广告
加载中

WAIC三年记:AI落地曲线上的五个「真实拐点」

产业媒体 2026-07-27 13:03
产业媒体 2026/07/27 13:03

邦小白快读

EN
全文速览

本文梳理了2024-2026三年WAIC见证的AI产业五大真实落地拐点,核心结论是AI已经脱离技术神话,进入比拼工程细节、成本控制、场景理解与商业闭环的落地阶段,核心干货如下:

1. AI形态从屏幕内的文本大模型,转向搭载终端的智能体Agent,商业模式从卖模型能力转向卖可交付的岗位KPI,模型竞争从拼参数规模转向拼智能密度,2026年被定义为端侧智能规模化落地元年,基础大模型已经从“百模大战”收敛到仅18家玩家。

2. 具身智能不再纠结人形外观,转向适配场景的形态设计,进入“物理上岗”阶段,评价标准从演示效果转向稳定交付能力,但规模化落地才刚刚起步。

3. AI基础设施竞争从拼GPU性能转向拼低成本Token供给,交付从拼能力转向拼可信上岗,中国AI也从对标硅谷转向靠开源路线获得全球影响力。

本文梳理了当前AI产业落地的核心趋势,对品牌商布局AI、产品研发和商业化有以下参考干货:

1. 产品研发方向:AI已经全面渗透终端硬件,端侧AI的边际成本大幅下降,消费者和企业客户都需要能完成具体任务的AI产品,而非单纯的对话能力,品牌商可围绕出行、办公、工业生产等具体场景开发AI终端产品,比如大模型原生智能设备,抓住AI普及的流量红利。

2. 商业化趋势:To B领域的AI采购已经从买技术转向买业务结果,品牌商可布局“价值交付、效果付费”模式,建立可量化的交付评测体系,更容易获得客户信任,也能获得更高的溢价。

3. 竞争策略参考:当前基础大模型已经成为重资产、高门槛的赢家通吃生意,品牌商不需要盲目自研基础大模型,可依托中国开源大模型做上层场景开发,大幅降低研发成本,将核心精力放在场景理解和交付上。

本文结合WAIC三年变化总结了AI赛道的新机会、新商业模式和风险提示,对AI卖家的核心干货如下:

1. 明确的增长机会:端侧AI、具身智能终端、Agent应用是当前增长最快的三大赛道,2026年是端侧智能规模化落地元年,WAIC具身智能展区展商占比近四分之一,是当之无愧的热门增长方向;Token调度与编排服务也进入稳定增长期,头部平台PPIO日均Token调用量突破1.2万亿,同比增长超8倍,且全部来自企业付费客户,市场需求明确。

2. 可参考的最新商业模式:当前行业主流付费模式已经从卖License、卖API调用转向卖任务结果、按Token持续收费,卖家可适配新模式降低客户决策门槛,提升长期复购收入。

3. 风险提示:基础大模型已经是赢家通吃的重资产生意,中间层玩家生存空间被持续压缩,中小卖家不要盲目切入基础大模型赛道,可选择向上做应用Agent、向下做基础设施或者横向做终端产品,避开头部竞争。

本文梳理了AI落地给工厂带来的商业机会和智能化转型启示,核心干货如下:

1. 生产端智能化需求清晰:当前具身智能已经进入批量落地阶段,市场需要能7*24小时稳定运行的工业AI机器人,行业评价标准从动作难度转向连续运行时长、稳定性、任务完成率,已经有头部厂商的机器人批量进入物流仓储、工厂产线等场景,工厂可引入适配的AI机器人替代人工完成重复性岗位工作,降低生产成本,提升生产效率。

2. 新的商业机会:AI终端普及带来大量上游制造需求,不管是工业机器人还是消费级AI硬件,都需要稳定的供应链支持,有制造能力的工厂可切入AI硬件供应链,抓住AI终端规模化普及的行业红利。

3. 数字化转型启示:AI落地已经进入ROI驱动阶段,工厂推进AI转型不需要盲目追求大参数大模型,应该优先选择轻量化、低成本的端侧模型,以确定性产出为核心目标,注重工程落地能力,才能真正让AI创造实际价值,避免概念投入的浪费。

本文总结了AI产业落地阶段的客户痛点和行业趋势,对AI服务商推出适配解决方案、抓住行业机会有以下干货:

1. 当前客户核心痛点转变:企业客户的核心需求已经从“获得大模型能力”转变为“把概率型AI能力转化为确定性的业务产出”,解决AI接入真实业务流程的风险控制问题,这是服务商的核心机会。

2. 主流解决方案方向:服务商可重点布局两类业务,一是企业级Agent平台,沉淀各岗位的标准化技能包,配套权限、工具调用的风险管控功能,帮助AI接入企业ERP、CRM等真实业务系统;二是智能模型网关服务,根据任务复杂度自动调度不同模型,可帮客户降低60%-80%的Token成本,适配当前企业ROI优先的需求。

3. 商业模式创新机会:当前企业客户更接受“免费开发、按Token收费”“效果付费”的模式,服务商可将一次性卖软件的模式转为持续收费的服务模式,提升长期营收空间,另外,行业缺失统一的交付评测体系,抢先建立评测标准的服务商将获得行业定价权。

本文梳理了AI落地阶段企业对平台的新需求,对平台商调整策略、规避风险有以下干货:

1. 企业核心需求转变:当前基础大模型能力逐渐趋同,企业对AI平台的需求已经从提供大模型能力,转向提供稳定低成本的Token供给、智能Agent调度编排能力,价值已经从模型层转移到调度和编排层,平台可重点布局智能模型网关、Agent任务编排能力,满足企业核心需求。

2. 平台运营与招商方向:Agent、端侧AI、具身智能是当前最热的增长赛道,2026年WAIC具身智能展商占比接近四分之一,是流量最高的展区,平台可围绕这些赛道做重点招商,吸引优质玩家入驻,还可参考行业做法,推出免费Token福利引流,快速培育平台生态。

3. 风险规避建议:基础大模型已经是重资产、高门槛的赢家通吃领域,中小平台不要盲目投入基础大模型自研,避免高额投入的风险,可聚焦上层应用生态服务,依托现有成熟的开源基础模型搭建生态,大幅降低投入成本,聚焦自身擅长的生态运营环节。

本文基于WAIC三年的一线观察,总结了AI产业落地的最新动向和待解决的问题,对研究者有以下干货:

1. 产业五大核心新动向:经过三年发展,AI产业已经从技术热潮进入产业深水区,发生了五个关键拐点:一是AI形态从文本大模型转向搭载终端的Agent,商业模式从卖能力转向卖可交付任务;二是具身智能从追求人形转向场景适配,进入通用VLA大脑“一脑多形”的新阶段;三是AI基础设施的计量单位从FLOPS转向Token,竞争焦点转向单位Token的产出效率;四是竞争焦点从模型性能转向工程交付体系,工程能力成为新的护城河;五是中国AI的全球竞争位置改变,从对标硅谷转向走开源非对称竞争路线,开始进入全球开发者生态。

2. 值得深入研究的新问题:当前产业仍存在多个待解决的核心问题,比如具身智能的模型能力仍是行业瓶颈,规模化商业化落地才刚刚起步;中国开源模型仍面临算力约束,成本优势存在被更高Token消耗抵消的风险;中间层AI厂商生存空间被持续压缩,产业格局会如何演变仍待观察。

3. 新商业模式研究方向:当前行业已经出现按Token收费、效果付费、开源生态沉淀价值等多个新商业模式,其对全球AI产业格局的影响值得深入研究。

返回默认

声明:快读内容全程由AI生成,请注意甄别信息。如您发现问题,请发送邮件至 run@ebrun.com 。

我是 品牌商 卖家 工厂 服务商 平台商 研究者 帮我再读一遍。

Quick Summary

This article outlines five key inflection points of real-world AI adoption witnessed at the World Artificial Intelligence Conference (WAIC) between 2024 and 2026. Its core conclusion: AI has outgrown its "technology myth" phase and entered a stage defined by competition over engineering details, cost control, scenario understanding and closed-loop commercialization. Key takeaways are as follows:

1. AI is shifting from text-based large models confined to screens to终端-based intelligent agents. Its business model is evolving from selling model capabilities to delivering measurable job KPIs, and model competition now prioritizes intelligent density over parameter scale. 2026 is marked as the first year of large-scale terminal-side AI deployment, and the foundation model market has consolidated from the "hundred-model war" to just 18 remaining players.

2. Embodied intelligence is no longer fixated on humanoid form, instead shifting to scenario-adaptive design and entering a phase of "real-world deployment". Evaluation criteria now focus on stable delivery rather than demo performance, though large-scale commercialization is still in its very early stages.

3. Competition in AI infrastructure has shifted from chasing GPU performance to securing low-cost Token supply, and delivery competition now centers on trusted deployment rather than raw capability. China's AI ecosystem has also shifted from simply benchmarking against Silicon Valley to building global influence via an open-source strategy.

This article summarizes core trends in current AI industry adoption, with key takeaways for brands planning AI布局, product R&D and commercialization:

1. Product R&D direction: AI has fully penetrated terminal hardware, bringing a sharp drop in marginal costs for terminal-side AI. Both consumers and business clients now demand AI products that complete specific tasks, rather than standalone conversational capabilities. Brands can develop AI terminal products tailored for specific scenarios including travel, office work and industrial production — such as large model-native smart devices — to capture the traffic dividend from widespread AI adoption.

2. Commercialization trends: In the B2B sector, AI procurement has shifted from purchasing technology to purchasing business outcomes. Brands that adopt a "value delivery, performance-based pricing" model and build a quantifiable delivery evaluation system will earn greater client trust and command higher profit margins.

3. Competitive strategy takeaways: Foundation model development is now a winner-takes-all business requiring heavy capital investment and high barriers to entry. Brands do not need to blindly develop proprietary foundation models in-house. Instead, they can build upper-layer scenario applications based on China's open-source foundation models to significantly cut R&D costs, and focus core resources on scenario understanding and delivery.

Drawing on three years of changes observed at WAIC, this article summarizes new opportunities, emerging business models and risk warnings in the AI track, with key takeaways for AI sellers:

1. Clear growth opportunities: Terminal-side AI, embodied intelligence terminals and Agent applications are the three fastest-growing segments today. 2026 is the first year of large-scale terminal-side intelligent deployment. Embodied intelligence accounted for nearly a quarter of all WAIC exhibitors, making it an undisputed high-growth priority. Token scheduling and orchestration services have also entered a period of steady growth: leading platform PPIO now processes over 1.2 trillion Token calls per day, an 8x year-on-year increase driven entirely by paying enterprise clients, indicating clear market demand.

2. Updated actionable business models: The industry's mainstream pricing model has shifted from selling licenses and API calls to selling task outcomes and charging continuously per Token. Sellers can adapt to this new model to lower clients' decision barriers and boost long-term recurring revenue.

3. Risk warnings: The foundation model sector is now a winner-takes-all, capital-intensive business, and the living space for middle-layer players is continuously shrinking. Small and medium-sized sellers should not blindly enter the foundation model track. Instead, they can avoid head-on competition with leading players by focusing on upper-layer application agents, lower-layer infrastructure, or horizontal terminal product development.

This article outlines business opportunities and digital transformation insights for factories brought by AI adoption, with key takeaways as follows:

1. Clear demand for production-side intelligence: Embodied intelligence has now entered the phase of批量 deployment. The market demands industrial AI robots that can operate stably 24/7, and industry evaluation criteria have shifted from movement difficulty to uptime, stability and task completion rate. Robots from leading manufacturers have already been deployed at scale in scenarios including logistics warehousing and factory production lines. Factories can introduce suitably adapted AI robots to replace human workers in repetitive roles, cutting production costs and boosting efficiency.

2. New business opportunities: The普及 of AI terminals has generated massive upstream manufacturing demand. Both industrial robots and consumer AI hardware require stable supply chain support. Factories with existing manufacturing capabilities can enter the AI hardware supply chain to capture the industry dividend from large-scale普及 of AI terminals.

3. Digital transformation insights: AI adoption has now entered an ROI-driven stage. When advancing AI transformation, factories do not need to blindly pursue large-parameter foundation models. Instead, they should prioritize lightweight, low-cost terminal-side models, focus on delivering确定性 outcomes and emphasize engineering implementation capabilities. This approach allows AI to generate real value and avoids wasted investment on overhyped concepts.

This article summarizes client pain points and industry trends in the current AI adoption phase, with key takeaways for AI service providers looking to build adaptive solutions and capture industry opportunities:

1. Shifts in core client pain points: Enterprise clients' core demand has shifted from "access to large model capabilities" to "converting probabilistic AI capabilities into deterministic business outcomes", and solving risk control issues when integrating AI into real business workflows. This is the core opportunity for service providers.

2. Mainstream solution directions: Service providers can focus on two core business segments: First, enterprise-grade Agent platforms, which build standardized skill packages for different roles paired with risk control for permissions and tool calls, to help integrate AI into existing enterprise business systems such as ERP and CRM. Second, intelligent model gateway services, which automatically schedule different models based on task complexity to help clients cut Token costs by 60% to 80%, aligning with enterprises' current ROI-first priorities.

3. Business model innovation opportunities: Enterprise clients now prefer "free development, pay-per-Token" and "performance-based pricing" models. Service providers can shift from one-time software sales to continuous recurring service revenue to expand long-term revenue space. In addition, the industry lacks a unified delivery evaluation system, so service providers that establish evaluation standards early will gain industry pricing power.

This article outlines enterprises' new demands for platforms in the AI adoption phase, with strategy adjustments and risk mitigation takeaways for platform operators:

1. Shifts in core enterprise demand: As foundation model capabilities gradually converge, enterprise demand for AI platforms has shifted from providing large model capabilities to providing stable low-cost Token supply and intelligent Agent scheduling and orchestration capabilities. Value has shifted from the model layer to the scheduling and orchestration layer. Platforms can prioritize building intelligent model gateways and Agent task orchestration capabilities to meet core enterprise demand.

2. Platform operation and recruitment directions: Agents, terminal-side AI and embodied intelligence are currently the hottest growth tracks. Embodied intelligence accounted for nearly a quarter of all WAIC 2026 exhibitors, making it the highest-traffic exhibition zone. Platforms can prioritize recruitment along these tracks to attract high-quality players, and can follow industry practice to offer free Token incentives for user acquisition to quickly grow platform ecosystems.

3. Risk mitigation suggestions: Foundation model development is a capital-intensive, high-barrier winner-takes-all sector. Small and medium-sized platforms should not blindly invest in in-house foundation model development to avoid the risk of massive unprofitable investment. Instead, they can focus on upper-layer application ecosystem services, build ecosystems based on existing mature open-source foundation models to significantly cut investment costs, and focus on their core strength of ecosystem operation.

Based on three years of on-the-ground observation at WAIC, this article summarizes the latest developments in AI industry adoption and open unresolved questions, with key takeaways for researchers:

1. Five core new industry developments: After three years of growth, the AI industry has moved from technology hype to the deep end of industrialization, with five key inflection points: First, AI form has shifted from text-based large models to terminal-mounted agents, and business models have shifted from selling capabilities to delivering completable tasks. Second, embodied intelligence has shifted from pursuing humanoid form to scenario adaptation, entering a new "one brain, multiple forms" stage built on general VLA brains. Third, the unit of measurement for AI infrastructure has shifted from FLOPS to Token, with competition now focused on output efficiency per Token. Fourth, competitive focus has shifted from model performance to engineering delivery systems, with engineering capability becoming the new moat. Fifth, China's position in global AI competition has changed: it has shifted from benchmarking Silicon Valley to pursuing an asymmetric open-source competition strategy, and is now integrating into the global developer ecosystem.

2. New questions worth in-depth research: The industry still faces multiple unsolved core problems: for example, model capability remains a bottleneck for embodied intelligence, and large-scale commercialization is just getting started; China's open-source models still face computing power constraints, and their cost advantage risks being offset by higher Token consumption; and the living space for middle-layer AI players is continuously shrinking, so the future evolution of industry structure remains to be seen.

3. New business model research directions: The industry has already seen multiple new business models emerge, including pay-per-Token, performance-based pricing, and value capture via open-source ecosystems. Their impact on the global AI industry landscape is worthy of in-depth research.

Disclaimer: The "Quick Summary" content is entirely generated by AI. Please exercise discretion when interpreting the information. For issues or corrections, please email run@ebrun.com .

I am a Brand Seller Factory Service Provider Marketplace Seller Researcher Read it again.

2026年,当WAIC的展馆里布满了极度注重算力和成本的边缘云网络、不再纠结于双足姿态的各类具身硬件、深入终端设备的轻量化模型、具备物理世界控制力的通用大脑,以及追求绝对确定性与高ROI的企业级系统时,一个极其清晰的行业结论已经浮出水面:人工智能不再是一场高高在上的技术神话,而是一场关于工程细节、成本控制、场景理解与商业闭环的硬核拉锯战。

作者|斗斗

出品|产业家

7月18日的上海,2026WAIC世博展览馆里,闷热、潮湿,但依旧人头攒动,人流量堪称史上之最。

在这里,可以看到无论是大厂,还是头部模型厂商,都在为Agent重新改造升级基础设施。

阿里构建起从芯片到云、到千问模型、再到阿里云百炼推理与智能体生态的五层全栈架构;腾讯展示了以混元底座、云算力和WorkBuddy、QClaw等Agent智能体为核心的全栈能力;大模型厂商阶跃星辰更是为智能体运行在底层重构操作系统,打造一个合适的运行环境。

还可以看到忙碌于各个产业场景的智能硬件。

机器人们正在药房为接单、取药、递交给客户;在工厂7?24小时稳定工作;在家庭中叠衣服、制作可口的饭菜。

然而在两年前,这里的展台大多摆着几台iPad或显示屏,演示内容是清一色的文本对话框。无论是写一首诗、总结一份PDF,还是生成一段营销文案,AI的能力被严格锁死在“屏幕之内”;至于模型层的竞争,大多还在围着模型参数和评分。

三年时间,AI在产业里的具体表达,已经发生了巨大的变化。从文本框里的能力,变成了看得见、摸得着、能干活的物理世界生产力。

站在展馆中心,不禁感叹,那场始于2023年末、狂飙于2024年的AI技术大雾,正在缓缓散去;而落下的水滴,已悄然渗入中国产业的泥土深处。

一个值得思考的问题是:过去这三年,AI在产业里的具体表达究竟发生了哪些变化?背后折射出怎样的底层产业逻辑变迁?

WAIC作为中国AI从“技术热潮”迈向“产业深水区”的晴雨表与第一现场,正在成为最好的观察对象。

站在2026年的时间坐标轴上回看,答案逐渐浮现。

一

从“屏幕文本框”到“终端硬件”,

AI开始拥有身体、岗位与KPI

过去三年,WAIC最为明显的变化,其实是AI形态的变化。

2024年的WAIC,主角还是基础大模型。展台中央滚动着参数规模、上下文长度、多模态能力和各类榜单,行业竞争围绕模型能力展开。

到了2025年,Agent第一次成为高频词,但更多还是模型能力的延伸,用来证明模型已经具备调用工具、执行流程的能力。

2026年,格局彻底改变。几乎所有头部企业都把Agent放在展台最显眼的位置,模型退到幕后,成为智能体的底层能力。腾讯展示WorkBuddy、CodeBuddy、Marvis等智能体矩阵;阿里重点展示钉钉AI、Qoder、秒悟;百度围绕DAA(日活智能体)串联起搭子、秒哒、一镜、小度搭子、伐谋等产品;科大讯飞则将星火AIPC、星辰Cowork、阡陌智能客服放在核心位置。

更大的变化在于,Agent开始拥有自己的终端。

WAIC开幕前,阶跃星辰发布大模型原生AI终端品牌STEPX,并推出首款大模型原生智能体手机STEPX Neo。现场演示中,用户只需提出出行需求,系统即可结合日程规划机票、酒店,并联动携程、支付宝等服务完成后续操作。

表面看,这是模型、智能体、终端的演进,本质上,其实是商业价值的迁移。

2024年,企业出售的是模型能力,客户采购API,按Token付费;2025年,出售的是智能体能力,一个Agent对应一个业务场景;到了2026年,越来越多企业开始出售工作结果,一个岗位、一段业务流程、一个可交付的KPI,逐渐成为新的商业单元。

商业模式开始出售结果,就需要能够承接结果责任的载体,这也是AI硬件快速升温的重要原因。终端拥有清晰的产品形态、交付标准和责任边界,更容易进入企业采购体系,也更容易形成持续运营能力。因此,STEPX争夺的并非手机市场,而是Agent运行环境。

同样的变化,也发生在端侧AI。

2024年,端侧模型还是少数公司的技术探索;2025年进入产品验证阶段;到了2026年,已经成为行业共识。WAIC期间,智源研究院联合端侧实验室发布报告,将2026年定义为端侧智能规模化落地元年,面壁智能CEO李大海也给出了相同判断。

这种判断的依据来自效率。

2026年5月,面壁发布的MiniCPM5-1B,仅以1B参数在Artificial Analysis上取得17.9分,只用了约1500万个输出Token达到这一水平,而更大规模的模型要达到相近水平,需要消耗超过2.68亿 Token,中间是十七倍的差距。

不难看出,模型竞争开始从"规模"转向"密度"。端侧也不是云端的补充或降级版,其是把智能的边际成本压向零的另一条路径,这个区别在2024年只是技术路线之争,到2026年已经变成了成本结构之争。而成本结构,决定了AI能不能被"用得起",也就决定了它能不能被"用起来"。随着智能成本持续下降,AI将真正进入手机、汽车、机器人等终端,形成大规模普及。

而在这种趋势下,中间层或将逐渐被抽空。

数据显示,基础大模型,已经从"百模"收敛到18家,做基础模型正在变成一门重资产、高门槛、赢家通吃的生意。留在中间不上不下的公司,要么向上走进应用和Agent,要么向下钻进芯片和Infra,要么向外长出终端。

百度提出用DAA替代DAU,这个指标的更换本身就是一次深刻的宣言:互联网时代的经营单位是"人",Agent时代的经营单位是"任务"。

二

告别人形执念与表演Demo,

VLA大脑开启“物理上岗”

具身智能,是过去三年变化最快的赛道。

2024年,“十八金刚”首次集体亮相,全国能够稳定行走的人形机器人仍屈指可数,展台比的是能不能站起来、走几步。

2025年进入人形机器人爆发期。跳舞、拳击、翻跟头、写毛笔字成为最吸引观众的展示内容,宇树展台长期排起长队,150多台人形机器人同场竞技,评价标准仍是动作难度。

2026年,具身智能首次独立成馆。H3馆聚集200余家产业链企业、300多台机器人,机器人与智能硬件企业达到242家,占全部展商近四分之一,成为WAIC最热门的展区。

但真正的变化,是技术路线。

第一,不再刻意强调人"人形"。银河通用Galbot G1与魔法原子Magicbot B1都是上半身人形双臂、下半身轮式底盘;逐际动力TRON 2能在双足、轮足和双臂形态之间切换,还能化身"人头马"。过去行业追求"越像人越先进",如今开始追求"什么场景适合什么形态"。机器人形态第一次开始服从任务,而不是服从人形。

第二,同一套模型开始套在不同的机器人身上。今年最典型的案例来自蚂蚁灵波。乐聚、星尘智能以及蚂蚁自研R-2三款不同品牌、不同构型机器人,在同一套LingBot-VLA 2.0模型驱动下,自主完成接单、取药、交付全流程,这套方案已经落地上海国大药房,并完成17家厂商、20多种机器人构型适配。

类似变化也出现在大晓机器人、RoboScience、普渡机器人等企业。"一脑多形""跨本体泛化"成为行业共同方向。

这两个现象背后,指向同一件事,那就是VLA模型开始具备跨机器人泛化能力,动作逐渐与硬件结构解耦,本体的差异化价值,正在被模型吃掉。

第三,评价标准发生了变化。过去展示的是Demo,今年展示的是交付能力。乐聚现场复刻工厂产线,并实时显示连续运行时长;智元发布远征A3 Ultra,支持7×24小时运行、自主充电和无人运维,并进入京东物流仓储场景。截至今年6月,智元累计量产机器人已突破1.5万台。行业开始关注连续运行时间、稳定性、任务完成率和规模化部署能力,而不是单次演示效果。

不过,一个清醒的观察是,在H3馆,很少看到企业把自家模型单独作为核心竞争力去展示,随处可见的仍是遥控驱动机器人做动作,只有极少数企业能用语音驱动完成打招呼、行走这类简单指令。模型仍然是具身行业最大的瓶颈。

还有一个被忽略的商业事实,宇树2025年人形机器人出货超5500台、营收17亿元,均价约16.8万元、毛利率高达62.9%,科创板IPO获批成为"人形机器人第一股",但其中超过七成来自科研教育。也就是说,行业里跑得最好的那家公司,赚的钱本质上仍是"卖研发工具"的钱,而不是"卖劳动力"的钱。

工业制造和家庭服务的订单占比还很低。真正的规模化,才刚刚开始。

三

从"堆芯片"到"造Token",

计算单位改写商业底层

基础设施,也发生了根本性变化。

2024年,比的是"有没有GPU";2025年,比的是"单卡性能";到了2026年,WAIC出现了两个高频词,那就是超节点和Token工厂。前者代表算力生产方式,后者代表算力消费方式。

生产侧,H2馆十余家芯片厂商今年都推出了自己的超节点产品。华为昇腾在黄金位置首次展出业界最大规模超节点Atlas 950 SuperPoD真机;中科曙光推出ScaleX十万卡超智融合集群;中兴通讯联合曦智科技、壁仞科技、沐曦股份打造国产Matrix超节点;燧原科技与中兴联合展出正交架构方案"云燧ESL64-O"。

对比感极强的是,去年WAIC,华为首次线下展出的还是昇腾384超节点,仅仅一年,展出重心就从384卡升级到8192卡超节点与50万卡级集群调度演示。

消费侧,"Token工厂"或类Token工厂的展台大概有二十多家,背后有硅基流动这样的AI Infra创企,也有润建股份、新华三这类正在转型的传统IT厂商。摩尔线程更是直接描绘了三座工厂,模型训练工厂、词元生产工厂、智能体生产工厂。

会场里,不少大模型和算力厂商举着"扫码领百万Token"的牌子游走,甚至有厂商开出千万Token的引流福利。

这种变化背后的本质,其实是AI基础设施的计量单位正在发生变化,从FLOPS换成了Token。

PPIO是一个典型样本。

WAIC期间,PPIO发布Agentic Cloud定位和智能模型网关,提出"Agent生产力=Token智能密度×Agent运行时长"。智能模型网关能够根据任务复杂度自动调度不同模型,高价值任务采用多模型交叉验证,普通任务调用轻量模型,将Token成本降低60%至80%;Agent Harness则负责任务编排、工具调用和记忆管理,延长Agent连续工作的时间。

截至2026年6月,PPIO平台日均Token调用量突破1.2万亿,同比增长超过8倍。更值得关注的是,这些调用全部来自企业付费客户。按照PPIO披露的数据,今年二、三月经历快速增长后,目前已进入每月10%至20%的稳定增长阶段。

这条曲线意味着,行业已经从尝鲜阶段进入ROI驱动阶段。

模型越来越多,真正稀缺的开始变成模型调度能力。当基础模型逐渐收敛、能力不断接近,价值开始从模型本身转移到调度层和编排层。智能模型网关的出现,本质上就是在解决"哪个模型最适合完成当前任务"的问题。

超节点的爆发,同样遵循这一逻辑。

随着MoE等架构普及,单机八卡已经无法支撑大模型训练,系统必须把数千张芯片连接成统一算力池,降低通信开销,提高单位Token产出效率。而在中国的语境里,超节点还有另一层意义,那就是通过系统架构和集群能力,弥补先进制程的不足,把竞争焦点从单颗芯片性能转向整体计算效率。

因此,2026年的基础设施竞争,已经不再是谁拥有性能最高的GPU,而是谁能够提供成本更低、效率更高、更稳定的Token供给。

Token也不再只是技术指标,而成为整个产业共同的商业语言。算力厂商计算每Token成本,大模型公司关注Token收入,企业客户衡量每Token带来的业务回报。润建股份甚至采用"免费开发、按Token收费"的模式,将软件服务转化为持续的Token消费。

这也是过去三年WAIC最深刻的变化之一,即基础设施出售的,不再只是算力,而是持续生产智能的能力。

四

从"能力涌现"到"可信上岗",

工程体系成了新护城河

如果说前三个变化对应的是技术形态,那么还有一个变化,对应的则是交付。

2024年,企业展台写的是“拥有大模型”;2025年,写的是“拥有行业模型、智能体平台”;到了2026年,越来越多企业开始展示准确率、任务完成率、评测轮次、投资回报周期等经营指标。

今年WAIC共有132家企业展示行业AI应用,覆盖17个细分领域。相比模型参数,一个词出现得越来越频繁,那就是“上岗”。

这意味着,AI开始从展示能力,走向交付能力。

背后的原因很简单。

大模型本质上是概率系统,而企业经营依赖的是确定性系统。企业不会因为“大概率正确”承担经营风险,因此真正决定AI能否进入企业的,不再是模型能力,而是一整套把概率变成确定性的工程体系。

这一变化,首先体现在AI能不能真正进入业务流程。

网易智企CEO阮良认为,能力涌现与生产力兑现之间,隔着的是知识沉淀、流程编排、安全治理等一系列工程能力。

围绕这一目标,网易智企发布企业级Agent平台“帝王蟹(ClawHive)”,把岗位经验沉淀成标准化技能包,让AI能够参与销售、客服、运营等完整业务流程;同时推出Agent Guard,对权限调用、工具使用和任务执行进行风险控制。

值得注意的是,这些产品真正解决的问题,并不是让AI回答得更聪明,而是让AI能够进入ERP、CRM、客服、销售等真实业务系统,成为企业流程的一部分。

第二个变化,是企业开始购买结果,而不是购买技术。

蚂蚁数科在WAIC发布商业智能体超级工厂Agentar 2.0,并提出“价值交付、效果付费”的商业模式。

这意味着,AI采购逻辑开始发生变化。过去,企业购买License;后来购买模型调用和Token;现在开始购买业务结果。

而支撑这一模式的,不是更大的模型,而是一套能够量化交付效果的评测体系。蚂蚁数科公开展示准确率、胜合率等指标,部分金融项目经过二十多轮评测才正式交付。

只有建立统一、可验证、可仲裁的评价标准,企业才敢按照最终效果付费。因此,评测体系正在成为企业AI时代新的基础设施。未来,谁定义行业验收标准,谁就拥有行业定价权。

第三个变化,是AI开始接受行业标准,而不仅仅接受模型排行榜。

海康威视是这一趋势最典型的代表。

不同于大模型公司从模型走向行业,海康选择从行业走向大模型。今年发布的《观澜大模型白皮书(2026版)》,重点展示的并不是参数规模,而是误报率、漏报率、部署效率等工业指标。

在钢铁、安全生产等真实场景中,相关产品将误报率降低95%以上。这些数字比模型排行榜更有意义。

工业现场并不关心模型是否排名第一,而是系统能否连续运行、稳定判断、长期可靠。一个频繁误报的AI,比没有AI更危险。

这意味着,AI第一次开始接受工业世界的评价体系。

回头看过去三年的变化,会发现企业关注的问题已经发生了根本变化。

2024年,讨论的是模型能力够不够强;2025年,讨论的是智能体能不能完成任务;2026年,讨论的是AI能不能上岗、能不能承担责任、能不能创造收益。

如果说模型决定能力上限,那么工程体系则正在决定商业上限。当AI真正进入企业生产流程,竞争焦点已经从模型性能转向交付能力、组织能力和运营能力。

工程体系,已然成为AI时代新的产业护城河。

五

从"对标硅谷"到"被硅谷对标",

开源成了非对称战场

而第五个变化,是其在世界坐标系里的位置移动。这一点,在2026年的WAIC上第一次变得无法忽视。

回看三年,2024年的WAIC,最大的流量来自外资。特斯拉带来Optimus二代全球首秀,展台被围得水泄不通,中国厂商的叙事高度统一,那就是对标GPT-4、对标Optimus。

2025年,DeepSeek之后,语气开始转变,但主流叙事仍是"性价比替代"。

2026年,月之暗面发布了2.8万亿参数的开源权重模型Kimi K3。而后续的连锁反应超出了所有人预期。独立评测机构Vals AI首席执行官Rayan Krishnan表示,根据其基准测试,K3综合性能稍逊于Anthropic的 Claude Fable 5,但已超越OpenAI旗舰模型GPT-5.6 Sol;

发布不到48小时,月之暗面因用户涌入、集群负载接近极限,宣布暂停C 端新用户订阅,把算力优先保障已订阅用户;

这种变化背后,真正值得关注的是,中国模型第一次开始影响全球开发者的模型选择。

更为重要的是,这代表着中国AI找到了一条不同于美国头部公司的竞争路径,那就是不完全依赖闭源订阅和算力壁垒,而是通过开放权重、低成本推理和快速迭代,把模型变成全球开发者可以直接使用的基础设施。

这是一场由资源差距逼出的非对称竞争。

高盛研究的共识预测显示,以美国超大规模厂商为主的资本开支2025年约4000亿美元,2026年将超过5200亿美元;而据瑞银测算,中国主要互联网平台去年合计支出约570亿美元,大约九分之一。 同期,OpenAI被曝把2030年前的算力预算预测从6000亿美元上调至7500亿美元。

在这种资本密度差距下,正面比拼"谁堆得起更大的模型",是一场结构性输掉的战争。Kimi K3的 2.8万亿参数,相比前沿闭源模型5 万亿到10万亿的量级仍有差距;它发布48小时就因算力不足暂停新订阅,本身就是这个天花板最直白的注脚。

所以中国AI换了个战场,选择把模型做成公共品,让价值沉淀到应用层、硬件层和场景层,而这恰好是中国最强的地方。

这套逻辑的效果,已经被第三方数据验证。MIT与 Hugging Face研究者的统计显示,在截至2025年 8月的一年里,中国开源权重模型占全球模型下载量的17.1%,首次微弱超过美国的15.86%;a16z合伙人Martin Casado对《经济学人》的说法更直观:他们看到的初创公司里,大约有八成概率在使用中国的开源模型。

美中经济与安全审查委员会(USCC)今年3 月的一份报告,把这套机制概括为"扩散—创新反馈循环",简单来说,就是中国实验室虽然发布的开源权重模型总数未必最多,但许可更宽松、迭代和被采用的速度更快,从而形成了一个共享的技术公地,抬升了整个生态的能力水位。

WAIC现场已经能够看到这种位置变化。

比如智谱的GLM-5.2是当时榜单上排名最高的开源模型;MiniMax的 M3采用自研MSA稀疏注意力架构,总参数428B、激活仅23B,并完成了国内外主流芯片平台的Day 0适配;面壁的MiniCPM累计下载3800万次、GitHub星标超14万,一路装进了三星的手机和吉利、马自达的座舱。

这意味着,中国模型开始从“对标对象”变成“研究底座”和“比较基准”。

前者只能证明能力接近,后者则意味着技术路线已经进入全球知识生产体系。一个模型被写入论文、成为基准、进入开发框架,其产业影响力往往超过一次榜单领先。

这一变化还在从模型层延伸到标准层。

中国AI过去出海,主要输出硬件、云服务和行业产品。到了2026年,产业开始尝试将模型生态、算力架构、接口标准和治理框架一并输出。例如昇腾服务器、光模块、液冷设备、通信设备、行业大模型、机器视觉产品,都可以进入海外市场。而这随着中国企业逐渐掌握定义接口、标准和部署方式,将直接提升产业地位。

不过,这种变化仍需保持克制。

中国开源模型当前最突出的优势,仍集中在成本、开放程度和部署效率。面对复杂推理、高风险决策和关键代码任务,全球企业依然更倾向于调用性能更强的闭源模型。低Token单价也不等于低任务成本,模型若需要消耗更多Token、运行更长时间,最终成本优势会被削弱。

算力约束同样没有消失。模型发布后出现服务拥堵,说明中国AI在训练与推理资源上仍面临现实天花板。开源可以放大生态影响力,却无法替代芯片、算力和资本投入。

因此,2026年的真正变化,并非中国AI已经完成全面领先,而是竞争位置发生了改变。

2024年,中国企业主要证明“能够追上”;2025年,证明“能够以更低成本做到”;2026年,则开始证明“全球开发者愿意基于中国模型继续开发”。

从对标前沿,到进入全球生态,再到参与制定标准,中国AI开始拥有比模型排名更长期的产业影响力。但最终能否把开源影响力转化为商业收入、技术标准和持续创新能力,仍将决定这场位置移动能够走多远。

写在最后:

从2024到2026,三届WAIC就像一部AI产业的“祛魅史”。

我们见证了技术狂热时的“万模大战”与“黑盒神话”,也经历了产业落地时的“幻觉阵痛”与“PoC泥潭”。到了2026年,当WAIC的展馆里布满了极度注重算力和成本的边缘云网络、不再纠结于双足姿态的各类具身硬件、深入终端设备的轻量化模型、具备物理世界控制力的通用大脑,以及追求绝对确定性与高ROI的企业级系统时,一个极其清晰的行业结论已经浮出水面:人工智能不再是一场高高在上的技术神话,而是一场关于工程细节、成本控制、场景理解与商业闭环的硬核拉锯战。

只有那些真正把概率型AI改造成确定性生产力、能让企业客户“放心雇佣并持续付费”的企业,才能在这条陡峭而真实的AI落地曲线上,握住通往下一个时代的入场券。

注:文/产业媒体,文章来源:产业家(公众号ID:chanyejiawang),本文为作者独立观点,不代表亿邦动力立场。

文章来源:产业家

广告
微信
朋友圈

FAQ回顾

2024到2026年中国AI产业落地有哪些核心变化?

核心变化分为五大方向:一是AI从屏幕文本能力转向可交付KPI的终端服务,二是具身智能放弃人形执念转向场景适配与规模化交付,三是算力竞争从堆芯片转向高效Token供给,四是竞争重心从模型性能转向确定性工程体系,五是中国AI开源模式开始影响全球生态。

端侧AI的发展趋势是什么?

2024年端侧AI还属于少数企业的技术探索,2025年进入产品验证阶段,2026年成为行业共识,被定义为端侧智能规模化落地元年。当前模型竞争已从“规模”转向“密度”,端侧AI可大幅压低智能边际成本,将逐步进入手机、汽车、机器人等终端实现大规模普及。

AI落地企业的核心难点是什么?

大模型本质是概率系统,而企业经营依赖确定性系统,企业不会为“大概率正确”承担经营风险。核心难点是要建立将概率转化为确定性的工程体系,覆盖知识沉淀、流程编排、安全治理、效果评测全环节,满足企业准确率、稳定性、ROI等经营指标要求。

中国AI产业在全球的竞争优势有哪些?

中国AI选择开源权重的非对称竞争路径,开源模型许可更宽松、迭代和被采用速度更快。2025年中国开源权重模型全球下载量占比首次超过美国,近八成海外初创公司使用中国开源模型,在成本、开放程度和部署效率上具备突出优势。

这么好看,分享一下?

朋友圈 分享

APP内打开

赞 +1
+1
微信好友 朋友圈 新浪微博 QQ空间
关闭
收藏成功
发送
/140 0