汽车从诞生到普及，不仅是厂商通过流水线生产大幅降低成本的结果，更是道路、加油站、交通法规等配套体系彼此催生、共同演进的产物。而今天的AI，技术迭代日新月异，正像那辆刚刚问世的汽车——在数据治理、组织信任、跨部门协同等支撑体系尚未成熟之前，技术的飞速跃迁与企业的规模化应用之间，必然横亘着一道难以逾越的鸿沟。
世界经济论坛第十七届新领军者年会（2026夏季达沃斯论坛）“AI Everywhere, Not at Once”平行论坛上，中国移动首席科学家冯俊兰，万宝盛华集团董事长兼首席执行官Jonas Prising，清华大学苏世民书院院长、教授薛澜，NTT数据首席战略官Roli Agrawal，共同探讨了AI规模化落地的核心命题与关键前提。
技术与效益的鸿沟
2026年，全球四大超大规模云服务商的支出总额约为7250亿美元——亚马逊2000亿，Alphabet 1800-1900亿，微软1900亿，Meta1250-1450亿。此外，咨询公司Gartner预计2026年全球AI总支出将达2.59万亿美元，较2025年增长47%。
巨额投资的另一面，是尚未兑现的回报：兰德公司（RAND Corporation）的研究显示，超过80%的人工智能项目未能达到预期效果，这一比例是非人工智能信息技术项目的两倍；标普全球市场情报公司（S&P Global Market Intelligence）2025年的调查发现，平均而言，企业在人工智能概念验证投入生产前会放弃46%的项目；德勤发布的《企业AI应用现状：未被触及的边界》（State of AI in the Enterprise: The Untapped Edge）指出，目前有25%的企业领导者报告称AI正在对其公司产生变革性影响。尽管这一比例比一年前的12%翻了一倍多，但相较于AI技术本身的指数级跃升，差距依然悬殊。人人都在谈论AI，但真正让AI进入企业并转化为切实效益，仍然任重而道远。
Jonas Prising在平行论坛上指出，“尽管有97%的组织已部署了人工智能技术，且许多企业表示‘我们对这一机遇感到非常兴奋，认为它将带来巨大潜力。’然而，他们的首席财务官们却坦言‘实际上，我们至今仍未看到明显的实际成效。’”
中国移动在建设网络基础设施之前，建立数据中心的目的主要是为了满足人们的需求，但现在服务的对象变成了智能体。冯俊兰表示，这将是一个相当大的挑战。“因为没有人确切知道它应该是什么样子。从芯片的角度来说，你投入大量资源建设数据中心，但芯片本身也在飞速迭代。一旦你用当前版本的AI芯片建成了一个大型AI中心，可能半年后新一代模型或AI芯片就会迭代两轮。你的投资可能会悄无声息地闲置在那里。”
这只是当前企业在AI架构部署中面临的诸多困惑之一。技术的快速迭代，并不等同于商业价值的同步兑现——正如汽车的发明，并未让它在短短数年内驶入千家万户。规模化落地的实现，除了依赖技术本身的持续演进，还需要基础设施、主权与隐私保护、治理框架等要素的协同成熟。
Roli Agrawal形象地将人工智能比作F1赛车，“讽刺的是，当前AI面临的最大瓶颈，并非人工智能本身，而是基础设施。这就好比你造出了一辆F1赛车，刚想上路却发现那是上世纪80年代修的路。车怎么开呢？……我们必须升级基础设施，使其能够真正支撑人工智能的发展。”
就算你勉强开上路，开着开着突然发现到了边界，前面就要进入另一个主权国家——那里的规则完全不同，车辆可能不再靠左行驶，并且可能需要持护照才能过境。这些规则映射到AI中，就是人工智能的主权与隐私问题。因此，“必须要在基础设施中系统性地设计隐私与主权处理机制”。
第三点，Roli Agrawal认为AI规模化落地的关键赋能因素之一，就是治理，即对AI的信任。这包括建立正确的护栏机制、适当的访问权限，以及问责体系——如果一个智能体做出了错误的决策，谁来承担问责？“所以，确实需要非常强大的治理，以及至少是国际协调的治理框架，才能够实现AI的规模化。我通常对人们讲的一个观点是：创新创造潜力，执行创造影响，但治理，才是让这种影响得以规模化的东西。”
一些技术人员常担心自己被这些治理规则束缚住了该怎么办。对此，Roli Agrawal仍以赛车类比来解释，她说，“刹车不是为了降低车速而设计的，而是为了让你能全速驰骋，而不用担心撞车（的风险）。”
薛澜也提出了相似的观点。他说，“修路是第一步。但有了路，人们就想开得更远，这时就会发现燃料不够用了。于是你就要建加油站。当然，又会有开车鲁莽的人，所以你还需要考驾照……简单来说，当技术真正需要向社会普及时，你既需要基础设施——比如数据中心、能源等硬件基础，同时也需要软件基础设施，如法规政策等。”
相比前沿模型的发展，这些方面的跟进要慢得多。“因此，这正是我们需要发力的地方。从政策和角度来看，我们必须加快步伐，与技术发展保持同步，这样才能加速技术的扩散，更快地产生实际影响。”
AI规模化的“1234”法则
Roli Agrawal为客户提供如何规模化应用AI的建议时，常常会提到“1234”法则：
假设你投资1美元来构建智能体（或任何我们擅长的AI技术）；那么你需要投入2美元用于变革管理，包括对相关人员进行再培训等。因为流程已被彻底重塑，必须让他们跟上步伐。
接着，你需要投入3美元用于整体架构与治理体系，包括整体架构、治理、防护机制以及token优化等方面。
最后的4美元将用于处理数据的问题。“很多时候，我们看到客户的数据极度分散，完全处于混乱状态。如果你在混乱的数据之上构建AI，它依然会是混乱的，只不过是在GPU上运行得更快罢了。因此，你必须先治理好数据，构建起统一的数据结构，然后才能在这个基础上相对更快地开发AI并实现规模化。”
AI规模化不是一蹴而就
AI规模化所需要的巨大投入与广泛变革让许多企业感到力不从心，但与会专家指出，AI规模化并非一蹴而就，当前的关键在于学会“抓重点”。
已有部分大型企业取得了一些乐观的进展。中国移动过去用三年的时间，成功实现了客户服务的转型，将客服代表的数量减少了50%。
冯俊兰说，“我乐观地认为，虽然当前的人工智能尚未完全准备好彻底改变业务的核心部分，但至少它在很多方面都存在着机会……最大的风险，恰恰是不愿尝试。人工智能如同一片海洋，我们如今尚处其表面。若想在其中遨游，就必须纵身跃入。”
问题当然会有，许多大型企业在数据、系统、技术等方面尚未准备就绪，这类问题比比皆是。“但我的建议是，你不应试图一次性解决所有基础问题，然后才进入人工智能领域，那可能会耗费你数年时间。直接迈向人工智能就可以帮助你解决部分难题，所以无需设定过于宏大的目标。一旦你开始行动，并在实践中不断推进，一些问题就会迎刃而解。
不要等到所有数据都完备、所有基础设施都就绪才行动，否则时代早已将你抛在身后……人工智能与其他技术截然不同。它更像是一个生命体，需要成长的空间。我们不能等到万事俱备才去管理它。”
Roli Agrawal也对企业提出了“抓重点”的建议，她认为各组织必须明确，在其行业中真正能推动变革的是一到三个关键领域，而不是400个需要应对的应用场景。
“以保险业为例，最重要的两大领域就是理赔和承保；银行业，三大核心领域是欺诈检测、交易处理和信贷业务；制造业，供应链、工厂运营和产品工程则是关键。因此，请为你的组织挑选两到三个真正需要推进的领域，并全力以赴，同时建立恰当的治理框架。”
——
1886年，当第一辆汽车驶上路面时，受限于当时的信息传播与基础设施条件，很少有人能预见，30年后它会逐步进入寻常百姓家，更不必说一个世纪后成为几乎每个家庭的标配。然而，AI的轨迹截然不同——自2017年Transformer架构提出、2022年ChatGPT引爆全球认知、再到近两年多模态与模型能力的井喷式跃升，人们对AI的未来已不再缺乏想象，而是被幻想、担忧与期待同时填满。正因如此，与公路、交通法规、加油站等配套设施历经百年渐次完善的汽车时代相比，AI的规模化落地似乎永远追不上技术演进的速度，也赶不上人类对它的预期。或许，我们需要在心态上给自己和这项技术多一点时间——允许AI在一个更长的周期里，完成它真正的规模化。
(本文仅代表作者观点。责任编辑邮箱：catherine.li@ftchinese.com）