央国企AI落地，胜负手在现场

• 2026-10-10

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