据公开信息，2026年上半年，中国人工智能企业对制造业、农业、能源等传统行业的解决方案签约量同比增长67%，其中垂直场景定制化项目占比首次突破50%。这一数据来自中国信息通信研究院《2026年Q2人工智能产业应用白皮书》，标志着AI技术正从“实验室演示”加速转向“一线生产现场”。
在这一趋势下，创新工场创始人李开复近期频繁现身于煤矿巷道与养鸡场车间，亲自向客户演示其团队研发的AI工业视觉系统。8月7日，他在北京大学国家发展研究院演讲中坦言：“过去一���，我一半时间在出差，三分之一在地下矿井。”这与其早年专注算法研究与资本布局的形象形成鲜明对比。
从“AI布道者”到“现场销冠”
李开复所推动的“零一万物”大模型平台，正尝试将通用人工智能能力下沉至高噪声、低算力、强安全约束的工业边缘环境。例如，在山西某煤矿部署的AI瓦斯监测系统，需在无网络、-20℃至60℃温差、粉尘浓度超标的条件下持续运行。该系统通过轻量化模型压缩与本地推理优化，将误报率控制在0.3%以下，较传统传感器方案提升近5倍可靠性。
类似案例还包括河北蛋鸡养殖场的AI疫病预警系统——通过摄像头捕捉鸡群行为异常，在禽流感爆发前48小时发出预警，准确率达92%。据业内人士透露，此类项目毛利率普遍低于互联网SaaS产品，但客户续约率超过85%，成为AI企业稳定现金流的重要来源。
技术下沉背后的商业逻辑
这种“躬身入局”的转变，源于AI行业整体融资环境的变化。根据清科研究中心《2026上半年中国AI投资报告》，通用大模型赛道融资额同比下降41%，而工业AI、农业AI等垂直领域融资增长28%。资本市场更青睐具备明确营收路径和客户付费意愿的落地场景。
创新工场并非孤例。百度“文心智能云”已接入300余家钢铁厂设备预测性维护系统；阿里云“通义灵码”正为中小制造企业提供低代码AI质检工具。但挑战同样显著：IDC在2026年7月发布的《中国边缘AI部署障碍调研》指出，73%的传统企业因缺乏数据治理基础而难以启动AI项目，42%的试点项目因ROI不达预期而终止。
战略优势与隐忧并存
李开复团队的优势在于其“端-边-云”协同架构设计。通过将大模型蒸馏为小型专用模型部署在边缘设备，既满足实时性要求，又降低对中心云的依赖。据其内部测试数据，在同等硬件条件下，该方案推理延迟比竞品平均低18%。
然而，过度依赖创始人个人背书也带来风险。当AI解决方案需要深度嵌入客户生产流程时，销售周期往往长达6至12个月，且高度依赖现场调试与定制开发。若无法规模化复制成功案例，企业将陷入“项目制陷阱”——营收增长但利润率承压。对此，李开复回应称：“我们正在构建行业模板库，目标是将定制开发比例从70%降至30%以内。”
AI真正价值在于“解决脏活累活”
在演讲尾声，李开复引用其新书《AI未来已来》中的观点：“人类只有借助AI看清自身局限，才能真正理解进步的方向。”他强调，当前AI最被低估的价值不是生成内容或对话，而是替代高危、重复、低效的人工作业——无论是在千米深井监测气体，还是在万只鸡群中识别病态个体。
这一理念正逐渐获得政策支持。2026年7月，工信部等五部门联合印发《人工智能赋能实体经济行动计划》，明确提出到2028年实现AI在100个重点工业场景规模化应用。对李开复及其同行而言，真正的考验才刚刚开始：如何让AI不仅“能用”，而且“好用、愿用、常用”。
本文由AI辅助生成
