里，格式不统一，权限边界复杂，质量也不稳定。

所以国常会强调"高质量数据供给"，不是一句空话。它指向AI商业化最容易被低估的环节：把原本散落在业务现场的数据，整理成可调用、可追溯、可合规使用的生产资料。

模型本身可以更新很快，但企业流程改造往往很慢。

一条产线要接入AI，可能要改造相机、传感器、测试治具、边缘计算设备、质检标准和异常回传机制；一个客服中心要接入AI，可能要重写知识库、授权体系、质检规则和人工接管流程；一个医疗场景要用AI，更要经过伦理、测试、认证和责任划分。

这就是AI+最现实的门槛：不是模型不能用，而是企业原来的流程能不能被改造成适合AI持续工作的流程。

能够把数据治理、流程改造和模型部署做成标准化方案的企业，会比只卖单点模型接口的企业更接近商业化核心。

最近一个很有代表性的案例，是机器人进厂。

科技日报报道，6月23日至28日，多台智元精灵G2机器人进行6天透明产线直播作业，累计作业总时长超过64小时、产量17625件，作业成功率达到99.99%。报道还提到，这是3C产线质检工段全覆盖机器人作业直播。

这类案例之所以值得看，不在于它能立刻证明人形机器人已经大规模替代人工。单一企业、单一工段、一次直播，不能直接外推成全行业拐点。

它真正说明的是另一个问题：AI落地越来越像流程工程，而不是魔法演示。

机器人要在产线里工作，首先要把任务拆得足够清楚：从流水线抓取产品，放入测试设备，与设备交互，再把合格品和异常品放回对应位置。这里面每一步都不是单纯的"智能"，而是视觉识别、机械控制、设备通信、节拍匹配和异常处理的组合。

换句话说，AI+制造的价值不只来自算法，而来自算法能不能嵌入工厂已经存在的节拍。

这也是为什么"规模化商业应用"比"精彩演示"更难。演示可以选择环境，商业化必须接受真实现场：光线会变化，设备会老化，员工会换班，产品会变型，订单会波动，异常会不断出现。

能够在这些变量里保持稳定，才是真正的产业能力。

今天国家统计局发布的6月PMI，也给这篇文章提供了一个宏观背景。

6月制造业PMI为50.3%，比上月上升0.3个百分点，重新回到扩张区间；新订单指数为51.2%，比上月上升1.3个百分点。制造业不是没有需求，也不是没有场景。

但同一组数据里，大型企业PMI为50.7%，中型企业为50.5%，小型企业为48.2%。这说明制造业修复并不均匀。

对AI企业来说，这个分化很重要。

大企业有预算、有数据、有系统集成团队，更容易成为AI+的早期客户；中小企业往往更在意部署成本、见效周期和运维复杂度。如果一个AI方案只能在样板工厂里跑通，不能降低复制成本，它的市场空间就会被限制在少数大客户项目里。

这也是AI产业下一步的硬仗：不只是做出一个能用的方案，而是把方案做得足够便宜、稳定、易部署。

从这个角度看，AI+不会简单复制移动互联网的扩张路径。移动应用可以通过软件分发快速触达用户，产业AI却要进入设备、系统、组织和责任链条。它的速度可能更慢，但一旦跑通，粘性也更强。

国常会把"核心技术突破""超大规模智能计算集群""高质量数据供给"和"安全监管体系"放在一起，说明AI产业投入不会只集中在一个环节。

第一，算力仍然是底座，但不能只看规模。

训练大模型需要大规模算力，推理和行业应用更考验成本、能耗、延迟和调度效率。未来真正有价值的算力，不只是"建得大"，还要"用得满、调得动、算得便宜"。

第二，数据会成为产业AI的分水岭。

通用数据能支撑通用模型，行业数据才能支撑行业应用。谁能拿到高质量、合规、连续更新的数据，谁就更容易把AI做成可交付产品。

第三，场景企业和集成商的重要性会上升。

很多AI项目的成败，不取决于模型第一天有多强，而取决于能否理解客户流程、改造接口、培训员工、处理异常和持续迭代。懂场景的人，会在AI商业化里重新变贵。

第四，安全、伦理和测试认证不是束缚，而是商业化前提。

国常会提到完善科技伦理、测试认证等制度规则，构建动态适应、分级分类的安全监管体系。原因很简单：AI一旦进入医疗、金融、制造和公共服务，就不能只靠"试试看"。越是严肃场景，越需要规则来明确边界。

没有可追溯的AI，很难进入关键业务。

第一，看AI应用能不能从标杆项目走向重复交付。

一个项目跑通，不等于商业模式跑通。只有交付周期缩短、定制化比例下降、运维成本下降，AI+才会从示范工程变成可复制产品。

第二，看数据供给能不能从"有数据"变成"好数据"。

数据不是越多越好，而是要可用、可信、可更新、可合规。行业AI的竞争，会越来越像数据工程和业务工程的竞争。

第三，看安全治理能不能跟上应用速度。

如果监管规则过慢，企业不敢用；如果规则过粗，创新受限制。分级分类的监管体系，决定了AI能进入哪些场景、以什么责任边界进入。

AI竞赛的下半场，不在模型发布会。

它在工厂的排班表里，在企业的成本表里，在数据治理的台账里，也在每一次失败能不能被记录、回放和修正的流程里。

当AI从"能演示"走向"能交付"，产业才真正开始变得严肃。