峰会主题是 “共促繁荣,共赢未来”,2000 余位政商界代表到场,115 家世界 500 强在列,21 个 APEC 经济体全覆盖,另有 13 个域外经济体企业前来。
40 多位嘉宾围绕 7 个议题展开研讨,AI 几乎占满每一场。
但台上的重心换了。
两年前谈 AI,谈的是参数、是跑分、是什么时候超过人。
11 月 17 日在前海,企业家们谈的是另一件事:投了那么多钱,账上为什么没多出利润。
三句话把这场峰会的底色定了下来。
李彦宏说,多数企业用了AI后收入和利润并没有明显提升,这个问题不解决,“AI泡沫”可能成真。
雷军说,AI 的投入非常非常之大,但能够落地的场景目前非常有限,能够在 AI 这一轮循环里真正实现商业闭环、挣到钱的公司相对比较少。
李东生给了一个能拿去对账的数字:TCL 华星近三年 AI 应用累计创造约 25 亿元综合效益。
一个在问 AI 能不能 “出题”,一个说钱投进去却找不到地方落,一个把效益算到了亿。
同一场峰会,三种说法,指向同一条裂缝:技术迭代的速度,和利润兑现的速度,对不上。
“AI 爱因斯坦” 还没造出来,卡点在谁出题
首场工商对话最有传播度的点,是两个英文名都叫 Robin 的人同台。
曾毓群和李彦宏同龄,一个管电池,一个管模型,坐到一起,曾毓群直接抛了问题:我们当前的模型已经足够好了吗,还是需要真正的原生科研 AI,有没有造出 “AI 爱因斯坦”?
![]()
李彦宏的回答没有绕:真正的 “AI 爱因斯坦” 还没有出现。人们讨论的是递归式自我改进,如果 AI 能自我改进,科学领域会出现大量突破。
眼下 AI 非常擅长解决问题,只要明确告诉它要解决什么,它可以勤勉工作数天甚至数月去找答案;AI 还不擅长的,是提出问题、发现问题。
这条线划得很清楚,也决定了 AI 在产业里的角色上限。
一个只能解题、不能出题的工具,可以替掉一部分执行环节,替不掉定义问题的那一层。
而利润,恰恰大多藏在定义问题的那一层:知道该优化哪道工序、该改哪段流程、该放弃哪个产品的人,才有定价权。
李彦宏把 AI 拆成四层:芯片、云基础设施、模型、应用。他的判断是终极价值在应用层,“必须把 AI 技术做成应用,价值才能兑现”。
连基础设施的受益者都承认,堆算力本身不产生利润,利润产生在算力被用进具体业务的那一刻。
![]()
德勤全球 CEO 乔德明在峰会另一场专题研讨 “探索亚太数字经济合作新路径” 上,给出了咨询视角的旁证。他引用的是德勤 11 月 16 日发布的《共驭智能,成于独创:首席执行官AI领导力报告》,这份材料面向 18 个 APEC 经济体及印度的 1278 位企业领导者:71% 的受访者表示所在企业已大范围部署 AI,53% 说 AI 已用于多个业务部门,14% 说 AI 已嵌入核心业务流程,只有 4% 说 AI 已成为日常运营不可缺少的一部分。
按应用深度、流程改变程度、竞争地位划分,只有 7% 的企业进入 AI 转型领先组。
领先组里有 64% 认为 AI 已带来显著价值或创造新价值来源,普通应用组只有 13%。
同一项技术,同一批预算,两组企业,两个结果。这说明差距不在模型,在 “怎么用”。
雷军的两句话,比任何跑分都直接
雷军在现场的表述几乎没有修饰:过去四年 AI 大模型技术突飞猛进,但行业普遍投入高、落地场景有限,实现商业闭环的企业不多。
他承认大家 “有很多困扰,也非常焦虑”。
焦虑是有对照物的。
小米自己的做法是先把工厂环节用AI重做一遍,朝无人工厂方向走,再往上一层,做能自主生产、自主发现问题、自主迭代的工业智能体。
具身智能机器人已经进厂 “实习”,能连续工作 8 小时,中间自主充电两次。小米 AIoT 生态接入设备 11.6 亿台,自研大模型 MiMo 已经跑起来。
一边是真实的产线改造,一边是 “闭环的公司相对较少”。
这两句话不矛盾:能算清账的场景,高度集中在流程标准化、指标可量化、环境可控的地方。工厂符合这三个条件,家庭不符合。
![]()
雷军把下一段机会押在 “AI 进入物理世界”,因为那里场景密度足够大,也因为他清楚,现在的落地场景还是太少。
25 亿元:全场唯一能拿去对账的数字
APEC 上关于 AI 的说法很多,愿意给出可检验数字的不多,李东生是其中一个。
TCL 五年前开始把 AI 大模型导入 TCL 华星半导体显示制程,用外部公域基础模型,叠加显示行业知识与场景,自研星智 X-Intelligence 大模型。据现场测算,近三年 TCL 相关 AI 应用累计创造约 25 亿元综合效益。
财联社的记录是 “累计为 TCL 华星创造效益约 25 亿元”,口径落在华星这一块。
该数为TCL集团“相关AI应用”综合效益测算,华星是其中主体场景,非纯华星单体审计值。
这些效益是怎么抠出来的,公司披露过几条具体路径:软件研发效率提升 30%,器件研发效率提升 75%,机械仿真效率提升 90%;材料设计周期从数周压缩到 2 到 3 天;TCL 实业 “泛智屏智能算柜” 用 AI 三维装箱,把单柜规划时间从 30 分钟压到秒级,每年省下成本超过千万元;TCL 华星的 ADC 缺陷自动分类,准确率从 85% 提升到 95%。
年度数字也能排出一条线:公司公开口径中,2024 年 AI 场景落地创造超 4 亿元经济效益,2025 年 AI 应用创造综合效益超 10 亿元(其中仅 TCL 华星半导体显示领域 AI 效益就约达 6 亿元),到 2026 年 11 月,近三年累计约 25 亿元。
这条线不算陡,但它是一年一年加上去的,不是估值堆出来的。
李东生还讲了一场内部 “人机大赛”:同一项产品设计任务,30 名工程师对阵 6 名工程师加 AI。第一轮,AI 组在效率上胜出,但设计质量上 “碳基员工” 获胜;上周的第二轮,双方打平。
他的结论是,随着大模型迭代,硅基员工的核心能力还会增强,但人的专业经验和创造力依然不可替代。
这个结果的价值不在于谁赢,在于它第一次把 “AI 加人” 的产出放到了可比较的尺度上。效率可以量化,质量也可以量化,两边才有的谈。
25 亿元回答了雷军那个问题的一半:AI 确实能在特定环节赚钱,前提是场景足够标准化、指标足够清晰、流程真的被改写、有人为结果签字。
王兴兴的四道坎:会解题,不等于能上岗
机器人这条线上,王兴兴讲得比谁都具体。
先用 “激动人心” 定调:2026 年无论是大模型还是机器人,水面以下的迭代非常快,已经能看到未来几年的方向和潜力,全球技术演进接近突破的临界点。
紧接着是冷水,一共四道坎。
![]()
第一道是泛化。
行业期待的理想状态是同一套模型让机器人进入不同家庭后立即干活,而不是每换一个环境、换一个任务就重新训练。
现实是换场景就要重训。
机器人面对的是不断变化的空间、物体和任务,能否在陌生环境里稳定完成工作,才是规模化的关键。
第二道是产能。
现在一年可能只生产几万台机器人,如果需求一下子涨到几百万台、几千万台,生产制造、可靠性、售后服务都会顶不住。
第三道是算力。
他提到,人形机器人赛道对算力的需求,可能远超目前绝大部分人的想象。
第四道是安全。
机器本体安全、使用安全,以及随之而来的责任归属。
优必选创始人周剑补了同一块拼图的另一半:真正稀缺的不是技术点,是打通技术、规模量产与实际应用之间的完整链路。他还提了两类必须跨过的障碍,一是场景本地化,语言和文化的理解得靠当地伙伴一起做;二是伦理治理,机器人进家庭、进工厂,都会带来大量新课题。
工厂是标准化环境,工位和动作可以预先设计;家庭是非标环境,每家的桌椅、餐具、空间都不一样,出一次错的后果可能是摔碎东西,也可能是伤人。演示视频能拍出上限,拍不出返修率。
第三方审计:92% 在用,8% 拿到钱
峰会之外,德勤体系下的三份材料,把 “账本” 摊得更开。
第一份是 11 月 16 日发布的《共驭智能,成于独创:首席执行官AI领导力报告》,也就是前面那组 71% 与 7% 的数据,样本是亚太及印度地区的企业高管。
第二份是德勤中国 10 月发布的企业 AI 应用白皮书,调研对象是国内企业:92% 的企业已开展 AI 应用试点,但只有 8% 认为 AI 投入实现了财务和战略收益,只有 4% 认为真正完成了组织级转型。
按阶段拆,28% 停留在概念验证,56% 处于渐进落地,进入规模化推广和变革重塑的各占 4%。
第三份是德勤中国与香港大学人工智能、管理与组织研究中心 9 月联合发布的《决策者视角下的企业 AI 应用》:48.5% 的受访企业反馈 AI 项目实际回报低于预期,企业预期回报率集中在 10% 到 25%,实际达成多在 10% 以下;44.4% 的企业无法明确核算 AI 项目的实际投资回报率;60.4% 尚未建立体系化的价值衡量框架;评估成效时,87.3% 只看处理速度与工时节约,70.7% 看成本节约,涉及收入与客户层面的只有 21.5%。
三份材料来自不同发布主体、不同样本池,结论方向却一致:应用面铺得很快,回报落得很慢。
这组数字点破了一个很常见的错觉:个人提效不等于组织提效。员工用 AI 写周报、做 PPT、翻译文档,确实快,但这些点状收益进不了利润表。企业为此付出的是平台、算力、部署、token 和人员成本,钱花在基础设施上,省下来的时间却没被重新配置到更值钱的环节。
乔德明把症结说得很直:问题不在 AI 技术能力不足,技术正在快速进步,难的是把 AI 嵌进大型企业复杂的业务流程。一个完全由技术团队设计的 AI 应用,在概念验证阶段可能表现很好,进了真实经营场景就显得过于简单。他的收尾是,“未来由 AI 驱动,但仍由人主导”。
两个底座:电表,和当地那六千个岗位
算账之外,还有两笔硬成本——电,和本地化信任。
一笔是电。
曾毓群在现场谈的不只是车:宁德时代正努力把电池能量密度提升到每公斤 350 瓦时,为电动航空提供动力;换电模式 99 秒可以完成一次电池更换。
李彦宏顺着这个话题接了一句,AI 基础设施需要庞大的电池配置支撑,目前算力电池主要靠外包和采购,“可以和曾总这边进行有效的合作”。
这句现场互动指向一个越来越具体的约束:训练和运行 AI 要数据中心,数据中心要稳定供电和备用电源,储能能调负荷。
中兴通讯董事长方榕给了另一组数字:相关技术和方案每年帮助全球运营商节电超过 100 亿度,并在菲律宾、印尼以 “全球能力加本地交付” 的方式帮当地建网络和智算中心,在墨西哥为几千个基层医疗诊所搭网络基座。
另一笔是当地的分账。
![]()
王传福回应了海外市场反复出现的一个质疑,中国制造是不是抢了当地人的饭碗。他的答案是填补空白,不是替代存量:比亚迪 102 万名员工里有 6 万名在海外,泰国工厂年产约 15 万辆,带动约 6000 人就业,95% 以上是泰国本地员工,印尼工厂规模相近,本地比例也在 95% 以上,巴西类似。
全球约 1.2 万家供应商,泰国工厂零部件本地化率已超过 50%。他给了一句判断,“我赢你输是不可以长期的”。
这两条线都不算性感,但它们决定一家企业能不能把算力真的跑起来,以及跑起来之后,当地愿不愿意让它继续跑。
那本账到底卡在哪一环
把上面所有信息叠在一起,从技术到利润之间,隔着五道关,每一道都有具体的卡点。
第一道,选场景。
要区分 “能演示” 和 “能计量”。展厅里能跑通的场景很多,能挂上 KPI 的很少。TCL 选的是缺陷分类、智能算柜、机械仿真这类有明确输入输出、有历史基线、有验收标准的环节,这才有 25 亿元可算。
第二道,改流程。
装一个 AI 工具,和重写一段端到端流程,是两件事。德勤中国与香港大学的调研里,导致 AI 用例表现不及预期的首要原因不是技术,而是筒仓式组织形式阻碍创新,占 33%;其后是平台架构薄弱 32%、数据可用性不足 31%、组织文化障碍 28%(该组数据来自德勤中国与港大联合调研的归因统计)。李东生提到的三个前提也在这里:数据和系统要打通、要找到真正有价值的场景、要有一批懂技术又懂产业的复合型人才。
第三道,通系统。
集成困难是企业 AI 部署里最突出的瓶颈。模型能调用,系统不开口,数据进不来,流程就断在中间。
第四道,定口径。
60.4% 的企业没有体系化的价值衡量框架,这意味着多数项目从立项起就没约定怎么算赢。工时省了 20%,如果省下来的时间没有回到高价值环节,这笔账在财务上等于零。
第五道,认账的人。
乔德明的提醒很实在,AI 应用不能只由技术部门开发,得由懂经营、懂行业、懂流程的人一起设计。谁定目标、谁改流程、谁背指标,缺一个,项目就会停在 Demo。
换句话说,卡住的不是模型能力,是模型之外的四件事:谁定义问题、谁交出流程权限、谁定数据口径、谁为结果负责。
这四件事都不属于算法,都属于组织。
峰会第二天要发布《2026 年 APEC 工商领导人峰会深圳倡议》,这是峰会创办 30 年来首次以倡议形式发布成果文件。
工商界的共识正在从 “技术多强” 转向 “合作怎么落地”。
技术迭代不会因为账没算平就停下来。王兴兴说的水面以下是真的,李东生那 25 亿元也是真的。
这两件事之间隔着的,不是一个模型版本的距离,是一整套把技术变成可衡量产出的工程能力、场景能力和组织能力。
APEC 上没有人说 AI 不行。但有人开始说,AI 行不行,要看账本。
剩下的问题不是下一个模型什么时候发布,而是:你所在的业务里,哪一个环节已经准备好被 AI 改写,改完之后,利润表上看得见。
李彦宏说,用了 AI 利润没涨,泡沫就可能成真;雷军说,真正赚钱的公司还是少数;李东生给出的 TCL 数字,是近三年约 25 亿元效益。你觉得 AI 落地最卡的那一环,是模型能力不够,是企业不知道该用在哪里,还是用了之后算不过账?如果你所在的公司要上一个 AI 项目,你最先看哪个指标?
#APEC2026#人工智能#AI落地#李彦宏#雷军#TCL#李东生#机器人#数字视线#AI与账本
【免责声明】:本文部分配图源自公开渠道或CC0协议素材,仅作行业交流与产业参考使用。如涉侵权,请联系后台处理。本文仅做行业科普与实操分享,不构成任何投资、消费决策建议。文中数据及案例均来自公开信源,仅供参考,具体以实际为准。
![]()
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.