从技术验证到生产落地，数智生产力开启 AI 新周期

（来源：中国交通新闻网）

转自：中国交通新闻网

近日，以“AI跃迁·向生产级落地”为主题的2026数智创新大会圆满落幕。大会汇聚政府、金融、能源、教育、央国企等行业主管部门领导、权威专家、科研院所及行业用户代表，以千人规模的思想盛宴，在业界率先搭建起政产学研用深度融合的创新实践交流平台，共同探讨人工智能从试点验证迈向规模化生产落地的关键路径，为千行百业数智化转型注入新动能。

人工智能步入"深水区"：从"是否采用"到"何以落地"

当前，人工智能在企业层面的普及率已接近饱和，然而麻省理工学院的研究却揭示，多数企业的应用仍局限于问答等通用功能，实现规模化生产部署的不足5%。接近100%普及率与不足5%的生产级落地率之间的落差，正是当前人工智能应用所面临的“深水区”。

IDC中国副总裁兼首席分析师武连峰在大会上援引权威研究数据指出，全球处于人工智能应用成熟度第二阶段的企业占比为49.6%，中国为54%，而进入第四、第五阶段的企业合计不足3%。在“规模化落地最大障碍”的调研中，安全合规位居首位，投入产出不明确紧随其后。这表明，技术能力仅是起点，安全治理体系与投入产出度量能力才是决定规模化落地的关键因素。

从五大困境到系统重构：生产级AI需要怎样的新底座

一个组织要跑通人工智能化的业务流程，准确性、成本、稳定性、权限与安全等问题将接踵而至。深信服科技创始人兼CEO何朝曦在主题演讲中，基于大量客户实践，系统总结了企业人工智能进入生产环节所面临的五大困境，并由此提出了构建人工智能时代新型基础底座的思路与解法。

一是建不动，反映的是个体提效尚未转化为组织提效。人工智能进入复杂业务流程，需要覆盖开发、评测、发布、运营和责任追溯，企业由此需要将工具嵌入既有流程，建立质量门禁与知识沉淀机制。

二是用不好，问题往往不只在模型，更在数据。针对数据分散、频繁搬运以及解析、检索偏差，需要完善知识工程链路，通过统一数据视图、多协议访问和冷热分层，提高数据访问效率与准确性。

三是用不起，源于调用规模和任务复杂度持续增长。企业需要统一接入本地算力与外部模型服务，借助任务路由、内容缓存和推理优化，提高算力利用效率，使成本保持在可运营范围内。

四是看不清，是算力消耗、责任主体和业务收益缺少统一度量。建立覆盖部门、人员和任务的计量核算机制，将调用成本与业务效果联系起来，才能为扩大应用规模提供依据。

五是不敢用，来自传统网络威胁与智能体新风险的叠加。安全建设既要提高威胁发现和处置效率，也要把智能体纳入身份、权限、行为和审计体系，在高风险操作执行前进行识别与拦截。

五大困境背后，是既有基础设施与人工智能工作负载之间的适配问题。生产级人工智能所需要的新底座，需要统筹开发体系、数据底座、算力运营、安全防御和智能体治理，使人工智能能够在真实业务中运行稳定、成本可算、风险可控。

系列新品发布，打造生产级AI坚实底座

围绕生产级落地过程中暴露出的开发、数据、算力与安全问题，深信服在本届大会上发布并预览了一系列产品与技术，从算力调度、数据访问、业务承载、安全运营和智能体治理等方面，为人工智能进入生产系统提供基础支撑。

AI算力网关：推动算力从分散调用走向统一运营。针对人工智能“用不起”“看不清”的问题，深信服AI算力网关对本地算力、外部模型服务及既有资源池进行统一接入，提供模型服务、智能路由、计量运营与性能优化能力。通过建立统一的算力视图，企业可以按部门、人员和任务查看Token消耗，并借助路由、缓存和推理优化，提高混合算力的使用效率。

统一存储：减少数据孤岛与重复搬运。人工智能“用不好”，往往与数据分散、访问效率和数据质量有关。深信服统一存储在同一体系内支持块、文件、对象等多协议访问，并连接不同存储资源、实施冷热数据分层，使训练、推理、知识库和传统业务能够共享统一的数据入口，在保留原有基础设施投入的同时，减少数据搬运带来的性能损耗和一致性风险。

超融合7.0：为新旧业务提供稳定承载。针对人工智能应用进入生产系统后对可靠性、连续性和国产化适配提出的新要求，超融合7.0围绕总体拥有成本与可靠性进行升级，既面向传统通用计算业务，也兼顾智能体应用的承载需求，为存量业务与人工智能业务并行运行提供基础设施支撑。

AI原生安全运营平台：缩短机器化攻击与人工防守之间的时间差。随着人工智能降低攻击门槛、加快攻击节奏，传统依赖告警和人工研判的安全运营模式面临新的压力。深信服AI原生安全运营平台以端点、网络、身份和资产的一手遥测为基础，通过智能体协同完成检测研判、深度调查和处置闭环，推动安全运营从告警后的响应向更早阶段的识别与处置延伸。

保护AI平台：将智能体纳入组织治理体系。针对智能体越权调用、敏感数据访问和行为偏离等风险，保护AI平台最新版本围绕应用发现、身份赋予、权限管控、意图理解、行为审计和异常行为拦截建立运行时治理机制，在智能体操作进入业务系统前进行判断和控制，并保留完整的行为记录。

此外，大会还对AI EDR、AI驱动的安全治理平台及代码安全等技术进行了发布预览。从前述五大困境到此次集中呈现的产品与技术可以看到，生产级人工智能的建设重点，正在从模型能力扩展至算力可运营、数据可调用、业务可承载和风险可治理的系统能力。

人工智能竞赛步入“下半场”

本届大会以“战略论坛、行业分论坛、闭门研讨会、AI创新实践展”的多元架构，为参会嘉宾提供从顶层设计到底层实施的完整“生产级AI”创新体验，聚焦政府、金融、能源、教育等关键领域，围绕关键信息基础设施智能化升级、AI 核心场景规模化复制推广开展深度研讨。

大会期间重磅发布了《2026 年度教育网络安全专项研究课题申报指南》，启动了《石油和化工行业人工智能应用场景指引》的编制工作和能源行业“人工智能+”网络安全高价值案例征集活动。这些举措不仅为各行业 AI 落地提供了可复制的实践范式和标准指引，更有力推动了关键信息基础设施智能化升级的进程，加速了 AI 技术在核心业务场景的规模化应用，为政产学研用协同创新构建了高水平的交流与合作平台。

从产业发展规律来看，人工智能转型至少是一个十年的历程——技术能力的提升可以呈指数级增长，而组织流程、治理体系与人员观念的变革只能是线性推进。未来三至五年，决定竞争胜负的不再是谁的模型参数更大、谁率先上线了人工智能功能，而是谁能让人工智能在真实业务中运行稳定、成本可算、风险可控。