過去兩個(gè)月時(shí)間，InfoQ 發(fā)起了中國(guó)技術(shù)力量年終榜單的案例征集（評(píng)選結(jié)果請(qǐng)戳【閱讀原文】），最終一共征集到了來自 200+ 企業(yè)的 300 多個(gè) AI 案例，根據(jù)對(duì)這些提報(bào)案例的分析，我們發(fā)現(xiàn)當(dāng)前中國(guó)人工智能產(chǎn)業(yè)正處于一場(chǎng)深刻而務(wù)實(shí)的轉(zhuǎn)型之中，從早期對(duì)模型參數(shù)規(guī)模、技術(shù)指標(biāo)和算力堆砌的模型競(jìng)賽，逐步轉(zhuǎn)向以業(yè)務(wù)價(jià)值、落地效率與合規(guī)性為核心的落地競(jìng)賽。

通過對(duì)這些案例的系統(tǒng)梳理，可以清晰地看到，真正實(shí)現(xiàn)規(guī)模化、可持續(xù)、可度量?jī)r(jià)值的 AI 項(xiàng)目，普遍呈現(xiàn)出三大演進(jìn)方向：專業(yè)化、協(xié)同化與工程化。同時(shí)，整個(gè) AI 落地生態(tài)也已形成層次分明、功能互補(bǔ)的三層架構(gòu)：基礎(chǔ)設(shè)施層（Infra）、智能體平臺(tái)層（Agent）以及行業(yè)應(yīng)用層（AI+X），每一層都承載著獨(dú)特的技術(shù)重心、客戶關(guān)注點(diǎn)與商業(yè)邏輯。

1 AI Infra：國(guó)內(nèi)硬件生態(tài)兼容，端到端閉環(huán)，高度重視智能調(diào)度和資源利用率

根據(jù)對(duì) Infra 案例的整體分析，我們大致可以分為：底座層（芯片 / 集群）——追求極致性能與規(guī)模，解決有沒有、強(qiáng)不強(qiáng)的問題；平臺(tái)層（調(diào)度 / 運(yùn)營(yíng)）——解決怎么用、好不好用、能不能賺錢的問題，強(qiáng)調(diào)資源整合與商業(yè)閉環(huán)；應(yīng)用層（垂域 AI）——將 AI 能力嵌入具體業(yè)務(wù)流程，解決值不值、準(zhǔn)不準(zhǔn)、快不快的問題。

盡管各企業(yè)聚焦方向不同，但其方案在以下維度展現(xiàn)出高度一致的戰(zhàn)略取向和技術(shù)路徑：整個(gè)國(guó)產(chǎn) AI 硬件生態(tài)的支持趨于完善，所有平臺(tái)均明確支持國(guó)產(chǎn) AI 芯片（如昇騰、寒武紀(jì)、天數(shù)智芯、燧原等）或自研芯片，均強(qiáng)調(diào)對(duì)國(guó)產(chǎn)操作系統(tǒng)（麒麟、統(tǒng)信、OpenEuler）和硬件生態(tài)的兼容。

雖然是基礎(chǔ)設(shè)施層，但均不再僅提供底層資源，而是覆蓋從資源接入、調(diào)度、模型訓(xùn)練 / 推理、應(yīng)用交付到計(jì)費(fèi)運(yùn)營(yíng)的全鏈路，均部署智能調(diào)度引擎，基于多維因子（性能、成本、延遲、地理位置、負(fù)載狀態(tài)）動(dòng)態(tài)分配任務(wù)。明確量化資源利用率提升效果，重點(diǎn)聚集在資源利用率、算力成本下降、集群峰值利用率、萬(wàn)億參數(shù) MoE 模型訓(xùn)練有效時(shí)長(zhǎng)、千萬(wàn)級(jí)任務(wù)調(diào)度穩(wěn)定性、可用率等指標(biāo)。

支持異構(gòu)算力統(tǒng)一納管，所有平臺(tái)均兼容多種硬件架構(gòu)（CPU/GPU/NPU/DCU）及國(guó)內(nèi)外廠商設(shè)備。支持公有云、私有云、裸金屬、邊緣節(jié)點(diǎn)等混合部署模式，均強(qiáng)調(diào)打破算力孤島，實(shí)現(xiàn)跨域、跨平臺(tái)資源整合。在金融、醫(yī)療、教育、智能駕駛、航空航天、生物醫(yī)藥、高端制造、運(yùn)營(yíng)商、高校等領(lǐng)域和行業(yè)均已形成解決方案并有標(biāo)桿客戶。

2 AI Agent：走向?qū)I(yè)化、協(xié)同化和工程化

根據(jù)對(duì) AI Agent 相關(guān)案例的分析，我們發(fā)現(xiàn)當(dāng)前國(guó)內(nèi)的 Agent 應(yīng)用設(shè)計(jì)與落地呈現(xiàn)出高度一致的技術(shù)理念和架構(gòu)特征。比如所有案例均體現(xiàn)出完整的智能體認(rèn)知閉環(huán)，均采用“感知–規(guī)劃–執(zhí)行–反思”四層智能體架構(gòu)：

• 感知：理解多源輸入（文本、代碼、業(yè)務(wù)數(shù)據(jù)、用戶意圖）；

• 規(guī)劃：基于規(guī)則、知識(shí)圖譜或模型進(jìn)行任務(wù)分解與推理；

• 執(zhí)行：調(diào)用工具、API、工作流或模型完成操作；

• 反思：沉淀經(jīng)驗(yàn)、優(yōu)化模型、持續(xù)學(xué)習(xí)。

所提報(bào)案例均深度融合領(lǐng)域知識(shí)，抑制大模型幻覺，在具體實(shí)現(xiàn)手段上可能略有差異，比如構(gòu)建統(tǒng)一語(yǔ)義圖譜，覆蓋專業(yè)術(shù)語(yǔ)、實(shí)驗(yàn)流程、專利邏輯鏈；基于本體論 建模業(yè)務(wù)對(duì)象 - 關(guān)系 - 行為，確保輸出符合規(guī)則；訓(xùn)練垂類大模型，專精某一領(lǐng)域的理解。

經(jīng)過一年多的發(fā)展，各應(yīng)用不再局限于問答輔助，而是替代人工完成端到端復(fù)雜任務(wù)，強(qiáng)調(diào)任務(wù)自動(dòng)化與流程重構(gòu)，比如科研領(lǐng)域的聚合物從單體設(shè)計(jì)到篩選驗(yàn)證全流程壓縮 65% 時(shí)間；自動(dòng)生成報(bào)告、調(diào)度流程、分析數(shù)據(jù)；自動(dòng) Kill 高負(fù)載 SQL，RTO < 120 秒；多智能體協(xié)同生成可行方案。

最重要的是所有案例均提供可量化的業(yè)務(wù)價(jià)值，如下表所示。

部分案例脫敏后的對(duì)比分析：

綜述，當(dāng)前的 AI Agent 實(shí)踐已超越聊天機(jī)器人階段，呈現(xiàn)出三大趨勢(shì)：專業(yè)化——Agent 必須深度嵌入垂直領(lǐng)域知識(shí)體系（本體、圖譜、規(guī)則），才能解決真實(shí)業(yè)務(wù)問題。協(xié)同化——單一 Agent 能力有限，通過多 Agent 分工、校驗(yàn)、協(xié)商，才能處理復(fù)雜任務(wù)。工程化——Agent 需與現(xiàn)有系統(tǒng)（CI/CD、ERP、OA、數(shù)據(jù)庫(kù)）無(wú)縫集成，并具備穩(wěn)定性、可解釋性、可審計(jì)性，才能在企業(yè)級(jí)場(chǎng)景落地。

3 AI 落地實(shí)踐：省了多少錢？提了多少效？降了多少風(fēng)險(xiǎn)？帶來了多少收入？

在行業(yè)應(yīng)用落地層面，AI 的價(jià)值體現(xiàn)得最為具體、直接且可量化。所有案例均明確回答了四個(gè)核心問題：省了多少錢、提了多少效、降了多少風(fēng)險(xiǎn)、帶來了多少收入。比如在煙草行政執(zhí)法領(lǐng)域，智能平臺(tái)通過內(nèi)置法律知識(shí)圖譜與校驗(yàn)引擎，實(shí)現(xiàn)案卷自動(dòng)化生成與合規(guī)性校驗(yàn)，單個(gè)案卷制作時(shí)間從數(shù)天縮短至幾小時(shí)內(nèi)，整體效率提升超 40%，人力投入減少 60%-70%，文書基礎(chǔ)錯(cuò)誤率下降 80% 以上，行政復(fù)議敗訴率歸零，同時(shí)通過全流程數(shù)字留痕構(gòu)建執(zhí)法知識(shí)圖譜，賦能監(jiān)管決策。

保險(xiǎn)行業(yè)通過 AI 平臺(tái)，年節(jié)省工時(shí) 1.1 萬(wàn)小時(shí)，相當(dāng)于節(jié)約人力成本 220 萬(wàn)元，并在反洗錢篩查中發(fā)現(xiàn)涉及數(shù)十億元保費(fèi)的風(fēng)險(xiǎn)線索。營(yíng)銷 GEO 項(xiàng)目將單線索獲客成本從 180 元大幅降至 15 元，降幅達(dá) 92%，ROI 高達(dá) 1:4.8。銀行盡調(diào)報(bào)告生成時(shí)間壓縮至 10 分鐘。物流錄單效率提升 400%，直通率達(dá) 91%。

農(nóng)牧企業(yè)通過自然語(yǔ)言問數(shù)與歸因下鉆，將利潤(rùn)決策周期從天級(jí)縮短至小時(shí)級(jí)，預(yù)計(jì)每月減少利潤(rùn)損失達(dá)百萬(wàn)元。教育領(lǐng)域?qū)崿F(xiàn)升學(xué)規(guī)劃方案的個(gè)性化自動(dòng)生成。文旅行業(yè)則通過擬人化 AI TEAM（行程專家、酒店專家、預(yù)算專家、服務(wù)管家）提供 7×24 小時(shí)協(xié)同服務(wù)，大幅提升用戶體驗(yàn)。軟件開發(fā)中，AI 測(cè)試工程師可自動(dòng)識(shí)別 API 依賴、生成測(cè)試用例，提升測(cè)試覆蓋率并確保代碼 100% 可執(zhí)行。

這些成果表明，AI 已不再是 IT 部門主導(dǎo)的技術(shù)試點(diǎn)，而是深入業(yè)務(wù)一線的生產(chǎn)力工具。

尤為值得強(qiáng)調(diào)的是，所有成功案例均堅(jiān)持人機(jī)協(xié)同而非完全替代的原則，在關(guān)鍵節(jié)點(diǎn)保留人工干預(yù)機(jī)制：AI 生成內(nèi)容需經(jīng)人工審核或編輯；AI 建議需人工確認(rèn)后方可執(zhí)行（如供應(yīng)鏈仿真、保險(xiǎn)展業(yè)）；AI 初篩結(jié)果必須由專家復(fù)核（如數(shù)據(jù)庫(kù) SQL 治理、理賠材料審核）。這種設(shè)計(jì)既保障了業(yè)務(wù)安全與合規(guī)底線，又將人力從重復(fù)性勞動(dòng)中解放出來，專注于更高價(jià)值的判斷與創(chuàng)新。

同時(shí)，各平臺(tái)普遍致力于構(gòu)建數(shù)據(jù)–智能–業(yè)務(wù)的飛輪：每一次操作產(chǎn)生的數(shù)據(jù)被沉淀為結(jié)構(gòu)化知識(shí)，用于優(yōu)化模型與智能體策略，進(jìn)而提升業(yè)務(wù)效果，再產(chǎn)生新的高質(zhì)量數(shù)據(jù)，形成越用越準(zhǔn)、越用越懂業(yè)務(wù)的正向循環(huán)（僅針對(duì) InfoQ 收集到的所有提報(bào)案例進(jìn)行分析）。

4 AI 工程與部署：Agent 化、工程效能極致優(yōu)化、全棧協(xié)同與軟硬一體、生態(tài)開放與標(biāo)準(zhǔn)化

隨著大模型技術(shù)進(jìn)入工程化落地的關(guān)鍵階段，我們發(fā)現(xiàn)在工程化和部署層面呈現(xiàn)出三大共性趨勢(shì)，同時(shí)各廠商在技術(shù)棧定位、產(chǎn)品形態(tài)與落地策略上展現(xiàn)出鮮明的非共性特征。

共性 1：Agent 化（智能體驅(qū)動(dòng)）

在當(dāng)前 AI 工程與部署的演進(jìn)過程中，Agent 化已成為連接大模型能力與實(shí)際業(yè)務(wù)場(chǎng)景的核心范式。無(wú)論是面向消費(fèi)者的視覺創(chuàng)作工具，還是企業(yè)級(jí)的數(shù)據(jù)庫(kù)治理系統(tǒng)，抑或是云原生基礎(chǔ)設(shè)施，各類解決方案普遍將 AI 智能體（Agent）作為基本交互單元或執(zhí)行引擎。

這種以 Agent 為中心的設(shè)計(jì)，不僅支持自然語(yǔ)言驅(qū)動(dòng)的任務(wù)閉環(huán)，還能主動(dòng)追問、調(diào)用工具、記憶上下文，從而顯著降低用戶使用門檻，并實(shí)現(xiàn)從“單點(diǎn)功能”向“完整工作流”的躍遷。Agent 不再只是技術(shù)概念，而是正在成為 AI 產(chǎn)品交付的標(biāo)準(zhǔn)形態(tài)。

共性 2：工程效能極致優(yōu)化

工程效能的極致優(yōu)化貫穿于訓(xùn)練、推理、部署和運(yùn)維全鏈路。各代表性方案均在性能與效率方面投入大量工程創(chuàng)新，力求在有限資源下實(shí)現(xiàn)最大產(chǎn)出。例如，通過異步非阻塞架構(gòu)、MoE 稀疏訓(xùn)練優(yōu)化、KV 緩存池化、動(dòng)態(tài) P/D 比例調(diào)整等技術(shù)手段，顯著壓縮任務(wù)耗時(shí)、提升吞吐量、降低延遲；同時(shí)，借助自動(dòng)化配置、低代碼中臺(tái)、一鍵部署等機(jī)制，將原本需要數(shù)天甚至數(shù)月的開發(fā)或上線周期縮短至分鐘或小時(shí)級(jí)別。這種對(duì)效率的極致追求，既是商業(yè)落地的成本要求，也是大規(guī)模 AI 應(yīng)用可持續(xù)運(yùn)營(yíng)的技術(shù)基礎(chǔ)。

共性 3：全棧協(xié)同與軟硬一體

全棧協(xié)同與軟硬一體正成為構(gòu)建高性能 AI 系統(tǒng)的關(guān)鍵路徑。單一層面的優(yōu)化已難以滿足大模型時(shí)代對(duì)算力、帶寬、存儲(chǔ)和算法的高度耦合需求，因此領(lǐng)先廠商紛紛采取縱向整合策略。從芯片指令集、近存計(jì)算架構(gòu)，到集群互聯(lián)、分布式調(diào)度，再到上層框架、模型適配和應(yīng)用接口，整個(gè)技術(shù)棧被重新設(shè)計(jì)以實(shí)現(xiàn)端到端協(xié)同。

例如，自研 TPU 配合層次化存儲(chǔ)與高速片間網(wǎng)絡(luò)，可實(shí)現(xiàn) 1.5 倍于 GPU 的算力性能；而云平臺(tái)則通過統(tǒng)一調(diào)度引擎打通海光、寒武紀(jì)等國(guó)產(chǎn)芯片與主流深度學(xué)習(xí)框架，確保硬件能力被充分釋放。這種全棧視角下的系統(tǒng)級(jí)優(yōu)化，是實(shí)現(xiàn)高能效比與高可用性的根本保障。

共性 4：生態(tài)開放與標(biāo)準(zhǔn)化

生態(tài)開放與標(biāo)準(zhǔn)化正在加速 AI 工程能力的復(fù)用與擴(kuò)散。面對(duì)快速迭代的技術(shù)格局和多樣化的行業(yè)需求，封閉式解決方案難以持續(xù)，因此各參與方積極推動(dòng)接口、協(xié)議和架構(gòu)的標(biāo)準(zhǔn)化。

無(wú)論是 Kubernetes 原生的 RoleBasedGroup API，還是通過 MCP 協(xié)議實(shí)現(xiàn)工具即插即用，亦或是將垂類模型和記憶中樞設(shè)計(jì)為可獨(dú)立服務(wù)的原子能力，其核心目標(biāo)都是降低集成成本、避免廠商鎖定、激發(fā)社區(qū)共創(chuàng)。這種開放生態(tài)不僅加速了技術(shù)普及，也為跨平臺(tái)、跨領(lǐng)域的 AI 能力組合提供了可能，標(biāo)志著 AI 工程正從項(xiàng)目制走向平臺(tái)化和工業(yè)化。

非共性特征：差異化定位與技術(shù)路徑

盡管方向趨同，但各方案在技術(shù)棧層級(jí)、目標(biāo)用戶與核心價(jià)值主張上存在顯著差異：

當(dāng)前 AI 工程化已進(jìn)入百花齊放、分層協(xié)同的新階段。未來，隨著 MCP、A2A 等標(biāo)準(zhǔn)的成熟，以及 Agent Marketplaces 的興起，AI 工程生態(tài)將更加模塊化、可組合。企業(yè)無(wú)需重復(fù)造輪子，而可通過搭積木方式快速構(gòu)建高價(jià)值 AI 應(yīng)用。

5 Data & AI：智能數(shù)據(jù)分析產(chǎn)品的四大演進(jìn)方向

1. 自然語(yǔ)言交互成為標(biāo)準(zhǔn)入口，實(shí)現(xiàn)“零門檻用數(shù)”

所有案例均以自然語(yǔ)言對(duì)作為核心交互方式，徹底打破傳統(tǒng) BI 工具對(duì)技術(shù)能力的依賴。用戶無(wú)需編寫代碼或理解復(fù)雜數(shù)據(jù)模型，只需用日常語(yǔ)言提問（如上季度華東區(qū)銷售額為何下降？），系統(tǒng)即可自動(dòng)解析意圖、生成查詢、執(zhí)行計(jì)算并返回結(jié)構(gòu)化洞察。這種“問即所得”的體驗(yàn)，不僅賦能業(yè)務(wù)人員自主分析，也極大釋放了專業(yè)分析師的生產(chǎn)力，推動(dòng)數(shù)據(jù)分析從專家專屬走向全員可用。

2. 從展示數(shù)據(jù)到解讀數(shù)據(jù)，強(qiáng)調(diào)歸因與洞察生成

傳統(tǒng) BI 止步于數(shù)據(jù)可視化，而新一代智能分析平臺(tái)的核心價(jià)值在于解釋“為什么”。各方案普遍集成歸因分析、異常檢測(cè)、趨勢(shì)預(yù)測(cè)等高級(jí)分析能力，能自動(dòng)定位指標(biāo)波動(dòng)的核心驅(qū)動(dòng)因素（如“一句話歸因”），并在 10 分鐘內(nèi)自動(dòng)生成包含結(jié)論、根因與建議的圖文報(bào)告。這種從“描述”到“診斷 + 建議”的躍遷，使數(shù)據(jù)真正服務(wù)于科學(xué)決策，而非僅停留在信息呈現(xiàn)層面。

3. 構(gòu)建企業(yè)級(jí)語(yǔ)義層，統(tǒng)一指標(biāo)口徑與治理邏輯

面對(duì)企業(yè)內(nèi)部“指標(biāo)口徑不一、數(shù)據(jù)孤島林立”的痛點(diǎn)，所有產(chǎn)品均強(qiáng)調(diào)語(yǔ)義層（Semantic Layer）的建設(shè)。通過集中定義指標(biāo)、維度、業(yè)務(wù)邏輯和權(quán)限規(guī)則，實(shí)現(xiàn)“一處定義、全局使用”。

例如，某公司提出“定標(biāo)準(zhǔn)、易加工、強(qiáng)管理、靈活用”的四位一體理念；某公司依托知識(shí)圖譜沉淀行業(yè)術(shù)語(yǔ)與分析模板。這不僅解決了數(shù)據(jù)一致性問題，更通過“誰(shuí)使用誰(shuí)治理”的機(jī)制，推動(dòng)數(shù)據(jù)治理從被動(dòng)合規(guī)轉(zhuǎn)向主動(dòng)共建。

4. 金融級(jí)數(shù)據(jù)安全與權(quán)限控制成為標(biāo)配

無(wú)論面向金融、醫(yī)療還是政務(wù)場(chǎng)景，安全合規(guī)是產(chǎn)品落地的前提。各方案普遍采用“行列級(jí)權(quán)限 + 動(dòng)態(tài)脫敏 + 審計(jì)日志”三位一體的安全架構(gòu)。例如，支持基于用戶角色實(shí)時(shí)掩碼敏感字段，確保共享不泄露；操作日志同步至監(jiān)管平臺(tái)以滿足《醫(yī)療數(shù)據(jù)安全指南》等法規(guī)要求；部分產(chǎn)品還通過等保三級(jí)認(rèn)證或政務(wù)數(shù)據(jù)安全認(rèn)證。這種內(nèi)嵌于引擎層的安全機(jī)制，保障了在開放分析能力的同時(shí)不失控。

非共性特征：差異化定位與能力聚焦

盡管底層邏輯趨同，但各產(chǎn)品在目標(biāo)市場(chǎng)、技術(shù)重心和商業(yè)模式上存在明顯分化：

當(dāng)前，數(shù)據(jù)與 AI 的融合已從技術(shù)演示邁入價(jià)值兌現(xiàn)階段。共性趨勢(shì)表明，自然語(yǔ)言交互、自動(dòng)洞察、語(yǔ)義治理與內(nèi)生安全已成為智能分析產(chǎn)品的四大支柱；而非共性特征則揭示了市場(chǎng)分層的現(xiàn)實(shí)：頭部廠商深耕企業(yè)級(jí)復(fù)雜場(chǎng)景，創(chuàng)新者探索物理世界新邊界，輕量化工具則服務(wù)廣大長(zhǎng)尾用戶。

未來，隨著多模態(tài)理解、實(shí)時(shí)推理和 Agent 協(xié)同能力的進(jìn)一步成熟，智能分析平臺(tái)將不再只是問答工具，而是成為企業(yè)運(yùn)營(yíng)的數(shù)字副駕：主動(dòng)預(yù)警、自動(dòng)歸因、協(xié)同執(zhí)行。而能否在準(zhǔn)確性、安全性與易用性之間取得平衡，將是決定產(chǎn)品能否從可用走向必用的關(guān)鍵。

6 總結(jié)

綜上所述，中國(guó) AI 落地已進(jìn)入以業(yè)務(wù)結(jié)果為導(dǎo)向、以工程化能力為基礎(chǔ)、以生態(tài)協(xié)作為支撐的新階段。基礎(chǔ)設(shè)施層持續(xù)夯實(shí)國(guó)產(chǎn)化、高效率、低成本的算力底座；智能體平臺(tái)層通過專業(yè)化、協(xié)同化、可解釋的 Agent 架構(gòu)打通技術(shù)與業(yè)務(wù)的最后一公里；行業(yè)應(yīng)用層則在金融、制造、政務(wù)、科研、消費(fèi)等廣闊場(chǎng)景中創(chuàng)造可度量的經(jīng)濟(jì)與社會(huì)價(jià)值。

未來，隨著平臺(tái) +ISV+ 行業(yè)客戶三方協(xié)作模式的深化，以及 Infra、Agent、AI+X 三層架構(gòu)的進(jìn)一步融合與優(yōu)化，AI 將在千行百業(yè)中實(shí)現(xiàn)更廣泛、更深入、更可持續(xù)的規(guī)模化復(fù)制與價(jià)值釋放。