題圖｜AI生成

2025年的AI行業(yè)，進入了一種奇特的高燒狀態(tài)。

大模型的發(fā)布會一場接一場，參數(shù)規(guī)模從千億飆升至萬億，推理能力不斷刷新，家家公司都在強調，他們的模型“更聰明、更懂你”。

但技術熱潮之下，用戶與企業(yè)的體感，卻不如口號里那樣輕松。

企業(yè)端投入激增，招數(shù)據(jù)團隊、采購算力、開發(fā)智能助手。投入明顯，產出卻時常落空，“AI技術空轉”“算力浪費”成了復盤里的高頻詞。

技術曲線陡峭爬升，但體驗曲線卻緩慢徘徊。模型越強，實業(yè)界反而越焦慮。下一年要不要繼續(xù)加碼？算力成本還能撐多久？真正能落地的場景在哪里？

這種悖論并非AI獨有，很多“僅靠實驗室推動”的技術都經歷過。比如晶體管越多不等于電腦越普及，瓶頸往往出現(xiàn)在缺乏與真實世界的觸點。

AI也來到同樣的節(jié)點。要從紙面性能走向真實價值，它必須進入那些容錯率極低、流程極長、變量極多的產業(yè)現(xiàn)場。

技術價值源于場景

科技史反復印證了一個規(guī)律，那就是技術價值往往誕生于真實的使用場景，而非實驗室的“真空環(huán)境”。

多年前，施樂率先發(fā)明了圖形界面和鼠標，但這些能夠改變世界的基礎技術被束之高閣；喬布斯把它們嵌入個人電腦，才開創(chuàng)了一個時代。

基礎研究帶來可能性，但需要有人把可能性與具體場景匹配起來，推動的主角通常是離市場更近的應用者。

今天的AI正處在一個類似的階段。

技術突破集中在少數(shù)大模型公司，OpenAI和Google們正在構建越發(fā)強大的“大腦”。然而模型越大，適配成本越高。企業(yè)接入后很快意識到，價值并不會自動釋放。要把一個通用模型部署到某個行業(yè)，往往要補上接口、知識庫、流程改造和環(huán)節(jié)控制等規(guī)?？捎^的工程。

大模型行業(yè)來到拐點——參數(shù)競賽難以維持領先，找到“用起來”的路徑，才有資格繼續(xù)向前。

產業(yè)需求正在推動AI快速落地，特別是在以TCL為代表的中國先進制造業(yè)。

制造業(yè)成了檢驗AI的終極關卡。首先是容錯率低，同樣是模型幻覺，聊天機器人說錯一個冷知識是段子，但單晶爐溫度曲線要是出錯，則可能損失上百萬。其次是流程鏈條長，幾十道環(huán)節(jié)串聯(lián)，研發(fā)、工藝、制造、品控和物流相互嵌套。第三是場景碎片化，同樣一塊屏幕，從玻璃基板、像素結構，到模組、整機，每段都能拆出一堆不同的缺陷類型，通用模型難以駕馭。

通用模型與產業(yè)場景之間的差距由此顯現(xiàn)。

業(yè)界習慣用“發(fā)電廠”來比喻大模型，形容它們是未來的基礎設施。但工業(yè)制造遠比點亮一盞燈泡要復雜。發(fā)電廠發(fā)出的電，要經過一整套變壓、穩(wěn)壓、配電的環(huán)節(jié)，才能進入工廠。

AI與工業(yè)落地之間，同樣需要適配。一頭連著通用模型，一頭連著具體工藝，需要把行業(yè)知識、實時數(shù)據(jù)、可靠性工程、工藝遷移和閉環(huán)反饋，通通整合。這種復雜的產業(yè)適配，決定了AI在制造業(yè)到底是概念，還是生產力。

這就是TCL這類企業(yè)的價值所在——讓懂產業(yè)的企業(yè)，基于通用模型搞定垂域模型，避免通用算力的空轉與浪費。正如TCL創(chuàng)始人、董事長李東生所言，AI需要真正落地于產品、技術和產業(yè)，創(chuàng)造實實在在的價值。

TCL華星面板產線

在制造業(yè)中應用AI既繁瑣又復雜，科研機構少有意愿長時間深入現(xiàn)場，互聯(lián)網公司缺乏真實制造場景，B端SaaS公司有工具但無數(shù)據(jù)深度。只有像TCL在產業(yè)鏈里扎得足夠深，握有真實場景和長期數(shù)據(jù)的企業(yè)，才具備承載條件。

在下一輪AI競爭里，模型能力依然重要，但誰能構建起產業(yè)適配的能力，誰才有能力把AI從技術變?yōu)樯a力。

TCL的世界有多大？

落到具體企業(yè)時，路徑各不相同。對TCL來說，這種底氣來自數(shù)十年對顯示與光伏技術的深度投入，以及全球化的研發(fā)布局。

從組織結構上看，這家公司通過TCL實業(yè)和TCL科技兩大產業(yè)集團，在全球布局了47個研發(fā)中心，擁有接近2萬名研發(fā)人員。2019年到2024年，累計研發(fā)投入超過600億元人民幣，預計2025年將達到150億元。

持續(xù)投入讓TCL構建了橫跨智能終端、半導體顯示、新能源光伏的復雜產業(yè)鏈，為AI落地提供了稀缺的試驗場景。

產業(yè)鏈的一端，是覆蓋全球的智能終端。從北美的客廳到歐洲的公寓，不同文化、不同習慣的用戶每天都在通過電視、空調、冰箱與TCL交互。海量的使用場景數(shù)據(jù)，為AI提供了真實和全球化的學習樣本。

另一端則是半導體顯示。Mini LED、印刷OLED……這些技術背后是一套復雜的工藝系統(tǒng)，材料配比、光刻精度、良率控制、色彩管理，任何一個變量都會引發(fā)全鏈路的震蕩。這里的數(shù)據(jù)密度與難度，遠高于一般制造場景。

還有一端是新能源光伏。拉晶、切片、封裝、轉換率測試，每一步都與物理過程緊密相關。比如生產210毫米大尺寸硅片，就牽動了整條工藝鏈的升級。對AI來說，這里既有高度結構化的數(shù)據(jù)，也有高度耦合的工藝變量。

而連接這些環(huán)節(jié)的，是一整套制造和研發(fā)體系。對外，它是電視出貨量全球第二、Mini LED電視出貨量全球第一、光伏硅片市占率領先的公司。對內，它是覆蓋全球的產業(yè)網絡，里面流動著設備狀態(tài)、過程參數(shù)和用戶行為。

TCL在AI上的選擇，很自然地沿著這一鏈條展開。

TCL并未打算跳進通用模型的軍備競賽，它選擇基于自身的工業(yè)數(shù)據(jù)和真實場景，和生態(tài)伙伴協(xié)作打造垂域模型，再把它們嵌入到具體的工藝、設備和產品中。

TCL科技首席技術官閆曉林看到了問題所在：人工智能若用錯技術、選錯場景，會浪費很多資源，選好場景、用對技術才是根本。

這種路徑并不少見。汽車行業(yè)圍繞自動駕駛，建立了感知與控制的鏈路；半導體行業(yè)則借助仿真，不斷優(yōu)化。共同的底層邏輯是，行業(yè)越貼近物理世界，越需要從真實場景中生長出來的AI，而非從通用算法中反復裁剪。

TCL正是在這套思路下，構建起從AI到工廠、產品，再到用戶的完整通路。

在底層，TCL把多年沉淀的顯示工藝知識、面板缺陷數(shù)據(jù)，訓練成面向顯示行業(yè)的星智大模型，其3.0版本能力“相當于從業(yè)三年的博士和全科目專家”；在光伏業(yè)務中，圍繞單晶爐和智慧工廠，打造了深藍AI模型。這些模型天生帶著行業(yè)標簽，專門解決具體工藝問題。

在中間層，TCL用這些模型和產線打交道。工藝參數(shù)建模、工程可靠性體系、AI仿真和數(shù)字孿生，幫助工程師在上馬新工藝前先跑一遍虛擬生產。模型接入實時數(shù)據(jù)，理解設備狀態(tài)，即時優(yōu)化參數(shù)。

在上層，這些能力通過產品得以表達。電視里有能實時理解畫面的“大智能體”，可以根據(jù)場景自動調整光影；空調通過毫米波雷達感知睡眠狀態(tài)，自動調整溫度曲線。

TCL的真正優(yōu)勢，從來不是模型有多大，而是“世界有多大”——它掌握的，是模型無法自發(fā)獲得的真實世界的復雜性。

B端力量的C端回響

這條路徑在幾個具體案例上，呈現(xiàn)出清晰的輪廓：AI為B端帶來了實質性突破，并將價值傳導至C端。

第一個案例發(fā)生在TCL華星的面板工廠。

半導體顯示制造的精密程度，堪比工業(yè)界的顯微手術。一個幾乎不可見的亮斑，可能意味著材料雜質；一個輕微的色偏，可能來自光刻的微小誤差。過去，這些判斷依賴工程師的經驗，一個判斷失誤，往往意味著整批返工。

為解決這個難題，TCL聯(lián)手阿里云打造了星智大模型，具備“隔空診斷”的能力——客戶只需拍攝屏幕缺陷圖，AI就能給出分析，不用再像從前那樣把屏幕寄回工廠。

它相當于把資深工程師的眼睛裝進了一套算法體系里，提升大約20%問題解析效率和30%材料開發(fā)效率。生產線上的決策，從“憑手感”變成“看系統(tǒng)”，幫助工程師從重復判斷中解放出來。

第二個案例則發(fā)生在光伏工廠。

TCL中環(huán)的單晶爐車間里，晶體生長如同在高溫爐里“種樹”的黑箱藝術，每棵樹（晶體）怎么長，爐溫、速度都得微調，過去全靠人盯著，一人最多盯十來臺爐子，再多就顧不過來。

現(xiàn)在，AI模型成了不知疲憊的超級管家，能利用AI時序數(shù)據(jù)建模，捕捉規(guī)律，為每個爐臺自動生成優(yōu)化標準作業(yè)流程（SOP），實現(xiàn)“一爐一策”的個性化控制。

這種配置下，單一操作員管理的單晶爐數(shù)量提升到300多臺，效率瞬間提升。開爐成本較2024年底降低了約21%，整體勞動生產率提升300%。原本靠老師傅反復試錯的技巧，被抽象成參數(shù)和規(guī)則。

這些突破都發(fā)生在B端，但影響遠遠超出了工廠圍墻。

是時候重新認識TCL了。大眾印象里，TCL或許還是那個做電視、冰箱的家電巨頭，但在冰山之下，它早已成為科技巨無霸，深入半導體及新能源腹地，用代碼與算法重構工業(yè)流程。

直接的變化發(fā)生在研發(fā)端，效率提升，縮短了新技術從實驗室到商品的距離。

作為顯示行業(yè)的新路線，印刷OLED在材料利用率和畫質表現(xiàn)上有優(yōu)勢，卻需要全新的工藝。AI與仿真結合，提升了預研效率。TCL華星在產品開發(fā)、量產驗證等環(huán)節(jié)，縮短人均項目周期1-2個月，通過“研產一體”減少了42%的實驗投產次數(shù)。對用戶而言，能更早買到畫質更好的屏幕。

其次，制造環(huán)節(jié)良率提升，則會反映在價格的變化上。

面板良率哪怕只提升0.2個百分點，在萬片級的生產規(guī)模下，都能實現(xiàn)可觀的成本節(jié)約。良率更高，意味著可以攤薄更高的固定成本，大尺寸屏幕、大規(guī)模背光分區(qū)等高端顯示技術，能以更親民的價格進入市場。

最后，產品智能化帶來了直觀的體驗升級。

電視搭載行業(yè)首個超級大智能體，從AI畫質、AI音質、AI交互、AI內容生成四大維度，綜合提升用戶的影音娛樂體驗；作為全球首批支持可視化交互的AR眼鏡，雷鳥眼鏡具備圖像識別、知識解析功能，方便用戶隨時提問、獲得實時解答，其中雷鳥X3 Pro入選《時代》2025最佳發(fā)明；空調擁有行業(yè)首創(chuàng)可變睡眠溫度曲線，采用毫米波雷達感知技術配合AI遺傳算法，可以提升深睡時長25%。

體驗升級直接支撐了市占率的提升。雷鳥眼鏡的市場份額已連續(xù)三年半穩(wěn)居行業(yè)第一；2024年，TCL電視的整體出貨量達到2900萬臺，居全球第二；TCL空調產銷量突破2000萬套，出口位于行業(yè)前二。

這就是海量B端能力傳導到C端的結果。

沒有前端的場景數(shù)據(jù)，模型就不知道用戶真正需要什么；沒有中游的制造能力，顯示性能和成本之間就會出現(xiàn)矛盾；沒有后端的垂直模型，產品智能就不夠靈活。

從 AI 到工廠，再到用戶手中的產品，TCL 構建了一條完整的價值鏈。

2025年，通過AI在研發(fā)、制造中的應用，TCL大約創(chuàng)造了10億元的綜合效益。部分體現(xiàn)在利潤表上，部分則轉化為價格優(yōu)勢，留在了消費者手上。

結語

未來幾年，大模型還會繼續(xù)迭代，但缺乏場景的企業(yè)仍難進入產業(yè)。同時，制造業(yè)處在壓力增大的周期，市場需求波動，綠色能源轉型，正聯(lián)合擠壓傳統(tǒng)模式的空間。

AI在這種背景下介入，既是機會，也是壓力。

TCL在12月舉行的全球技術創(chuàng)新大會（TIC 2025）上，把“AI向實”作為主題，勉勵自己的同時，也提醒業(yè)界：把注意力放回效率、良率和體驗上，關注工廠和客廳的具體變化。

未來，我們或許會看到更多可能性：工廠里的機器不再需要人工指令，它通過AI自我感知、自我決策，實現(xiàn)真正的“黑燈生產”；家里的設備也不再是被動的工具，而是成為主動服務、懂你冷暖的智能體。

正如TCL科技首席運營官王成所展望的，AI未來將如同水和空氣一樣，成為無處不在，不可或缺的基礎設施。

技術不會直線進化，爆發(fā)之后總會迎來篩選。寒武紀時期，物種極度繁盛，最終留下的，只有能在復雜環(huán)境里穩(wěn)定生存的少數(shù)。AI的演化也將走向類似路徑，誰能讓模型融入復雜的實體產業(yè)，誰才在下一階段站穩(wěn)腳跟。

回顧技術史，每一次真正改變世界的力量，都會經歷從顯眼到隱形的過程。電力從世紀發(fā)明變成了墻上的插座，網絡從信息高速路變成了基礎設施?；蛟S有一天，人們不再討論哪家模型參數(shù)更大，而是關注哪座工廠良率更高、哪條供應鏈更穩(wěn)、哪款產品更省心。那時，AI大概才算真正長大。

大模型還在狂奔，中國制造業(yè)已給出了不同于過去的答案：AI向實，即把技術在真實世界里歸位，把智能嵌入實體產業(yè)，在用戶體驗里兌現(xiàn)價值。

本內容由作者授權發(fā)布，觀點僅代表作者本人，不代表虎嗅立場。如對本稿件有異議或投訴，請聯(lián)系 tougao@huxiu.com。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4817808.html?f=wyxwapp