陈云峰解析：AI应用如何打通产业落地关键环节？

引言："十五五"规划强调要"抢占人工智能产业应用制高点，全面赋能各行各业"，这标志着人工智能发展重点正快速转向实际产业应用。目前，AI与各行业的融合不断深化，竞争核心逐渐聚焦于具体场景中的应用效果，重点在于能否有效解决生产实践、城市管理和产业升级中的实际难题。

近期，百度飞桨广州中心（粤桨）副主任兼首席技术官陈云峰在"IPP明远讲坛"发表观点。他通过工业分拣、公检法辅助办案等实例，展示了AI不仅停留在理论模型层面，更在众多具体场景中实现了从技术能力向实际生产力的转化。

陈云峰

百度飞桨广州中心（粤桨）副主任、CTO

海珠区人工智能百人会常务副会长

我们先来看一张《时代》杂志的封面。

2025年《时代》周刊年度人物封面展示了八位AI领域代表人物：马克·扎克伯格、苏姿丰、马斯克、黄仁勋、萨姆·奥尔特曼、德米斯·哈萨比斯、达里奥·阿莫迪和李飞飞。图源：《时代周刊》

这张封面标题为"人工智能的建造者们"。其构图灵感来自上世纪30年代美国建设摩天大楼时的经典照片《摩天大楼上的午餐》。1932年，这张照片拍摄于纽约洛克菲勒中心建设现场，展现了钢铁工人在高空横梁上用餐的场景。20世纪30年代，正是美国大规模基建时期。

每一代强国的崛起，往往都伴随着大规模基建的推进。因此，《时代》杂志用类似构图来呈现"人工智能的建造者们"，具有强烈象征意义：20世纪30年代的工人在建设城市；而今天的AI代表则在构建未来AI时代的基础设施。

此外，今年3月初以来，"小龙虾"在海外迅速走红。在进入国内公众视野前，它已在海外引发广泛关注。以华尔街铜牛雕塑"Charging Bull"为例，有人甚至专门制作了一个铜制"小龙虾"，放置在铜牛前方。这一场景也折射出"小龙虾"作为AI应用在全球范围内的传播热度。

AI作为热点技术，如何真正转化为现实生产力？要回答这个问题，首先需要了解AI产业链。

AI产业链结构复杂。如果分为五层，最底层是能源。随着近年国际冲突和地缘风险上升，能源的重要性日益凸显。在能源之上，是人工智能产业链的基础层，主要包括算力和数据。当前各地，尤其是一些偏远地区建设的数据中心，主要对应这一环节。算力方面大家也比较熟悉，包括国产GPU、海外GPU等。

再往上一层，是应用层，包括通用应用技术及当前主流框架平台。模型层则是大家最熟悉的部分。无论是我们每天在手机上使用的通用大模型，还是企业内部使用的大模型，或者面向特定行业的垂类大模型，都属于这一层。再往上，就是各个产业场景中的具体应用。

从我们常见的C端，也就是用户端来看，当前比较主流的通用大模型工具类型非常丰富。比如大家常见的ChatGPT这类聊天工具，还有绘画类工具、文生图、文生视频、音乐生成、格式转换、数字人、工作流等多种类型。现在新的应用浪潮不断出现，基本上每个月都会有新的热点出来。最近我看到一个挺有意思的说法：只要我的反应足够慢，足够"懒"得去学习新技术，等我终于反应过来的时候，可能会发现之前想学的技术已经不重要了。这当然是一个玩笑，但也说明AI应用迭代的速度确实非常快。

如果从B端和G端来看，AI能够赋能的环节就更多了。这里列举了10个比较主流的行业，包括工业、能源、金融、建筑、教育、文化创意、农林牧渔、商贸物流、企业服务、生物医药等。更重要的是，每一个垂直行业内部，又会有很多非常细分的结合场景和落地项目。

我挑选几个案例展开说明。

首先讲工业。工业是一个非常庞大的领域，也是粤港澳大湾区具有优势的领域，因此AI与工业结合的空间非常广阔。从最基础的知识萃取，到智能交互、安全巡检、巡检预警、数据可视化，再到AI排产、智能调度；如果涉及仓储，还会包括AGV自动驾驶；再往后，还包括工业仿真、数字孪生等。这些都是AI在工业领域较为常见的应用场景。

我最常讲的一个案例，就是工业分拣和质检。之所以会产生这样的应用需求，和大湾区制造业的现实情况密切相关。大湾区制造业规模庞大，但招工问题已经成为一个明显痛点。如果大家去过一些位置稍微偏远的传统工厂，就会发现里面工作人员整体年龄偏大。与此同时，企业的招工成本也越来越高。换言之，大湾区制造业门类又非常丰富，因此企业在用工方面面临的挑战确实很大。

接下来讲一个具体场景：积木类玩具。目前，全球60%以上的积木类玩具都产自汕头澄海。积木类玩具的生产流程大致是这样的：因为原材料主要是塑料，所以需要先对塑料进行加热注塑，再通过模具形成特定形状，冷却之后生成一个个塑料零部件。这些零部件在生产出来后，最初都是杂乱堆放在一起的。这就带来一个问题：必须有人对其进行分拣。

在传统工厂里，往往会有工人每天坐在那里工作8到10个小时，把这些长得非常相似的零件一个个分出来，再放进不同的盒子里。这些零件不仅形状相似，颜色也很接近。这个工作存在几个明显痛点。第一，人不可能长时间保持高度稳定和高效。通常连续工作一两个小时后，后续就会出现大量错误，速度也会下降。第二，工人需要长时间盯着这些细小、相似的零件看，对眼睛伤害很大。

因此，随着人工智能和自动化技术逐渐成熟，这两类技术完全可以结合起来，解决这一类传统制造业中的具体问题。基于这个场景，百度飞桨创新性地做了一套软硬一体的设备。这套设备大概两三米长，工作流程比较清晰：左侧是料仓，工人把玩具零件倒入料仓后，设备会将零件输送到分拣平台上。随后，滚轴和皮带带动零件移动，摄像头会对零件进行智能识别，后台算法事先经过训练，可以判断不同零件的类别。识别完成后，设备再通过机械方式，将零件吹入不同格口，完成自动分拣。

使用百度飞桨的AI分拣设备，每小时至少可以达到12000个零件，并且设备能够持续较长时间稳定工作。更重要的是，这套算法和设备不仅可以用于玩具行业，也可以应用在很多小型零部件相关行业中。除了积木、魔方之外，一些美妆零部件、五金零部件等，都可以使用类似的AI分拣方案。

基于百度飞桨的智能分拣机。图源：财联社

前面已经提到，工业领域是非常庞大的，能够与AI结合的场景很多。比如，定制门窗企业就有很典型的需求。每个阳台的形状不同，业主的需求也不同，有人希望做全景玻璃，有人希望中间设置隔断，不同玻璃型号和方案对应的价格也不一样。因此，每一套门窗产品基本上都是定制化生产的。

正因为这类企业工厂规模足够大、订单类型又高度定制化，所以它们当前非常关注的，就是大型工厂内部的排产问题。这也是AI在制造业中非常典型、非常有价值的落地场景。回到刚才讲的分拣设备。现在每一台设备内部都装有物联网通信模块，因此设备运行过程中的数据都可以被记录下来，包括设备分布、每日产量、模具数量等，都能够实时记录和监测。以上是工业领域AI应用的具体案例。

我再简单提一个偏营销端的案例。每年的"3·15"晚会都会曝光一些国家和公众比较关注的质量问题或行业问题。今年有一个案例叫"大模型投毒"。这里涉及一个概念，叫GEO，即"Generative Engine Optimization"，也就是生成式引擎优化。央视将其中一些不良现象定性为"AI投毒"。但我认为，所谓"AI投毒"只是GEO领域中非常小的一部分，而且是比较负面的部分，属于这个行业中的"劣币"。

在今年315晚会上AI大模型被"投毒"乱象成为曝光重点对象之一。图源：央视财经

现在很多人获取信息的方式已经发生变化。过去大家遇到问题，可能会先去搜索引擎检索；但现在，越来越多问答开始通过大模型完成，很多人甚至已经不再优先使用传统搜索引擎。

但这里有一个很重要的问题：通过大模型获取的信息，是否足够公正？比如我问大模型："儿童纸尿裤哪一家比较好？"它给出的答案究竟是中立的，还是带有某种倾向性？这其实是一个很大的问号。

现实中，已经有一些公司在利用自己的技术和语料，试图影响大模型的回答和判断。一些机构通过大量低质量甚至带有误导性的信息，去干预大模型的生成结果。

以上几个案例，主要围绕AI产业落地展开。接下来进入第二部分，谈一谈城市层面的情况。

我去年看到的一张图，主题是"中国AI城市竞赛"。其中，AI企业最多的城市是北京。除北京之外，长三角地区，尤其是上海、杭州，也有不少AI企业。再往下看，深圳也有一定数量的AI企业。相比之下，广州大概只有三四家，而且其中不少还不是广州本土原生企业，而是通过招商引资引进来的企业。虽然图片只列举了部分企业，但基本反映了全国AI产业竞争格局的大致情况。

2025年胡润中国人工智能企业50强上榜企业城市分布。数据