從工廠車間到海上油田，在產業實踐里探尋中國AI落地的錨點

在這一輪AI浪潮中，“技術為先”和“產業為先”的爭論一直存在：前者以通用人工智能為終極目標，追求構建更大、更強、更通用的模型；后者認為AI的價值在于解決實際問題，技術是為場景服務的工具。

“技術為先”與“產業為先”并非絕對對立，更像是螺旋式上升的關系：技術拓展應用邊界，產業校準創新方向。

中國擁有全球唯一的全工業門類、全球最大規模的金融消費人群以及最大規模的政務和城市體系，產生了豐富的場景和私有數據，大模型又恰恰遵循著“吃什么行業的數據，就更懂什么行業的知識”的邏輯。

所以，不同于歐美對“技術為先”的推崇，最適合中國企業的是“產業為先”的差異化路線。

01 中國的產業土壤，為AI提供了天然試煉場

人工智能的發展路徑，從來都不是單一技術邏輯的自然延伸，而是結合戰略定位、產業結構與資源稟賦的系統性選擇。之所以不應照搬歐美的“技術為先”模式，在于國內有兩個特殊的產業背景。

第一個是產業“全、多、廣、深”，為AI訓練和部署提供了最真實的環境。

比如在工業領域，國內擁有聯合國產業分類中的全部工業門類，500多個工業品種中，中國有四成以上的產量位居全球第一。只有經歷過足夠復雜、足夠真實、足夠有價值的場景淬煉，AI才能走出實驗室走向生產一線。

比如在金融行業，銀行、保險、證券等機構擁有全國最全、最及時的個人與企業交易數據，在風控、反欺詐、投資組合、客戶畫像等方面，對模型的準確性、響應速度、安全性要求極高，是錘煉工程能力的天然試驗場。

再比如政府數字化改革不斷深入，交通、醫保、社保、應急、教育等業務系統加速智能化，高復雜度的公共治理場景，對大模型的泛化能力、決策準確性、安全性提出了嚴苛要求，是AI走向“可用、可管、可信”的關鍵落點。

第二個是海量數據的天然優勢，構成了AI落地不可替代的基礎資源。

作為全球數字化發展最活躍的國家之一，中國長期積累了海量、多源、高價值的數據資源，形成了獨特的“數據沃土”。

一方面，中國擁有全球最大規模的互聯網用戶群體、活躍的數字經濟生態與高速發展的信息基礎設施，帶來了龐大而持續增長的非結構化數據資源。相關統計數據顯示，2023年中國的數據產量約占全球數據總產量的23%，位居世界第一，預計2025年中國數據總產量將達48.6ZB，約占全球的1/3。

另一方面，政府、金融、央國企等關鍵主體，掌握著覆蓋國計民生、國民經濟核心領域的大量結構化數據，是訓練和精調大模型的“優質燃料”。其中長期深耕于能源、通信、交通、建筑等重點行業的央國企，沉淀了大量結構化、專業化、高價值的數據資產，擁有AI向產業縱深發展的先天優勢。

正因如此，在產業鏈中有著資源統籌能力的政企單位，可以說天生就是AI落地的“產業鏈組織者”和“生態統籌者”，在打通數據要素流通、推動AI工程化落地方面有著不可或缺的作用。

早在"十四五"規劃中，就已經對政企提出明確要求："加快推動數字產業化、產業數字化"，并首次將"數據要素市場化"納入國家戰略。

國資委兩次召開央企"AI+"專項行動會，強調推動國資央企在人工智能領域實現更好發展、發揮更大作用，推動一批高價值行業應用場景落地，穩步推進數據集建設，大模型構建加速追趕。

根植中國工業體系的央國企、走在轉型前線的金融和政府機構，被推向了數智化轉型的第一線，既是推動者，也是試驗田，正在擔綱起引路者、落地者與示范者的三重角色。

02 從行業先行者實踐中，透視AI應用落地的關鍵錨點

根據德勤的研究數據，已經有超過70%的央企、超過55%的地方國企啟動了數智化轉型工作，成立了近500家數字科技類公司。

如果說通往AGI的挑戰主要集中在訓練方法、推理優化、對齊技術、新的學習范式等底層研究上，AI在產業落地則是更加復雜的系統性工程。在行業頭部先行者探索AI大模型應用落地的過程中，可以看到四個共性的需求。

一是對安全可控、長期穩定、可靠的基本訴求。

政府和金融機構、大型央國企通常承擔履行國家戰略安全、引領產業、支撐國計民生、提供公共服務等責任，數據安全和業務穩定運行至關重要。

邁向智能時代，大模型的訓練和推理通常需要海量算力支撐。以金融行業為例，據公開信息顯示，工行、郵儲、招商銀行等金融頭部機構，為了滿足萬億參數大模型的高并發推理需求，紛紛部署了千卡云算力集群。

如何解決超大規模算力集群的彈性調度、長穩運行以及異構資源的統一管理等問題，也成為政企所面臨的挑戰。特別是在 DeepSeek 發布后，能否在集群上快速部署并上線，也成了擺在案頭的考驗。

在某大型國有銀行，應用了華為云Stack混合云之后，基于云平臺的動態調度，統一管理等能力，實現了算力資源實時監控、動態擴縮容、朝推夜訓等功能，算力利用率提升了30%，千卡集群穩定運行時長提高到了40天，故障恢復縮短到了分鐘級。

DeepSeek的能力和價值被市場驗證后，這家國有銀行依托算力云的快速部署能力，僅用2天時間，就在千卡集群上部署106個DeepSeek實例，日調用量超過15萬人次。

二是解決數據治理和流通難題，為大模型高質量供數。

在過去十多年數字化進程中，央企積累了大量的行業數據，通過對這些數據的整合、清洗和共享，能夠為人工智能模型的訓練提供高質量的數據支持，提升模型的性能和準確性。央企還可以牽頭建立數據標準和規范，促進數據的流通和共享，推動數據要素市場的健康發展。

同時也要看到，大型央國企多半是集團型企業，多層級、多產業，而且資產在境內外均有分布。由于發展過程中歷經多次重組合并，形成了各業務單元“各自為戰”的局面，導致集團整體的結構性與連接性不足。

在數據治理方面，橫向上尚未全面拉通端到端流程，不利于統籌各事業部、各區域、各職能形成合力，實現圍繞客戶需求的高效響應和交付；縱向上缺乏組織、流程和數據抓手推進數據治理落地，不利于自上而下落實數據管理規范，且難以深挖數據背后的風險與價值。

徐工集團攜手華為打造了強大的大數據平臺和混合云底座，構建數據治理體系，持續將數據統一入湖。在車聯網設備360畫像場景中，徐工集團通過將各類工程機械車輛的運行數據匯聚到大數據平臺進行價值挖掘，為客戶提供“管用養換”增值服務。

有了高質量數據集，徐工集團還搭建AI大模型及收集和標注訓練數據集，以智能問答、自動駕駛的視覺感知、產品作業的自動化施工等場景為切入點，讓AI在企業運營過程中可觀可感。

三是大模型如何從“更聰明”到“更懂行”。

雖然通用大模型在自然語言處理方面展現出了卓越的能力，但在特定行業理解中仍然存在一定的局限性，難以準確把握復雜的行業規范和流程，導致結果有偏差。這就需要利用工具和平臺對通用大模型進行二次訓練和調優。

現實世界問題總是復雜多樣的，尤其是通常央國企的業務領域覆蓋產業鏈上下游核心環節，加上工業制造的生產場景多且復雜，單一的AI模型無法滿足所有場景的需求。

以一家典型的制造企業為例，既有銷服環節的智能問答、知識庫場景，也有生產環節的工廠入侵、異常事件預警、生產工藝優化等場景，需要自然語言模型、機器視覺模型、預測模型等多個模型協同運行，怎么調用不同模型最擅長的能力、怎么提高多模型并存的推理效率……無不是必須要攻克的技術瓶頸。

湘鋼依托攜手華為等伙伴發布了全球首個鋼鐵行業人工智能大模型并在三十多個場景落地。通過建設統一云基礎設施、大模型一站式開發平臺，湘鋼建立起“中心訓練、邊緣推理、云邊協同、邊用邊學、持續優化”的機制，將模型開發從傳統的作坊式生產轉向現代工業化流水線生產，將專家經驗知識和模型開發過程以工作流的方式沉淀在大模型平臺上，快速復制推廣到生產過程中，同時還可培養企業自己的智能化隊伍。

四是AI應用的研發效率跟不上需求。

建設算力中心、開展數據治理、訓練行業模型等只是過程，結果是要讓AI的能力通過實際業務應用系統來得到應用，最終有效地提高生產效率、降低制造成本、提高質量和管理水平，形成投入和產出的正向循環。在AI時代下，所有應用都值得再做一遍。

現實中存在的問題在于，政企由于軟件開發能力相對較弱，無法有效地度量軟件的進度、生產率和質量，項目管理無法可視化，同時可能面臨上百家乃至更多供應商，如何協同企業內部的各業務組織和供應商，找到高效的應用開發和協作范式，已然成為央國企在應用開發上的主要難題。

作為知名的海上油氣生產運營商，中國海洋石油集團有限公司在代碼的研發過程中，由于缺乏統一的管理工具、規范和標準，功能、產品迭代的效率不高，中海油3000多軟件開發人員都受到影響。中海油主動求變，內部成立專項軟件工具鏈科研項目，積極探索開發智能化應用，尋找更有效率的研發方案。

中海油引入了華為云Stack提供的軟件開發生產線CodeArts后，中海油已經開發了智能采辦、智能油田二期、應用開發云平臺等主要業務系統，構建了中海油供應鏈一體化數字化平臺。研發工時節省了30%，智能油田管理系統集成、調試、部署時間從1周縮短為1天。

上述共性問題的出現，折射了AI應用落地的多元挑戰，更揭示了一個共識，在AI時代的浪潮中，唯有通過云計算找到技術錨點，才能建立可持續的競爭壁壘從而駕馭創新。一朵同時具備高韌性和安全合規，可支撐數據+AI+應用開發的，具備豐富行業實踐的混合云技術底座，更能滿足政企數智化的發展需求。

03 從經驗到解決方案，“產業為先”的路跑通了

從上述實例中不難看到，央國企直面AI落地挑戰的過程中，少不了懂技術、懂行業的“同行者”，其中就包括深耕政企市場十數年的華為。

早在2008年的時候，華為就開始投入到云計算相關技術的研發，面向政企市場構建穩定、安全、具備韌性的云平臺。在數據基礎設施領域，圍繞數據湖、數據工程、數據空間可信交換等關鍵技術方向不斷深化布局，為大模型訓練與應用提供高質量的數據支撐；在人工智能領域，逐步完善了從基礎設施到AI平臺、再到行業方案的能力體系，持續增強面向政企場景的AI產品與方案競爭力；同時將自身的IPD流程、工具和經驗，都沉淀到軟件開發生產線，幫助政企客戶加快應用現代化進程。

通過在政企數智化關鍵能力領域的不斷持續投入，再加上長期浸沁政企市場，對政企業務和發展訴求理解深刻，華為云Stack逐步形成“智能時代更懂政企”的云服務能力體系。

在華為開發者大會2025上，華為混合云總裁肖霏提出，在智能時代，理解用戶、為細分用戶群提供具體的軟件與AI能力顯得尤為重要。他認為，主要有四類典型政企用戶：數據中心工程師、數據工程師、AI算法模型應用工程師、應用開發工程師。圍繞這四類政企用戶群體，華為云Stack從“建云、上云、用云、管云”全業務流程視角，構建并持續強化從云平臺到數智融合，再到各類生產工具鏈等產品和方案，使能政企用戶調度好資源、治理好數據，訓練好模型，開發好應用。

會上，肖霏還正式宣布，華為云Stack將在下半年率先全面適配CloudMatrix 384超節點。這也是業界首個支持超節點的混合云，屆時，政企客戶將在本地也能建設和公有云一樣的超節點算力。

華為混合云總裁肖霏

針對數智化轉型中的機遇和挑戰，華為云和大型政企客戶驗證了一條可行的路，那就是政企擔綱頭雁領航，以云+AI為核心，充分發揮海量數據和豐富場景優勢，通過應用領航、數據賦能和智算筑基，重塑全行業的競爭力，搶占未來產業發展的制高點。

在數智化轉型的過程中，并非所有企業都有試錯的資本，有場景、有數據、有產業話語權的大型政企，正在和華為云等代表同行者一起，解難題、做難事，打通AI落地應用的通路。