盯完两天 APEC,大佬们聊的 AI 重点都在这篇了。
原创 Datawhale 2026-11-19 23:37 浙江

Datawhale干货
2026亚太经合组织工商领导人峰会
Datawhale干货
2026亚太经合组织工商领导人峰会
这两天,深圳成了全球风暴中心!
史官高低得记上一笔:公元 2026 年冬,三国元首齐聚深圳
APEC 工商领导人峰会一开,亚太商界人物聚到一起,现场聊得最多的还是 AI。
我们把几位中国企业家在会上的关于 AI 领域的发言整理了出来,分享给大家,主要涉及商业应用、科学研究和人形机器人这几个方向。

话题一:买算力的钱,怎么从业务里赚回来
百度创始人李彦宏把 AI 产业分成了四层:底层 GPU 芯片、云基础设施、开源或前沿大模型,以及最上层的应用。「但终极价值来自应用层。」他把「最紧迫」选为今年 AI 的关键词——过去三年多,AI 技术更新很快,企业在算力和云资源上的投入成倍增加,但应用普及的速度比预想中慢。很多公司买了算力、用上模型,收入和利润却没有明显增长。
“如果不解决这个问题,AI 可能变成一个泡沫,所以最紧迫的,是找到 AI 真正适合的应用场景。”李彦宏在现场说。
他对长期前景还是乐观的,觉得眼下 AI 落地的阻碍主要在企业组织方式还没跟上。他拿工业革命举例:“电机已经进了工厂,流水线还没有出现。”为此他提了三条具体的调整原则:打破岗位边界,因为 AI 是个通才,一个人可以同时扮演很多角色;把只存在于人脑中的隐性经验数字化;让人与智能体协作的每个环节数据流通,形成完整的工作流。
大公司的财报也能看出眼下的投入规模。今年第三季度,Alphabet 资本支出达到 514 亿美元,绝大部分投向了 AI 基础设施;同一季度,Google Cloud 收入 307 亿美元,同比增长 103%,主要来自 AI 基础设施、AI 解决方案和其他云服务。
云厂商靠卖算力和服务拿到了收入,买这些服务的企业能不能赚到钱,还得看各自的具体业务。在现场,TCL 创始人李东生聊了他们在面板工厂里的做法。
“我们从 5 年前开始,把 AI 技术、大模型技术导入我们(TCL)华星光电半导体显示产业的制程当中。我们自己建立的‘星智大模型’,对(TCL)华星的半导体显示的生产效率的提高、质量的改进,发挥了积极作用。”李东生说,据测算,近三年 TCL 相关 AI 应用累计创造了约 25 亿元综合效益(指生产效率和质量提升带来的综合效益,并非净利润)。
TCL 科技在 2025 年度可持续发展报告里披露过更具体的数字:在显示面板制造中,用 AI 辅助识别和修补缺陷,判断准确率提高到了 95%,仅这一个单点应用,一年创造的效益就超过 5000 万元。
话题二:做科研,现有模型够用吗
宁德时代董事长曾毓群更关心研发。同台对话时,他直接问李彦宏:“现在模型已经足够好了,还是我们需要更多科研 AI?”

李彦宏在回应里提到,AI 正在具备自进化能力,如果能不断自我升级,科学领域会出现更多突破。但目前人和 AI 的分工依然清楚:“AI 很擅长解决问题——只要明确指出要解决什么,它就会以非常勤奋的方式给出方案;但更关键的是提出问题、验证问题。”
Google DeepMind 刚刚发布的 AlphaGenome 2,做的就是这类辅助工作。它用来预测 DNA 变化会如何影响特定细胞的基因表达。基因组里的变异太多,研究人员很难靠实验一个个试,先让模型根据已有数据做预测、缩小范围,再由实验室去验证哪些变化真正有影响。
放到宁德时代的业务里,曾毓群关心的问题也很明确:改进电池材料、性能或制造工艺时,模型到底能在哪一步给出有用的预测,帮研发团队减少实验试错的时间。
话题三:机器人怎么真正走进工厂
另一场讨论中,小米集团创始人雷军先聊了从业者的真实心态:过去 4 年大模型技术突飞猛进,但“大家其实很困扰、很焦虑”,因为投入非常大,能落地的场景却很有限,真正在这一轮循环里挣到钱的公司还比较少。
他把出路指向了 AI 和物理世界的结合:“AI 手机、AI 汽车还没有出现革命性的标杆产品,但相信未来几年一定会诞生伟大的产品……AI 是一个全新的时代,值得我们用 AI 的模式、AI 的思维、AI 的技术去重塑每一个产业。”
雷军介绍,小米做机器人已经有 6 年,前不久小米的具身智能机器人刚进工厂“实习”,“能够完整工作 8 小时,中间还能两次自己去充电”。他对这次试用的表现很满意,认为未来具身智能机器人的想象力可能会超过汽车产业。

峰会前,小米公开过一段汽车工厂的试用视频,拍的是机器人在总装车间给中控台侧盖板排序。视频做过倍速处理,也展示了它中途自己去充电的过程,雷军提到的 8 小时,指的是包含两次充电在内的整班工作时间。
车企测试人形机器人,目前大多先挑这种动作明确的单一工位。宝马在美国斯帕坦堡工厂试用的 Figure 02 机器人也是这样,专门负责取放和定位待焊接的钣金零件。在 10 个月的试点里,它参与了超过 3 万辆宝马 X3 的生产,搬运零件超过 9 万个。
机器人刚进车间,不需要一上来就负责整条产线。先把一个工位上的零件拿稳、放准,跟上产线节拍,同时不增加太多维护负担,工厂才会考虑往下一步走。
话题四:机器人怎么解决泛化难题?
聊到 AI 与机器人的发展速度,宇树科技创始人王兴兴打了个“冰山”的比方:大家平时看到的进步只是冰山“水面以上”的部分,“水面以下”每天的技术突破更加波涛汹涌。但落到实际使用上,一个工位跑通之后怎么推广到更多地方?他认为,目前最现实的瓶颈是模型的泛化能力。
“我们希望一台机器人、一个模型走进千家万户,它都可以马上干活。”王兴兴说,而不是每换一个环境都要重新训练。

他以工厂为例解释说:“一台机器人在熟悉的环境里完成任务,企业可以据此考虑试用。等它到了另一条产线,面对不同的布局和物料,能不能接着干,才关系到企业是否愿意扩大部署。”哪怕同样是抓零件,换一条产线,零件形状、摆放角度、料箱位置和周围设备都会变,机器人要重新识别环境、调整动作,还要符合现场的生产节拍和安全要求。
优必选创始人周剑也认为这需要过程:“泛化能力非常强的通用人形机器人在目前的硬件和大模型条件下,还需要一点发展时间。在这个空档期,场景数据是最关键的,可以根据场景数据做很多开发。”这也是为什么各家公司都在让机器人先进工厂试用——在工位上碰到什么零件、哪个动作失败了、人工怎么纠正,这些现场记录下来的数据,都能用来改进下一轮训练。
周剑还提醒,如果人形机器人未来进入家庭,不同国家在文化理解、用户画像和语言上差别很大,亚太地区的软硬件与场景也会形成差异化格局。除了比拼模型本身,企业还得比谁更懂当地用户的实际场景。
王兴兴判断,结合今年全球的技术进展,机器人泛化能力已经接近突破的临界点。但他也提到,等技术真正突破后,如果需求从一年几万台暴涨到几百万甚至几千万台,生产制造、可靠性、售后服务和安全性都是很大的考验,背后的算力需求也将“远超目前绝大部分人的想象”。面对未来的产业规模,他的态度很明确:“只有合作才能把整个行业蛋糕做大”,大家不该只盯着眼前的市场份额。
写在最后

一起“点赞”三连↓
本文转载自微信公众号「Datawhale」,查看原文。版权归原作者所有,如有侵权请联系删除。