從手工業走向工業化，西方國家花費了近200年。即便是快速發展的中國，也經歷了70余年的時間。而在AI領域，從“手工作坊”走向工業化，僅花費了不到3年。

當前，AI落地已經不僅僅是“項目交付”，而更多的是“價值交付”，這點從今年紅杉資本會場上被廣泛討論并在業界成為共識，當時包括OpenAI首席執行官 Sam Altman和谷歌首席科學家Jeff Dean 等在內的150位全球頂尖AI創始人共同認為——“下一輪AI，賣的不是工具，而是收益。”

在AI從“工具”轉變為“價值”的過程中，國家層面也在積極推動AI落地產生價值，8月26日，國務院印發《關于深入實施“人工智能+”行動的意見》（簡稱《意見》），明確將智能體列為重點發展領域，并提出了三個階段的發展目標：2027年，實現人工智能與六大重點領域廣泛深度融合，新一代智能終端、智能體等應用普及率超過70%；2030年，新一代智能終端、智能體應用普及率進一步提升至90%以上；2035年，中國將全面步入智能經濟和智能社會發展新階段。

在優化應用發展環境方面，《意見》提出了一系列創新舉措，為智能體技術的發展提供了強有力的支撐保障。通過布局建設一批國家人工智能應用中試基地，搭建起連接技術創新與產業應用的橋梁，加速智能體技術從實驗室走向產業化。這些中試基地將成為智能體技術驗證、成果轉化和商業模式探索的重要平臺。

與國際相比，國內在AI方面發展路徑不盡相同，浪潮集團執行總裁、總工程師，浪潮云董事長肖雪表示，國內與國際在AI的發展路徑，與互聯網時代的發展路徑很像，“國際更多在基礎理論研究上、在算力上是占先的，通過這個角度來驅動人工智能的整體發展。”肖雪分析道，“中國實際從上一個互聯網時代就已經呈現出這個力量了”，憑借工業全品類、統一大市場、政策的集約性和執行的延續性，中國在消費互聯網時代依靠場景和應用贏得了勝利。從移動支付到健康碼，都是“應用之道”的成功實踐。

在肖雪看來，對于中國企業而言，不需要追求在基礎大模型上直接與OpenAI等巨頭抗衡，而是聚焦于將各種基礎模型能力，與中國龐大的垂直行業場景相結合，解決“最后一公里”的落地問題。“相對而言，國際上其他國家更多強化AI的金融屬性、算力屬性和基礎理論屬性，中國更多去定義了應用之道。”肖雪總結道。

從“手工作坊”走向工業化面臨“三座大山”

而讓AI從“技術”走向“落地”的關鍵就在于普適化。在肖雪看來，真正要實現從“手工作坊”到“現代工廠”的轉變，最直接的改變要體現在效率、成本和質量這三個“制造業”永恒的命題上。

《意見》中明確，2030年，新一代智能終端、智能體應用普及率進一步提升至90%以上，這也就意味著，到2030年，AI將像水電一般，成為我們生活不可或缺的一部分。

但“硬幣的另一面”是，當前AI技術發展并不如想象般順暢，開發周期過長、投入成本過高，以及模型質量在實際業務應用的成效過低等三大核心問題，是阻礙AI應用落地的三座大山。

效率方面，過去訓練一個政務問答模型，光數據標注就需要5個工程師花費將近一個月的時間，最后效果還依賴調參工程師的經驗。有統計數據顯示，傳統模式下模型制造周期長達90人天，且質量隨工程師水平波動，這與當前市場對AI服務“分散化、小型化、定制化”的需求形成尖銳矛盾。

成本方面，傳統模式下企業需單獨采購算力、組建算法團隊、搭建數據平臺，導致單個模型成本高達數千萬。有研究機構指出，全球AI公司年均研發投入增長45%，但商業化落地率不足30%，邊際收益遞減現象日益顯著。

與此同時，企業在大幅增加AI投入的同時，也越來越關注可量化的業務成效。“投資流向生成式AI過程中，企業已從對技術先進性的追求，逐漸轉變為追求切實的商業價值。”聯想集團高級副總裁、首席信息官、方案服務業務集團首席技術與交付官曾對筆者指出。

在企業普遍追求降本增效的時代，企業雖然對AI會加大投入，但同時也更希望看到AI為他們帶來“既得利益”，“AI在企業中應用，要么給企業帶來新的增長，要么為企業節省開支，這兩個都不能帶來的技術，是沒有意義的。”此前筆者在與某零售行業CIO交流時，他曾多次向筆者強調。

模型質量方面，當前模型在行業側應用質量不高，很多模型產品投產之后達不到原有想要的應用效果。究其原因，主要有兩點，一是模型選型與業務需求不匹配。不同模型擅長領域不同，而企業不同業務領域需求模型能力也不盡相同。例如，金融行業的企業可能更關注AI在風險控制、客戶畫像構建等方面的應用，而零售行業的企業則更看重AI在精準營銷、庫存管理等領域的價值。

二是模型存在幻覺問題。例如深度學習模型的性能，高度依賴于海量高質量的訓練數據。但目前企業內部數據質量“參差不齊”，多數企業的數據分散在ERP、CRM、IoT設備等分散的，各自成“孤島”的數十個系統中，格式涵蓋結構化表格、非結構化文檔、時序傳感器數據等多種不統一的格式，且存在大量“臟數據”。據BCG統計，企業可用于AI訓練的有效數據占比普遍低于10%，“數據豐富但信息匱乏”成為常態。此外，FineBI的行業研究指出，傳統模式下“數據孤島”“指標混亂”“結果不可復現”等問題，使80%的企業AI項目卡在落地環節。

在肖雪看來，造成上述三重困境的主要因素是，常規的模型訓練模式是一種類似“手工作坊”的模式——過程非標、高度依賴人才經驗、難以規模化。

“價值交付”，模型將更像“工業產品”

肖雪看來，AI應用將是一個服務態，不是運維態。

面對AI工業化挑戰，浪潮云給出的答案是：搭建人工智能模型工廠，通過“九大單元”（數據車間、模型車間、評測中心、集成車間、客戶服務中心、產品工程中心、安全中心、設備管理中心、調度服務中心）架構，提供系統性答案，構建覆蓋從數據準備，到集成交付全流程的體系，通過標準化工序將模型生產拆解為可復制的模塊。通過這些舉措，讓模型的生產從“手工作坊”時代，走向工業化生產時代，在提升了模型訓練效率的同時，還降低了應用成本。

以數據車間為例，數據是企業AI應用落地過程中的重要因素，很多企業應用落地失敗主要是因為訓練模型的高質量數據集不足。在由11道工序和60套工具組成的數據車間內，首先會對企業提供的數據進行清洗，選取出適合模型訓練使用的數據，進而通過數據合成，以及浪潮云多年來在服務各行業的過程中積累的數據，將數據“擴容”到足夠大的體量，基于可信數據空間對客戶原始數據依照業務需求進行最小化授權，進行必要的脫敏處理，并對不同租戶的數據進行隔離，確保訂單數據與流程完全獨立，在數據采集、存儲、標注、訓練乃至銷毀的全生命周期中都確保了數據的安全，也打消了企業對于數據安全的顧慮。

當數據“就緒”之后，會將數據集“傳輸”到模型車間，該車間基于數據車間形成的高質量數據，對模型做調優訓練，達到用戶訂單要求。由8道工序和10套工具組成，實現“數據輸入”到“模型輸出”的標準化轉化。

正是通過這樣一個個單元，組建起了一條模型的“產品流水線”，構建了統一、標準、安全、高效、開放的AI模型生產模式，解決了原先模型訓練過程中存在的分散、高成本、高風險的問題，將模型作為一個工業產品，用集約化的方式對外輸出。

據肖雪介紹，通過浪潮人工智能模型工廠，將模型制造的平均周期，從90人天壓縮到了20人天左右，平均效率提升75%。

浪潮云的探索并非個例，而是行業發展的必然選擇。據悉，目前全球范圍內已經建成了包括浪潮人工智能模型工廠在內4個模型工廠，而第五個——美的荊州工廠也投產在即。

顯然，模型工廠的模式將逐漸成為企業級AI應用的一條可行路徑，通過集約化的方式，達到標準化流程、專業化分工與生態協同的目的。已經有不少企業通過模型工廠以低成本、高效率的方式打造出了符合自身業務需求的模型產品，快速落地AI應用。

“當AI步入Agent時代，企業不需要盲目地追求技術的迭代，而是要盡快地將Agent與業務場景結合，創造出價值。”瓴羊副總裁林永欽（千絕）在與筆者的交流中曾明確指出。

AI已經步入“價值交付”時代，在肖雪看來，當前，模型交付不是終點，而是服務的起點。

從“手工作坊”到“現代工廠”，從工具提供到價值交付，大模型的工業化革命正在重塑產業形態，更在開啟一個人人可享的智能新時代。