“下一輪的AI，賣的不是工具，而是收益。”在150位全球頂尖AI創始人齊聚的紅杉資本會場之中，大家得出了這個觀點。而當AI從技術走向應用落地的過程中，企業應當如何做，才能以更具“性價比”的方式，更快、更好地落地？

在鈦媒體2025 ITValue Summit前瞻之AI落地指南系列直播中，鈦媒體集團聯合創始人、鈦媒體研究院院長萬寧與阿里云智能集團智能工業與物聯部總經理許咼兢、瀚藍環境副總裁曾飛對話，圍繞企業AI如何落地、技術復制等話題展開了討論。

瀚藍環境深耕垃圾固廢處理行業已經近二十年，是國內環境服務業十強、固廢處理十大影響力企業，垃圾焚燒規模近10萬噸/日，位居A股第一、行業前三，通過將多年積累的行業Know-How，加上阿里云提供的在AI方面的能力，打造了智能垃圾焚燒的典型案例。雙方從2019年開始合作，一直秉持著創新的理念，探索如何能夠提升垃圾焚燒過程中的無人化水平、穩定度以及減少垃圾焚燒過程中污染物的排放。

在分享中，曾飛表示，垃圾焚燒處理是一個很復雜的系統，一方面要面對焚燒過程中的精準調控難題：爐內的燃燒溫度、空氣配比等參數需實時匹配垃圾特性變化，既要保證充分燃燒，又要避免過度消耗能源或產生二次污染，對調控精度要求極高。另一方面，也要面臨系統協同的挑戰。垃圾預處理、焚燒、煙氣處理、余熱利用等環節環環相扣，任一環節效率不高都會影響整體系統效能，需實現各環節的高效協同。

面對這些痛點，瀚藍環境多措并舉，一是通過設計優化和技術改造來實現設備提效；二是通過提升運營團隊能力和精細化管理來實現運營提升。“尤為重要的，是大力引入人工智能技術，2019年瀚藍聯合阿里云成功打造焚燒爐排爐技術上的行業首個垃圾焚燒AI系統，目前已應用在18臺焚燒爐上，通過智能化手段優化燃燒調控，有效提升整體焚燒效率。”曾飛強調道。

針對工業領域的AI落地，在許咼兢看來，AI技術想要更好地落地到行業中，需要集合行業特定的場景、特定的行業數據，以及企業需求AI落地后產生的價值來推進。

與此同時，許咼兢還分享了阿里云在如何選擇AI落地場景方面的些許經驗，他指出，首先，以制造業為例，制造業可以分為“5+2”個環節，即研產供銷服+金融和管理。阿里云一直秉持生產制造環節是制造業AI應用能產生最大價值的環節，“生產制造環節作為一個既難，又有價值的場景，更值得我們深挖。并且，在過去一段時間內，用戶需求也很強烈，這就是為什么我們會投入到這些場景里的原因。”許咼兢強調。

在生產環節，阿里云會選擇一些高價值設備，且工藝相對復雜的行業作為切入。“因為復雜，所以需要AI，如果太簡單，可能數字化技術就能提升效能了，而AI在這個行業里面的提升效能可能就沒有那么大了。這是我們在選擇行業和場景過程中，基本的判斷。”許咼兢進一步指出，此外，還要看技術在場景中的適配性，并且要形成具有可執行性的閉環。

而垃圾焚燒領域就是一個滿足許咼兢所述的垂直場景。在分享中，曾飛也表示，當前，AI技術在垃圾焚燒領域的應用已從局部試點進入規模化落地階段，行業頭部企業也都在大規模探索開發和應用AI技術。

以瀚藍環境為例，“焚燒工業大腦”已在9個項目、18臺爐上部署，實現自動投運率超90%，顯著提升燃燒效率并降低人工操作強度。視頻智能識別、車輛智能管理等場景已覆蓋數十家子公司，形成“數據驅動+主動干預”的閉環管理，實現AI應用從單一驗證轉向全流程覆蓋。

與此同時，曾飛還分享了瀚藍環境在企業AI業務升級改造的關鍵路徑，他指出，企業若想通過AI實現業務升級，可以聚焦三大核心環節：

1.精準感知。利用分布在各環節的傳感器與智能視頻分析（如料層狀態、設備運行、煙氣排放、卸料平臺安全等），實時、全面采集運行數據，實現對工藝狀態和環境參數的有效洞察。

2.動態預測。基于海量歷史與實時數據，利用AI建立燃燒模型、煙氣排放模型、設備管理模型等。它能提前預判燃燒狀況變化、關鍵污染物（如NOx）濃度趨勢、潛在設備異常等，為主動干預提供依據。

3.協同控制。AI系統綜合感知與預測結果，通過智能算法自動協調風量、給料速度、爐排運動等關鍵參數，實現燃燒過程的動態最優控制，替代傳統依賴人工經驗的操作。

附上本期直播時間軸，幫你快速跳轉感興趣的部分

00:08:56 國內垃圾焚燒三個階段

00:23:40 企業如何完成“場景捕捉”？

00:29:48 瀚藍環境AI+垃圾焚燒應用分享

00:42:18 阿里云如何幫助客戶梳理場景

00:48:18 瀚藍環境未來AI應用布局及啟發

以下為對話實錄，經鈦媒體APP整理：

萬寧：如何看待中國在垃圾焚燒、垃圾處理等產業的發展？

曾飛：中國垃圾焚燒產業的國產歷程，大致可分為三個階段：

1.進口技術引進階段：早期國內面臨“垃圾圍城”困境時，垃圾焚燒技術主要依賴從歐美、日本等國家引進，比如行業內企業引進包括日立、卡萬塔、馬丁爐等技術。以瀚藍為例，并購南海環保電廠時，該電廠原使用美國拋動式焚燒爐，在2008年建設新廠時引進了日本三菱的馬丁技術。

2.本土化適配與國產改造階段：隨著國內垃圾焚燒發電項目增多，企業開始結合中國垃圾含水率高、成分復雜、熱值低等特點，對引進技術進行本土化改造，并實現國產。新世紀、三峰、光大等企業紛紛實現了國產設備的突破，瀚藍聯合三菱匹配中國國內垃圾成分特點，開發出行業首臺三段式V型焚燒爐，其爐渣熱灼減率、氮氧化物排放等指標優于同類型設備。

3.技術升級和海外輸出階段：在消化吸收和本土化基礎上，國內企業開始推進技術創新，利用中國垃圾量大、智能化技術先進的優勢，在大型化、智能化等方面加大了創新開發力度。同時，這個階段，國內企業也將技術升級后焚燒爐技術出口至海外，實現了中國企業在垃圾焚燒核心技術上從“引進來”到“走出去”的突破。以瀚藍為例，瀚藍聯合三菱開發出750噸、900噸的大型焚燒爐，并與阿里云共同研發了智慧算法焚燒模型，將原來的大工業時代的裝備+工控，升級為裝備+算法（數據）控制模式，創造了智慧控制（無人化）的新未來。2024年，V型爐技術也成功反向輸出至海外。

萬寧：阿里云在“智能工業”這個業務板塊的情況，以及在垃圾處理細分領域的技術突破有哪些？

許咼兢：阿里云智能集團是以云計算技術和AI技術為主的這個技術服務的公司。公司服務面向了包括制造業、交通、政務等在內的企業與機構，為他們提供云計算和AI技術支撐。

這其中，智能工業板塊是將整體阿里云智能集團通用的AI技術落地到工業行業里。從2017年開始，智能工業板塊就將“工業大腦”這個品牌輸入到工業行業內，而垃圾焚燒僅是輸出的眾多工業行業中的一個。當時還涉及了鋼鐵、水泥，還有包括汽車、半導體、光伏等產業，在這些行業中，阿里云通過大量的AI技術和數據技術幫助企業實現降本增效。

在阿里云看來，AI技術想要更好地落地到行業中，需要集合行業特定的場景、特定的行業數據，以及企業需求AI落地后產生的價值來推進。

具體到垃圾焚燒來說，從2019年開始，阿里云就與瀚藍環境展開合作。那個時候垃圾還是“多到燒不完”，而發展到今天，垃圾行業開始“不夠燒”的情況。2019年開始合作的時候，雙方還是秉持著創新的理念，探索如何能夠提升垃圾焚燒過程中的無人化水平以及穩定度。此外，還能減少垃圾焚燒過程中污染物的排放。

關于為什么國外不需要AI技術，而國內需要通過AI技術的問題？第一，因為國內生活垃圾的豐富度與國外不同；第二，垃圾焚燒過程與火力發電過程不同，相對來說垃圾焚燒熱值不穩定，這導致了原有的ACC的控制技術在國內垃圾焚燒領域并不可用。

這兩方面促成了阿里云與瀚藍環境的合作。合作之初雙方有三個共同目標。第一，實現焚燒爐控制的自動化運行；第二，在提升自動化水平的同時，提升整體運行的穩定度，并且控制頻率和清晰度等方面都要提升；第三，在前兩條的基礎上，提升垃圾焚燒產生的蒸汽量和發電量，達到更好的經濟效益。

所以阿里云就委派了有熱工+控制+AI技術融合背景的工作人員到現場駐場了幾個月，學習如何燒垃圾，并很快推出了第一版成果。第一版中，我們使用了AI技術，進行了推優算法，產生了建議參數，并通過現場人工，進行控制調節。但因為當AI技術落地到產線時，人對AI技術相信程度的差異，導致了第一版的效果并不是很好。具體來看，如果員工不愿意（通過AI給出的反饋）進行參數調節的話，得到的反饋，以及后續學習的數據不足，迭代效果就不好。

后來經過多輪離線驗證，以及結合瀚藍環境給出的建議，我們將自動化反控放在了產線上，在測試基礎上，達到了98%以上投用率，同時發電量也得到了提升。

萬寧：追問一下，兩個問題：一，在確定AI應用場景過程中，如何實現“場景捕捉”？二，在捕捉環節，阿里云智能集團內部是如何進行場景決策的？

許咼兢：我們這些也總結出了一些經驗，第一點是，制造業一共有五個環節——研產供銷服，最多再加上金融和管理環節。這是制造業所面臨的“5+2”環節。我們團隊一直秉持了一個理念——生產制造環節產生的價值是最大的（當然研發環節也很重要，但研發環節涉及的各個垂直領域的情況比較多）。所以一開始我們針對不同行業在研產供銷服，再加上金融、管理一共7大領域到底有哪些有價值的場景。而這方面光看報道、宣傳是沒用的，需要“躬身入局”到行業中，與行業用戶一起深度共創，才能找到有價值的場景。

對于我們團隊而言，更重要的使命是集中在偏生產環節進行AI落地。因為營銷和服務環節，相對而言比較通用，市面上也有很多相關成熟的數字化產品。而生產制造環節作為一個既難又有價值的場景，更值得我們深挖。并且，在過去一段時間內，用戶需求也很強烈，這就是為什么我們會投入到這些場景里的原因。

具體到行業選擇來說，我們會選擇一些高價值設備，且工藝相對復雜的行業作為切入。因為復雜，所以需要AI，如果太簡單，可能數字化技術就能提升效能了，而AI在這個行業里面的提升效能可能就沒有那么大了。這是我們在選擇行業和場景過程中，基本的判斷。

第二個，要看技術在場景中的適配性。作為技術人員一定要有對場景與技術匹配度的認知，然后選取合適的技術去解決這個場景下的問題，并評估解決問題的價值是否足夠大到需要花費精力去解決。

第三個，要形成閉環，要在環路能具有可執行性。可執行性就是我們開發的程序要與IT系統、硬件設備有直接能夠“打交道”的能力。

基于此，我們有兩個重要的核心能力，一個是物聯網的能力，另外一個是，圍繞原有工控領域，有深刻的認知，能控制原有的、復雜的設備。

萬寧：與阿里云合作，共同推進垃圾焚燒行業形成一個新的、安全的、環保的完整閉環的過程中，瀚藍環境有何經驗可以分享？

曾飛：首先，瀚藍環境一直在創新和新技術探索領域秉持著積極的態度。在2008年構建焚燒爐之初，我們就把信息化作為設計、建設過程中一個重要的考量因素。當時在焚燒爐里面，就布設了上千個傳感器，雖然當時還沒有很好的應用場景，但這可以看作是瀚藍環境在信息化方面超前的布局。也正是這種布局，提前進行了數據采集，并積累了多年的數據，形成了歷史數據庫，才奠定了瀚藍環境與阿里云合作的基礎。

在將AI技術引入到垃圾焚燒領域之初，我們其實并沒有很清晰的方向。而當時業內對于我們這類有一定信息化、自動化基礎的企業，能否發掘AI價值，還存在爭議，且當時在垃圾焚燒領域的智能焚燒方面也并沒有成功的應用案例。

所以瀚藍環境在與阿里云交流過程中，只能基于一個理念：我們認為AI一定能在這個領域大有可為，是基于這樣“模糊正確”的理念啟動項目的。

項目啟動之初，我們也基于如何尋找應用場景？如何能夠讓AI在垃圾焚燒領域發揮價值？等問題進行了深入討論，當時阿里云拋出了“垃圾焚燒行業最大的痛點是什么？”的問題。進行反向思考。我們就找到了對于垃圾焚燒行業而言，非常重要的一個影響因素——垃圾場的復雜性和不穩定性。

垃圾焚燒處理是一個很復雜的系統，一方面，面臨著整個焚燒過程的精準調控，要對爐內焚燒溫度、空氣配比等參數，進行實時匹配，以應對垃圾成分的變化；另一方面，又同時面臨著系統協同的挑戰，比如垃圾預處理、焚燒、煙氣處理等環節，環環相扣，任何一個環節效率不足，都會影響整體效能。需實現各環節的高效協同。但關鍵是，垃圾的特性是復雜、多變的，垃圾成分受來源、天氣、時間段等多方面因素的影響，含水率、熱值等波動大，會直接影響焚燒爐內的干燥、燃燒過程，難以維持穩定的燃燒狀態，這就反過來對于需要精準調控和系統協同的焚燒運營產生了巨大的挑戰。

因此，基于由于垃圾成分的不穩定性和復雜性，要想實現垃圾的充分穩定燃燒，僅靠自動控制是難以滿足不同垃圾成分下的焚燒穩定性需求的，就需要運營人員不斷結合實際情況進行運行調整，這就需要運營人員得有豐富的運行經驗和專業的判斷能力。但是，我們也知道，一個專業老師傅的培養是很不容易，需要大量的實踐且培養周期較為漫長。所以，怎么實現老師傅能力的快速轉化是一個很大的難題。

針對這些難點，瀚藍多措并舉，一是通過設計優化和技術改造來實現設備提效；二是通過運營團隊能力提升和管理精細化來實現運營提升。尤為重要的，就是大力引入人工智能技術，2019年我們聯合阿里云成功打造焚燒爐排爐技術上的行業首個垃圾焚燒AI系統，目前已應用在18臺焚燒爐上，通過智能化手段優化燃燒調控，有效提升整體焚燒效率。

萬寧：在與瀚藍環境這樣的行業企業合作的過程中，除了技術適配性之外，阿里云的團隊又是如何將模型架構能力等技術能力更好地融合到場景中，幫助行業企業實現更大的價值的？

許咼兢：從阿里云的角度出發，某個行業實現真正的數字化和智能化變革，除了需要像阿里云這樣的IT服務商、AI服務商之外，最重要的還是需要行業用戶對自身數字化、智能化的認知，不斷地轉變和升級。這樣才能給行業帶來機會。在與很多用戶交流中，我們發現，對于絕大多數場景，用戶對于數字化、智能化能給他帶來哪些價值的認知，在一開始是比阿里云團隊要高的。

此外，如何能夠將技術，不斷規模化拓展到不同行業中，這取決于我們對技術本身的抽象能力。比如在垃圾焚燒行業，我們抽象的是AI融合控制的能力；在鋰電池、半導體等行業，他們對質量控制，以及良品率的訴求很強，（在服務這些客戶過程中）我們又沉淀了基于時序模型預測，以及異常診斷的能力。

綜合來看，將不同行業、不同場景中有價值的需求，沉淀到技術通用性與技術一致性上，就需要我們的業務專家、技術專家不斷提煉。更重要的一點是，需要他們與客戶一起梳理場景，探討什么樣的技術能解決他們的問題。

這個過程中，我們從客戶身上學到的東西，遠比我們“閉門造車”自己分析和討論得到的多。比如，有些客戶對質量爬坡要求比較高；有些客戶對能耗節約要求比較高；有些客戶對全鏈路數字化、智能化需求比較高.....正是這些客戶幫助我們梳理出在制造業里面各類場景，然后再通過數字化、智能化的技術進行提升，尤其是圍繞一些重點能做的場景，進行深入地改造。

這也讓我們認識到了：阿里云雖然在AI技術上不斷更新迭代和進步，但在真正將AI落地到行業中，也不是什么都能做，還需要很多合作伙伴與我們一起，推進AI落地。但同時，阿里云也證明了AI技術能在某個領域落地，產生價值，然后引領行業的合作伙伴，一同落地AI的場景，推動AI在行業的發展。

萬寧：目前，瀚藍環境以及在AI應用上取得了一些成績。接下來，在AI落地到垃圾處理領域，瀚藍環境有哪些預期和新的布局？

曾飛：前期，通過與阿里云的合作，我們驗證了AI在垃圾焚燒領域大有可為。在驗證之后，我們要將AI應用從試點，推進到規模化落地階段。

以瀚藍環境為例，“焚燒工業大腦”已在9個項目、18臺爐上部署，實現自動投運率超90%，顯著提升燃燒效率并降低人工操作強度。視頻智能識別、車輛智能管理等場景已覆蓋數十家子公司，形成“數據驅動+主動干預”的閉環管理，實現AI應用從單一驗證轉向全流程覆蓋。

近期瀚藍也成立了人工智能聯合研究院，率先打造國內首個專注生態環境治理領域的“行業超腦”與“企業超腦”，以行業領先的人工智能技術賦能生態環境治理，為推動我國環保產業實現數智融合轉型樹立全新標桿，并與瑞泊科技等領軍企業一起共建“人工智能助力綠色發展生態圈”，未來將合力開展高質量人工智能科研實踐，構建環保行業超腦集群核心引擎，打造普惠化通用技術平臺與開放生態，引領智能環保新格局。

萬寧：在AI從單點向著規模化轉變的過程中，AI在企業內部應用需要有賴于一個豐富的生態支持，在此過程中，阿里云是如何考慮的？雙方在AI應用合作的過程中，還有哪些新的挑戰？

許咼兢：正如我前面說的：當前，AI在行業中落地的過程中，并不是需要像阿里云這樣的公司，一家公司就全部做完的。我們也有很多合作伙伴，使用了阿里云開源的模型產品，以及一些基礎設施，在AI落地方面做了很多工作。并且，以垃圾焚燒行業為例，阿里云也與一些行業垂類軟件伙伴合作，一起服務客戶。

此外，在AI做了點狀突破之后，當用戶有了更多的需求的時候，我們一定要與生態伙伴一起服務客戶。所有不成功的數字化案例，最終不成功的原因，很多時候都是因為只看到了碎片化的供給，并沒有一個完整的數字化、智能化轉型的方案。如果有更多的伙伴加入其中，我們相信客戶才能持續的成功，達到想要的目標。

同時，以垃圾焚燒為例，我們自己也沒有止步于垃圾焚燒自動控制這個點。我們也與瀚藍有著深入的合作，尤其是在大模型問世之后。比如，垃圾投運助手。通過助手可以幫助操作員，更好地理解操作過程中，含氧量波動、溫度波動等方面的數據，減少切換自動控制系統的概率，提升投運率，更好地完成垃圾投運。同時，也讓操作員更好地理解過程中實際需求的業務知識。縮小新手操作員與老師傅之間的差距，不斷提升操作員的能力。

除此之外，除了大語言模型應用以外，我們還使用了時序模型、視覺模型等模型，在垃圾焚燒行業也已經有一些落地的應用場景。以智能控制鏈路來看，我們圍繞感知、預測、控制三個角度。在控制邏輯上，我們將焦點放在了垃圾上。通過視覺多模態大模型，進行垃圾成分和屬性識別。之前做的之所以做得不少，是因為缺乏一些專業的、描述性的標注。完成這些標注之后，我們也提升了垃圾成分、屬性識別的效果。僅做視覺半定量識別還不夠，我們還基于瀚藍環境已經做的數字化改造的智能垃圾庫，采用了垃圾吊運行數據、推標器和爐排的運營數據，還有爐溫變化的數據，然后利用多模態視覺大模型的半定量結果，就能做到垃圾熱子更高準確率的預測。

這就是我們圍繞原本焚燒過程智能化為核心，進行拓展后得到的提升。而阿里云也不會滿足當前的成果，會在原有成果的基礎上，不斷更新迭代自己的技術，拓展能力，同時也和更多合作伙伴一起，服務好我們的客戶。

萬寧：如何將高質量行業專有數據與AI技術結合，并充分發揮阿里云與瀚藍環境各自的優勢？

曾飛：從兩個方面回答這個問題。

第一個是，如何將應用場景（需求方）與阿里云（技術供應方）形成良好的互動？

以“焚燒大腦”項目來看，整個焚燒大腦算法模型的建立過程就是，將瀚藍環境這種運營企業，對于運營規律、設備邏輯的理解進行轉化，將復雜的工況變化、設備狀態等變量，轉化成一個更為精準的模型/策略。基于人總結出的規律和邏輯，進而通過算法模型實現能夠代替老師傅經驗的能力。這是AI算法模型實現的一個價值。

反過來看，AI算法模型的一大價值在于，其還能夠利用大數據去推演總結出我們受限于應用實踐難以提煉的規律和邏輯，從而讓我們的焚燒過程更加穩定和有效。那么，對于這些新的規律和邏輯的價值挖掘，我覺得還可以再進一步提升，即如何將之反過來作用于我們的設備技改優化和運營調整，如何將之復盤尋找我們的專業和管理認知，提升運營的方法論，最終實現算法和實踐的相互促進相互提升，推動系統的全面提升，這是我覺得可以進一步提升場景上限的地方。

第二，如何通過生態解決模型“幻覺”問題。這也是我們成立人工智能研究院的一個目的。首先，通過阿里云構建的通義千問大模型底座，進而在具體到環保行業和企業，我們需要將這些沉淀的知識進行轉化。這方面，瀚藍環境在研究院基礎下，聯合了具有自研高等級大模型能力的企業，共創行業級大模型，并在行業大模型基礎上，創建企業級大模型。

除此之外，第三個是，在生態層面，瀚藍環境還聯合了像京東、浪潮等企業，打造應用生態，形成了基于阿里云大模型底層，開發行業操勞和企業操勞，并實現更有價值的知識的沉淀，并在此基礎上，聯合生態進行共創，打造整體的數據中臺能力。

萬寧：企業如何制定AI戰略？瀚藍環境在這個過程中遇見了哪些挑戰？

曾飛：不管是信息化，還是AI，在模糊正確的情況下，如何形成上下共識，并推動整個制定戰略，是一個很實際的問題。

初期階段是很難形成一個非常系統，達成共識的戰略方案的，在探索階段，是會存在企業內部有不同的見解的。因為企業都在追求ROI（投入產出比），但信息化、AI的投入，在初期階段，很難具備確定性，不確定能否帶來價值，能否成功。在這種情況下，企業很容易對投入持有猶豫不決的態度。

針對此，瀚藍環境有一些經驗，一開始不要追求宏大的、系統性的方式策略，而是先找到一個小的應用場景，作為切入點，驗證新技術的可行性。這個技術能否帶來價值，能否解決業務的問題。通過小場景的成功，證明新的技術能夠解決業務難題，進而不斷達到共識，并大面積推廣。

以與阿里云在焚燒大模型方面的合作為例，如何一開始我們就與阿里云構建AI整體的五年/十年發展戰略，確實很難清晰，而且員工的意識很難達到統一。所以我們先找切入點，先解決一個痛點，驗證AI技術在這個領域可以成功，并具有廣闊的推廣空間，進而凝聚團隊共識，加大在AI技術方面的資源和投入。

整體來看，瀚藍環境從2018、2019年前后，到2025年，花費6、7年的時間，從小切入點實現點的探索，進而實現面的推廣，再到未來我們有更宏大的遠景的規劃。

萬寧：阿里云與其他行業企業合作的過程中，是否也是與瀚藍環境這樣，從小場景切入，再推廣，在這個過程中，是否存在更為復雜的企業，以及在挑選場景和場景驗證過程中，還面對了哪些挑戰？

許咼兢：小場景方面，在瀚藍環境而言，可能一個廠、一個爐子是一個小場景，但如果放在整個行業，以及放在所有需要做AI+控制的場景中，將這個場景的AI應用復制出去，就不是一個小生意了。所以，其實小場景放在更大行業范圍內，并不小。

此外，阿里云還是一個產品公司，產品公司不能什么都做，產品做好之后，要具備核心競爭力，并不斷演進，同時還要找到合適的市場，并不斷復制產品的能力。

阿里云在做垃圾焚燒之前，就已經在鋼鐵、水泥，還有一些高能耗工藝空調控制等方面有了很多積累。這些積累能讓我們在與瀚藍環境在垃圾焚燒領域的合作，取得了更好的進展。阿里云復制AI的套數很多，所以小場景放在整個行業，甚至跨行業里面，仍然是一個很大的市場。并且，我們能夠將AI技術跟控制融合，形成一個非常好的產品，能讓行業內更多客戶享受到技術紅利。

同時，阿里云也有很多其他產品，能夠覆蓋這些場景和環節。在這個過程中，我們還可以將更多阿里云的技術，以及合作伙伴的技術和產品帶進去，實現更廣的覆蓋。而阿里云也歡迎更多的伙伴，用基礎的技術，持續服務行業，并在此過程中互相學習和提高。

萬寧：現在，國內垃圾焚燒技術其實已經非常先進了，這也是中國企業“出海”的優勢。包括瀚藍環境在內，很多國內龍頭企業已經去海外布局，國外的垃圾焚燒情況和國內有什么不同？

曾飛：海外市場機遇很大，挑戰也很大。首先是市場需求的差異，海外市場有著廣闊的市場機遇：國內生活垃圾焚燒行業已逐步由“規模擴張”向“技術升級、運營為王”轉變；垃圾焚燒發電市場逐步向中西部縣域下沉。而海外仍然有著巨大的市場需求，尤其是在發展中國家如中亞、東南亞、西非等，焚燒行業正在起步。在這些地方有著巨大的機遇。

挑戰方面，首先是政策支持差異：不同于國內有詳盡的政策支持及審批程序，海外不同國家和地區政策支持差異較大。歐美國家具有較為完善的政策支持及市場化競爭機制；而一些發展中國家如東南亞、中亞國家，垃圾焚燒發電起步較晚，尚未形成體系完善的支持性政策，或是雖有部分垃圾焚燒發電產業政策，但缺乏統一的補貼機制等。

第二是技術標準差異：海外市場的標準體系大多以歐美國家的標準為基礎，這與中國現行的國家標準存在差異。這意味著企業要在技術層面達到或超越國際標準，在一定程度上增加了技術適配性難度。

第三也存在垃圾成分與熱值差異：由于國內外生活方式不同，導致垃圾在成分與熱值方面也會存在不同，需要結合當地垃圾情況，對焚燒設備的針對性優化和改進（比如熱值高帶來的超溫應對措施等）。

同時，中國企業出海，還面臨地緣政治、政策風險、法律風險、風土人情、ESG等方面因素的影響，需要做更多的補充和調整，以滿足國際市場的準入要求。

萬寧：在幫助中國企業全球化方面，阿里云有哪些考慮和布局？

許咼兢：其實在很多場景里面，阿里云已經在用數字化技術和云技術幫助客戶出海。但在AI方面，尤其是國內制造業領域而言，更多的是客戶帶著我們出海。比如垃圾焚燒、水泥這些行業，實際上已經是跟著客戶一起出去，就是客戶出海，然后將使用的我們的智能化技術和數字化技術帶出去。

當然，國外也有國外的挑戰，特別是在“一帶一路”國家海外業務布局和復制場景里，其實國外在工業領域對無人化的訴求更高。因為語言、政治上的一些問題，其實我們更傾向于工廠自動運行和自動控制方面，能夠盡量實現無人化和少人化，進而提升工廠運轉的穩定性。這些看起來是挑戰，但對于技術團隊而言，也是一個大機會。

如何能夠提升無人化水平和穩定性，并讓我們的客戶出海的過程中更加方便，與本地特征的適配性更高。

在此過程中，我們還是首先要將如何服務好這些國內出海的工業客戶，對于阿里云來說都是機會。同時，還要將海外落地中國的客戶服務好，將這兩類客戶服務好，然后我們才會服務國外客戶在國外的一些工廠。

當前有很多機會，如果我們還沒真正抓住、沒有服務好（這些國內的客戶），也不能妄談服務海外客戶，這些海外客戶在場景、語言、文化等方面的不同，以及對數字化、AI技術的認知的不同，都是我們可能遇到的阻礙。

萬寧：2025年數字價值峰會即將開幕，在本屆大會上，如果來參加的話，希望討論哪些話題？

曾飛：站在瀚藍環境而言，我們希望看到更多不同領域的AI應用。瀚藍環境在垃圾焚燒領域走的比較靠前，但在其他很多領域，AI應用已經到了一個新高度。我們基于現在視覺應用、數據模型等方面行業應用的基礎上，可能還有一定的局限性。所以，我們希望看到更多前瞻性的視野，以及更多AI領域的應用路徑。

許咼兢：首先，我也很想看到各行業AI落地，包括數字化成果的展示，也能讓我們學習，并通過這些學習獲得很多啟發。

其次，我希望需求方的企業能夠將自己的場景講出來，痛點是什么也講出來，然后將這些痛點背后帶來的價值，也可以進行分享。讓做產品技術的團隊未來能更好地規劃有客戶價值落地，有共性的產品和技術，更好地服務客戶。

當然，我也很希望他們能講一講產品技術在落地到場景的過程中，遇見了哪些困難，包括數據隱私的顧慮、計算資源采買、成本等方面的，具體的顧慮是什么。然后阿里云才能一一用技術手段去解決他們的顧慮。