歷經(jīng)了過去幾年各行業(yè)在大模型參數(shù)規(guī)模飆升下狂歡，站在2026年回望，如今我們已然步入人工智能發(fā)展史上一場關(guān)鍵的“相變”——AI算力的重心正從云端轉(zhuǎn)向邊緣。

作為全球技術(shù)分銷與解決方案的重要參與者，安富利（Avnet）近日發(fā)布了第五次年度《Avnet Insights（安富利洞察）》研究報(bào)告（簡稱《Avnet Insights》），為行業(yè)提供了一份極具參考價(jià)值的樣本。該報(bào)告基于對全球1200名工程師開展的調(diào)研，呈現(xiàn)出人工智能在全球制造體系中的真實(shí)滲透狀況，也清晰的展現(xiàn)出底層硬件架構(gòu)的演進(jìn)路徑。

01 制造業(yè)宏觀“溫差”

2026年的制造業(yè)“體感”，呈現(xiàn)出一種微妙的“溫差”。

《Avnet Insights》顯示，在全球范圍內(nèi)，工程師群體整體保持著“審慎樂觀”的態(tài)度。77%的受訪者認(rèn)為，產(chǎn)品與解決方案的設(shè)計(jì)環(huán)境正在改善。這反映了市場階段性回暖的跡象，也同時(shí)體現(xiàn)出技術(shù)持續(xù)提升生產(chǎn)效率與創(chuàng)新能力所帶來的信心。

但是，這種樂觀并非沒有前提。報(bào)告同時(shí)指出，42%的受訪者將積極預(yù)期歸因于生產(chǎn)周期的加速。換言之，當(dāng)前的景氣在相當(dāng)程度上建立在更短的開發(fā)周期、更快的迭代節(jié)奏、更緊湊的交付窗口之上。效率提升帶來了增長預(yù)期，但也同步提高了企業(yè)和工程體系的負(fù)荷。

這構(gòu)成了典型的“結(jié)構(gòu)張力”——行業(yè)越是加速向前，行業(yè)體系所承受的壓力也越發(fā)明顯。

這種壓力不僅來自企業(yè)內(nèi)部的提速，外部環(huán)境的重構(gòu)同樣也持續(xù)影響研發(fā)與供應(yīng)的決策?！禔vnet Insights》調(diào)研數(shù)據(jù)顯示，16%的受訪者將全球供應(yīng)鏈中斷視為首要風(fēng)險(xiǎn)；16% 的受訪者關(guān)注國際貿(mào)易政策變動(dòng)帶來的不確定性；15%的受訪者擔(dān)憂原材料成本上漲對項(xiàng)目利潤與交付節(jié)奏的影響。

截取自《Avnet Insights》

值得注意的是，各地區(qū)對匯率波動(dòng)的擔(dān)憂普遍較低，且這一數(shù)據(jù)明顯低于前幾年。這緣于在經(jīng)歷多輪沖擊之后，企業(yè)已經(jīng)逐步構(gòu)建起更具韌性的供應(yīng)鏈結(jié)構(gòu)與風(fēng)險(xiǎn)對沖機(jī)制。盡管匯率、利率等短期波動(dòng)仍然存在，但其卻不再是壓倒性的風(fēng)險(xiǎn)源。

更深層的轉(zhuǎn)折，來自技術(shù)路徑本身。

網(wǎng)絡(luò)受限、跨境數(shù)據(jù)流動(dòng)等問題，讓企業(yè)逐漸意識到，把核心能力完全壓在云端API上，本身就是一種風(fēng)險(xiǎn)。過去幾年，云是效率的象征，但在不確定性抬升的周期里，“全部上云”開始顯露出結(jié)構(gòu)性短板——只要鏈路中斷、服務(wù)限流，業(yè)務(wù)就將被瞬間中斷。

于是，本地算力的角色發(fā)生了變化。

當(dāng)AI推理能力下沉到終端，系統(tǒng)對外部沖擊的敏感度也隨之下降，風(fēng)險(xiǎn)也從“云中心化”轉(zhuǎn)向“多點(diǎn)分布式”。實(shí)際上，這是風(fēng)險(xiǎn)結(jié)構(gòu)調(diào)整。

回到個(gè)體上，對未來12 個(gè)月的預(yù)期，工程師群體的主觀感受也呈現(xiàn)出明顯分化，30%的受訪者認(rèn)為工作變得更加艱難；33%則認(rèn)為工作變得更加輕松。這種分化或許是一場能力結(jié)構(gòu)的重排——當(dāng)工具體系、算力形態(tài)與工作流同時(shí)變化時(shí)，適應(yīng)者獲得加速，不適應(yīng)者則被動(dòng)承壓。

截取自《Avnet Insights》

這種看似矛盾的結(jié)果，恰恰是技術(shù)轉(zhuǎn)型期的典型特征。

當(dāng)前，工程師的實(shí)踐正在從傳統(tǒng)嵌入式開發(fā)模式（以 C/C++ 為核心）向AI混合開發(fā)模式過渡。一方面，通過在底層系統(tǒng)上，引入PyTorch、TensorFlow Lite等框架進(jìn)行模型訓(xùn)練、量化、部署與推理優(yōu)化。另一方面，舊工具鏈尚未完全退出，新工作流仍在磨合。工程師團(tuán)隊(duì)既要保障系統(tǒng)級穩(wěn)定性與實(shí)時(shí)性，又要解決模型壓縮、硬件加速協(xié)同、算力功耗平衡等新問題。

因此，“更難”與“更輕松”，成了能力結(jié)構(gòu)分化表現(xiàn)。對已完成技能升級的工程師而言，AI工具與高層框架降低了部分重復(fù)性開發(fā)的負(fù)擔(dān)；而對仍處于轉(zhuǎn)型階段的團(tuán)隊(duì)來說，學(xué)習(xí)曲線、架構(gòu)重構(gòu)，以及跨學(xué)科協(xié)作帶來的壓力依然顯著。

技術(shù)正在換擋，而換擋本身，必然伴隨短暫的頓挫。

02 算力下沉 驅(qū)動(dòng)規(guī)模化量產(chǎn)

當(dāng)算力開始下沉，工程團(tuán)隊(duì)完成技能重組，AI就開始進(jìn)入真正的工程場景。2026年，是AI的量產(chǎn)節(jié)點(diǎn)。《Avnet Insights》給出了非常清晰的信號：56%的工程師所在企業(yè)，已經(jīng)開始向客戶正式交付集成AI技術(shù)的產(chǎn)品。

這是一個(gè)驚人的躍升。要知道，在上一年的同一項(xiàng)調(diào)研中，這一比例僅為42%，同比增長了33%。

驅(qū)動(dòng)這一變化的核心因素，是技術(shù)路徑的融合。在過去，嵌入式AI往往指的是規(guī)則引擎、傳感器數(shù)據(jù)處理。但在現(xiàn)在，更多的是多模態(tài)AI。《Avnet Insights》顯示，全球范圍內(nèi)57%的受訪者表示，邊緣AI與機(jī)器學(xué)習(xí)在他們的研發(fā)設(shè)計(jì)中同等重要。

這意味著，行業(yè)對智能硬件的要求，已經(jīng)從單一模態(tài)處理，升級為對視覺、聽覺、觸覺乃至工業(yè)傳感器數(shù)據(jù)的協(xié)同處理能力，并在此基礎(chǔ)上實(shí)現(xiàn)跨模態(tài)的數(shù)據(jù)理解與決策。

從量產(chǎn)結(jié)構(gòu)來看，這種趨勢已經(jīng)十分明確。89%的受訪者證實(shí)，其所在企業(yè)已實(shí)現(xiàn) (56%) 或即將實(shí)現(xiàn) (33%) 搭載 AI相關(guān)產(chǎn)品的量產(chǎn)交付，另有10%的企業(yè)正處于AI技術(shù)應(yīng)用的評估階段。

截取自《Avnet Insights》

數(shù)據(jù)進(jìn)一步體現(xiàn)出，技術(shù)融合已經(jīng)成為產(chǎn)品定義的一部分，并直接體現(xiàn)在硬件架構(gòu)的選擇上。更高算力的NPU（神經(jīng)網(wǎng)絡(luò)處理器）、更復(fù)雜的傳感器融合算法，以及對功耗更精細(xì)化的控制能力，正逐漸成為新一代智能硬件設(shè)計(jì)的基礎(chǔ)能力。

然而，AI具體落地在哪里？

Avnet分析，亞太地區(qū)的AI 應(yīng)用重點(diǎn)與全球趨勢保持一致，最熱門的AI應(yīng)用呈現(xiàn)出“鐵三角”的結(jié)構(gòu)。

流程自動(dòng)化（42%）。這是降本增效最直接、也是最容易量化回報(bào)的路徑。通過自動(dòng)化決策與執(zhí)行，企業(yè)可以壓縮人力成本與響應(yīng)時(shí)間。

預(yù)測性維護(hù)（28%）。 從“設(shè)備壞了再修”轉(zhuǎn)向“在故障發(fā)生前干預(yù)”。這減少停機(jī)損失，更提升了整體資產(chǎn)利用率。

故障與異常檢測（28%）。在良率控制與質(zhì)量管理環(huán)節(jié)，實(shí)現(xiàn)毫秒級識別與實(shí)時(shí)預(yù)警，將問題前移至生產(chǎn)過程之中。

其實(shí)，這三項(xiàng)應(yīng)用，本身就是一種信號：

AI在生產(chǎn)中落地，其所面對的是三條底層邏輯——效率、可靠性與成本控制。這是直接嵌入生產(chǎn)系統(tǒng)、影響利潤結(jié)構(gòu)的基礎(chǔ)工具。

03 邊緣AI“攔路虎”：功耗、熱設(shè)計(jì)與數(shù)據(jù)清洗

正是基于核心的底層邏輯，AI一旦從概念驗(yàn)證走向規(guī)模部署，評價(jià)標(biāo)準(zhǔn)便會從“是否可行”轉(zhuǎn)向“是否可用、是否可持續(xù)”。

在這一拐點(diǎn)上，工程問題重心也發(fā)生了明顯遷移。

在攝像頭模組、工業(yè)傳感器、可穿戴設(shè)備等典型邊緣場景中，AI面臨的挑戰(zhàn)在于功耗墻。無論是LLM還是視覺模型，其計(jì)算核心都高度依賴密集的MAC運(yùn)算。一旦計(jì)算密度提升，瞬態(tài)電流與熱量便會迅速疊加，成為系統(tǒng)穩(wěn)定性的直接威脅。

在實(shí)驗(yàn)環(huán)境中，這類問題雖然可以通過風(fēng)扇、散熱片，外接電源化解。但在真實(shí)場景下，尺寸、成本與可靠性就構(gòu)成了不可妥協(xié)的邊界。散熱空間有限、電池容量固定、長期運(yùn)行穩(wěn)定性等條件決定了要嚴(yán)格控制功耗”。

《Avnet Insights》調(diào)查數(shù)據(jù)也印證了這一點(diǎn)，43%的受訪者將“可持續(xù)性”列為運(yùn)營層面的核心挑戰(zhàn)。而所謂“可持續(xù)性”，本質(zhì)就是能效比問題。與此同時(shí)，產(chǎn)品溫度調(diào)節(jié)同樣長期位列設(shè)計(jì)難點(diǎn)前列，成為邊緣AI系統(tǒng)無法回避的硬性挑戰(zhàn)。

一方面，系統(tǒng)層面要引入更復(fù)雜、更精細(xì)的電源管理IC（PMIC），以應(yīng)對推理瞬間的功耗波動(dòng)和電流沖擊；另一方面，在模型與架構(gòu)層面，要走低功耗路線。通過int8甚至int4量化來降低調(diào)用參數(shù)，以換取單位功耗下更高的有效算力。

如果說功耗和散熱是邊緣AI基礎(chǔ)設(shè)施的“顯性問題”，那么數(shù)據(jù)質(zhì)量就是AI系統(tǒng)的“隱形瓶頸”。

《Avnet Insights》調(diào)查顯示，在產(chǎn)品設(shè)計(jì)階段，數(shù)據(jù)質(zhì)量（46%）被列為首要挑戰(zhàn)，甚至排在成本壓力之前。

原因在于，在工業(yè)場景中，設(shè)備在正常運(yùn)行時(shí)會持續(xù)產(chǎn)生大量數(shù)據(jù)，但真正有價(jià)值的故障數(shù)據(jù)卻極其稀缺。與此同時(shí)，傳感器輸出的大多是未經(jīng)處理的原始信號，需要經(jīng)歷去噪、對齊、特征提取和有效標(biāo)注，才能轉(zhuǎn)化為模型可用的訓(xùn)練數(shù)據(jù)。而在這一過程中，樣本稀缺、工況干擾和長期分布漂移交織在一起，使得從“現(xiàn)場數(shù)據(jù)”到“可訓(xùn)練數(shù)據(jù)”之間，存在著難以被模型本身彌補(bǔ)的工程成本。

這也解釋了一個(gè)行業(yè)共識，工程師們實(shí)際投入的時(shí)間中，高達(dá)80%的時(shí)間消耗都在數(shù)據(jù)清洗、標(biāo)注與增強(qiáng)（Data Augmentation）上，而非模型微調(diào)或結(jié)構(gòu)創(chuàng)新。

這樣的現(xiàn)實(shí)挑戰(zhàn)下，模型層面的不足被進(jìn)一步放大。有25%的受訪者明確表示，“缺乏可用模型”是一項(xiàng)重要障礙。要注意，這里所指的并非通用大模型，而是面向具體工業(yè)場景的預(yù)訓(xùn)練模型。

正是在這一背景下，企業(yè)開始將目光投向大模型本身的使用方式。當(dāng)“模型不夠貼合場景”，如何引入、部署并控制 LLM，成為企業(yè)必須直面的工程選擇。

目前，在大模型使用層面，行業(yè)呈現(xiàn)出一種頗具張力的分化。《Avnet Insights》調(diào)查顯示，98%的受訪者已經(jīng)在使用LLM，其中81%選擇商用模型的API調(diào)用方式。但與此同時(shí)，仍有37% 的企業(yè)明確表達(dá)了對內(nèi)部自研或私有化部署LLM 的強(qiáng)烈興趣。

截取自《Avnet Insights》

這種分化，并不是企業(yè)在路線選擇上的不同，而是由于工業(yè)場景下的現(xiàn)實(shí)挑戰(zhàn)。

一方面，云端模型的“工程成熟度”上具備明顯優(yōu)勢。API調(diào)用降低了模型使用門檻，使企業(yè)可以繞開算力建設(shè)、模型訓(xùn)練與維護(hù)等復(fù)雜環(huán)節(jié)，快速將LLM 引入現(xiàn)有系統(tǒng)。這也是為什么絕大多數(shù)企業(yè)在實(shí)踐中，仍然優(yōu)先選擇云端方案。

但另一方面，當(dāng)LLM開始深入生產(chǎn)系統(tǒng)，云端方案的邊界也逐漸顯現(xiàn)。工業(yè)數(shù)據(jù)往往直接關(guān)聯(lián)企業(yè)核心工藝參數(shù)與商業(yè)機(jī)密，長期、大規(guī)模地將其暴露給外部模型服務(wù)，在治理和合規(guī)層面始終存在安全隱患。

此外，在企業(yè)內(nèi)網(wǎng)與邊緣控制場景中，云端調(diào)用所引入的網(wǎng)絡(luò)往返延遲和不確定性，也使其難以承擔(dān)對實(shí)時(shí)性要求較高的任務(wù)。與此同時(shí)，商用模型作為“黑箱”服務(wù)，模型行為難以審計(jì)和回溯，這與工業(yè)系統(tǒng)對可預(yù)測性和責(zé)任邊界清晰的要求相悖。

如果說之前的挑戰(zhàn)集中在“把AI做出來”，那么運(yùn)維階段的問題，則關(guān)乎“能不能一直用下去”。

《Avnet Insights》調(diào)查顯示，在運(yùn)維層面，54%的受訪者認(rèn)為，持續(xù)學(xué)習(xí)與維護(hù)是首要運(yùn)維挑戰(zhàn)。

原因很直接，AI模型并非一次性部署的靜態(tài)組件。隨著設(shè)備老化、工況變化和環(huán)境擾動(dòng)，數(shù)據(jù)分布持續(xù)漂移（Data Drift），模型若不更新，性能就會下降。

在工業(yè)與嵌入式場景中，代表著兩類工程問題。

其一，如何對分布在數(shù)千公里外的設(shè)備進(jìn)行 OTA（Over-the-Air）模型更新，并保證更新過程的可靠性與可回滾性；

其二，如何在引入新數(shù)據(jù)進(jìn)行模型更新時(shí)，避免“災(zāi)難性遺忘”，即模型在適應(yīng)新場景后喪失對既有場景的判斷能力。

這些問題就需要配套的工程流程、工具鏈與運(yùn)維體系支持。

04 區(qū)域特征分化，國產(chǎn)AI量產(chǎn)先行

如果只看模型參數(shù)、論文數(shù)量，全球AI的差距并沒有想象中那么懸殊。但把視角拉到產(chǎn)品和產(chǎn)業(yè)層面，差異很快就顯現(xiàn)出來。AI到底是停留在演示和試點(diǎn)階段，還是已經(jīng)被實(shí)際應(yīng)用，正在成為不同區(qū)域市場之間的分水嶺。

從《Avnet Insights》調(diào)研數(shù)據(jù)來看，中國市場在實(shí)際應(yīng)用上明顯走得更快。在回答“貴公司目前在產(chǎn)品設(shè)計(jì)中整合AI的方式”這一調(diào)研問題中，85%的中國受訪企業(yè)表示，其AI相關(guān)產(chǎn)品已經(jīng)進(jìn)入了量產(chǎn)交付階段。

作為對照，其他受調(diào)研國家水平僅56%，其中日本、美國等成熟市場大多仍停留在50%左右，德國更是只有41%，整體仍處于相對謹(jǐn)慎推進(jìn)階段。

截取自《Avnet Insights》

這組數(shù)字背后，反映的是各區(qū)域企業(yè)對AI態(tài)度——一旦進(jìn)入量產(chǎn)應(yīng)用階段，AI就要同時(shí)面對成本、穩(wěn)定性等現(xiàn)實(shí)問題。

這一步，中國走得更早。

安富利中國區(qū)總裁董花在解讀這一現(xiàn)象時(shí)提到，“中國工程師的開放性和前瞻思維，讓他們迅速地將AI從概念驗(yàn)證階段推進(jìn)至大規(guī)模部署階段。AI的使用現(xiàn)已廣泛嵌入和集成到各類產(chǎn)品當(dāng)中，當(dāng)今的行業(yè)面臨著AI帶來的重塑、革新甚至是顛覆。AI催生出了過去沒有的職業(yè)，實(shí)現(xiàn)了過去無法實(shí)現(xiàn)或想象的應(yīng)用場景，在AI技術(shù)的加持下，企業(yè)正積極地提供更多可擴(kuò)展的解決方案來滿足高速變化的市場需求。”

這種差異在制造相關(guān)行業(yè)中尤為明顯。AI能力被直接寫進(jìn)芯片、裝進(jìn)模組，最終進(jìn)入整機(jī)BOM和交付流程中。而一旦進(jìn)入量產(chǎn)階段，任何不成熟的設(shè)計(jì)都會被放大，倒逼算法、硬件和系統(tǒng)架構(gòu)同步修正。

從更大的結(jié)構(gòu)看，這種“加速度”并非沒有原因。一方面，中國AI相關(guān)企業(yè)數(shù)量已經(jīng)超過5000家，產(chǎn)業(yè)密度變高之后，新技術(shù)從出現(xiàn)到被吸收進(jìn)產(chǎn)品體系的路徑明顯變短，試錯(cuò)成本也隨之下降。

在模型供給層面，中國已發(fā)布的AI模型數(shù)量超過1500個(gè)，占全球總量的40% 以上。其中，190個(gè)生成式 AI模型已完成公共使用備案。這意味著，相關(guān)模型已經(jīng)具備進(jìn)入真實(shí)商業(yè)系統(tǒng)的條件。

對企業(yè)來說，“能不能用”這道門檻，被提前打開了。

基礎(chǔ)設(shè)施的變化同樣不可忽視。工業(yè)和信息化部公開數(shù)據(jù)顯示，依托8大算力樞紐和25個(gè)算力節(jié)點(diǎn)，中國已經(jīng)形成超過780 PFlops的智算規(guī)模。隨著400Gbit/s光網(wǎng)絡(luò)和MaaS（模型即服務(wù)）平臺逐步鋪開，算力正在從稀缺資源變成可以被調(diào)用的基礎(chǔ)能力，中小企業(yè)參與AI的成本被明顯壓低。

在政策和資金層面，節(jié)奏也保持著高度一致。中國超過240項(xiàng) AI相關(guān)標(biāo)準(zhǔn)，為技術(shù)應(yīng)用劃定了清晰邊界；1250億美元的國家級AI專項(xiàng)基金，推動(dòng)了47家獨(dú)角獸企業(yè)的成長；與此同時(shí)，國家大基金三期在光刻和EDA工具領(lǐng)域的持續(xù)投入，也直接補(bǔ)上了AI硬件體系中最底層的短板。

值得注意的是，在中國市場，頭部車企已經(jīng)將AI深度嵌入域控制器、雷達(dá)系統(tǒng)和駕駛員監(jiān)測等核心模塊。汽車作為當(dāng)前系統(tǒng)復(fù)雜度較高、容錯(cuò)率較低的消費(fèi)級產(chǎn)品，對AI在實(shí)時(shí)性、安全性和穩(wěn)定性上的要求，顯著高于普通消費(fèi)電子。而這類高標(biāo)準(zhǔn)應(yīng)用場景，正在加速相關(guān)技術(shù)在真實(shí)環(huán)境中的成熟。

從這個(gè)角度看，中國AI的“加速度”是一整套產(chǎn)業(yè)機(jī)制在同一時(shí)間轉(zhuǎn)動(dòng)。

在全球工業(yè)AI的落地進(jìn)程中，不同區(qū)域并未走同一條技術(shù)路線。相反，呈現(xiàn)出明顯的區(qū)域互補(bǔ)結(jié)構(gòu)：一方面是以日本為代表的“可靠性優(yōu)先”路徑，另一端則是歐美及墨西哥所主導(dǎo)的定制化驅(qū)動(dòng)路徑。

《Avnet Insights》調(diào)查數(shù)據(jù)顯示，22%的日本受訪者仍處于觀望階段，這一比例顯著高于全球10%的平均水平。

在工業(yè)自動(dòng)化與制造系統(tǒng)中，日本工程師更關(guān)注數(shù)據(jù)完整性、系統(tǒng)穩(wěn)定性，以及產(chǎn)品全生命周期管理。相較于追求短期的性能提升，日本企業(yè)更看重系統(tǒng)在未來10年甚至20年內(nèi)的可預(yù)測性。

這也解釋了他們對“黑盒”屬性較強(qiáng)的系統(tǒng)保持謹(jǐn)慎態(tài)度的原因。在涉及停機(jī)決策、參數(shù)調(diào)整、安全控制等關(guān)鍵場景中，日本企業(yè)往往更傾向于采用經(jīng)過數(shù)十年驗(yàn)證的控制算法，并在此基礎(chǔ)上引入AI，而非完全替代。因此，AI的每一次決策，都需要在工程層面做到可追溯、可驗(yàn)證、可復(fù)現(xiàn)。

與日本形成鮮明對比的，是歐美與墨西哥在 AI驅(qū)動(dòng)層面上的個(gè)性化與定制化設(shè)計(jì)。《Avnet Insights》調(diào)查數(shù)據(jù)顯示，美國與墨西哥在該方向上的采用率分別達(dá)到43%與45%，處于全球領(lǐng)先位置。

其背后的核心技術(shù)，是生成式設(shè)計(jì)算法（Generative Design Algorithms）。《Avnet Insights》指出，生成式設(shè)計(jì)被認(rèn)為是未來5年內(nèi)對工程實(shí)踐影響最大的技術(shù)趨勢之一。

05 寫在最后：安富利成為技術(shù)棧的連接者

《Avnet Insights》顯示，展望未來3～5年，96%的受訪者認(rèn)為AI將重塑研發(fā)模式。這一趨勢被具體化為兩個(gè)關(guān)鍵詞——AI驅(qū)動(dòng)代碼生成、AI驅(qū)動(dòng)硬件設(shè)計(jì)工具。

截取自《Avnet Insights》

從全球范圍來看，工程師正在不斷挖掘 AI 的全部潛能，并涌現(xiàn)出一系列多樣化的新興發(fā)展趨勢。根據(jù)《Avnet Insights》調(diào)研相關(guān)數(shù)據(jù)，效率提升（11%）被認(rèn)為是AI帶來的最主要影響，其次是實(shí)時(shí)協(xié)作和基于AI的仿真技術(shù)（均為9%）。

在亞太地區(qū)，工程師正積極提升自身的技術(shù)專長，以掌握能夠加強(qiáng)AI 模型優(yōu)化（17%）、提升數(shù)據(jù)分析（16%）以及AI/ML理解能力（14%）的各項(xiàng)技能，這一趨勢凸顯出為支撐持續(xù)創(chuàng)新，需要加強(qiáng)人才培養(yǎng)。

當(dāng)這場變革同時(shí)涉及芯片、算法、工具鏈與生產(chǎn)流程，單點(diǎn)能力已無法支撐完整落地，產(chǎn)業(yè)開始呼喚新的“中間層”。

在這一背景下，安富利的角色正在發(fā)生結(jié)構(gòu)性變化。安富利中國區(qū)總裁董花曾指出：“安富利致力研究最新的半導(dǎo)體前沿性技術(shù)以及如何實(shí)現(xiàn)與AI 融合的產(chǎn)品開發(fā)和應(yīng)用。在中國，我們擁有廣泛的行業(yè)客戶基礎(chǔ)，投入專職負(fù)責(zé)AI 相關(guān)半導(dǎo)體產(chǎn)品的技術(shù)人員，支持我們所服務(wù)的企業(yè)開發(fā)出更具市場領(lǐng)先地位和競爭力的智能化產(chǎn)品。我們將持續(xù)打造專業(yè)團(tuán)隊(duì)，與企業(yè)緊密合作，共同將AI戰(zhàn)略愿景轉(zhuǎn)化為切實(shí)可行的市場化方案。”

站在2026年回望，AI產(chǎn)業(yè)正經(jīng)歷一場從“云端造夢”到“邊緣實(shí)戰(zhàn)”的深刻祛魅。

在這一轉(zhuǎn)折點(diǎn)上，安富利（Avnet）發(fā)布的《Avnet Insights》報(bào)告像一支行業(yè)“體溫計(jì)”。它傳遞出清晰的信號——AI下半場的競爭焦點(diǎn)，已經(jīng)從算法精度的“天花板”之爭，全面轉(zhuǎn)向工程落地“顆粒度”的比拼。

在此背景下，產(chǎn)業(yè)鏈的連接邏輯正在發(fā)生質(zhì)變。隨著軟硬件解耦帶來系統(tǒng)復(fù)雜度的指數(shù)級攀升，傳統(tǒng)元器件分銷模式逐漸觸及能力邊界。市場迫切需要的不再只是高效的供應(yīng)鏈執(zhí)行者，而是能夠彌合芯片底層架構(gòu)與應(yīng)用層需求之間鴻溝的“技術(shù)棧連接者”。

安富利的角色因此具有標(biāo)本意義。其能力重心正從“供應(yīng)鏈執(zhí)行”向“工程賦能”遷移：一方面打通異構(gòu)計(jì)算（CPU + GPU + NPU）之間的協(xié)同瓶頸，另一方面補(bǔ)齊從芯片原廠 SDK 到終端應(yīng)用之間的工具鏈斷層。

當(dāng)AI回歸工程本質(zhì)，“連接者”的價(jià)值，或?qū)⑦h(yuǎn)超“傳遞者”。