以2022年11月ChatGPT发布为标志，AI进入大爆炸时期。三年后，产业焦点逐渐从上游的模型和算力向下游的部署和应用转移。此时，虽然美国继续在上游领先，但中国拥有全球最完整的工业体系、最大的制造业规模，在AI应用生态上具备天然优势。
2025年8月，国务院发布《关于深入实施“人工智能+”行动的意见》， 要求“推动AI与经济社会各行业各领域广泛深度融合，促进生产力革命性跃迁和生产关系深层次变革。”
与此同时，中国各行各业普遍存在AI焦虑症。拥抱AI已成共识，如何拥抱却是难题——从哪个业务环节切入？选择什么技术路线？投资力度多大合适？人员结构和组织架构要不要调整？
TCL是中国大型制造业企业中的AI先行者——2012年开始跟踪AI技术动态，2017年开始规模化投入AI研发，2022年底开始研发自己的垂域大模型。到2025年，AI已经渗透到TCL各业务的毛细血管，并催生了一款AI原生产品雷鸟眼镜。
2025年11月到2026年1月，《财经》多次走进TCL调研，深入了解了这家工业巨头13年来的AI实践。
TCL创始人、董事长李东生坦言自己也有AI焦虑症，因为AI技术发展太快，怎样把握AI带来的机会他没完全想明白。但大方向从来都清楚：让AI落地于产品、技术和产业，创造实实在在的价值。
TCL实业首席技术官孙力说：TCL衡量AI投入是否成立的标准，就是用户体验是否真的与过去拉开了差距，以及“新体验减去旧体验”的差值，是否足以覆盖为之付出的成本。
TCL1981年成立于广东惠州，通过TCL实业与TCL科技两个产业集团，2025年实现年营收超过3500亿元。半导体显示、新能源光伏与半导体材料等2B业务主要在TCL科技，智能终端等2C业务主要在TCL实业。
01 业务推着技术走
作为TCL AI战略的主要制定者，TCL科技首席技术官、TCL工业研究院院长闫晓林博士的AI热情点燃于2012年。当年10月，杰弗里·辛顿团队发表关于深度学习的论文，引发轰动，冲击波也击中了闫晓林。很快，他就带领工研院团队成立了人工智能技术兴趣小组，每周六下午聚在一起交流讨论AI学术论文。13年如一日的“科研沙龙”，让闫晓林累计阅读了两三千篇AI论文，也使得工研院团队保持着对最新技术的敏感度。“每个礼拜六风雨无阻，这是技术人员最幸福的时刻。”闫晓林说。
浓厚的科研氛围背后，是TCL大手笔的研发投入。李东生透露，过去六年，TCL的研发投入超过600亿元，2025年的研发投入达150亿元。
2017年6月，谷歌关于Transformer架构深度学习模型的论文发表，开启了AI大模型时代。闫晓林向李东生建议加大人工智能方向投入，并推动工研院同时聚焦显示技术和AI技术。技术的关键是人才，闫晓林再次建议设立海外研发基地，李东生欣然同意，TCL随后在波兰华沙设立了新的人工智能研发中心。由此，华沙中心与武汉、西安、中国香港等地的工研院形成了多层次、全球化的研发网络。
目前，TCL的AI研发已经形成基础研究与产业落地“双轮驱动”：各地工业研究院专注前沿技术储备和基础算法研发，工业智能平台格创东智专攻工业软件和设备侧AI落地，各产业集团聚焦产品端的研发。
“算法工程师一开始是不习惯进工厂的。”格创东智CEO何军对《财经》回忆。TCL工业研究院主攻底层技术研究，同时能直接对接工厂，这让算法工程师们有机会在真实产线中理解制造流程，成为既懂算法又懂产线的复合型人才。这种架构巩固了组织间的研发闭环：工研院输出的AI算法经由格创东智产品化，在华星等业务单元落地，再将数据和需求反馈给研究团队持续优化。
在TCL的AI研发中，星智大模型是旗舰项目。大模型犹如大脑，大脑指挥手足。近年来通用大模型进步飞快，尤其是国产开源通用模型，其性价比之高，让各行各业都掀起了适配下游AI应用的高潮。
在实业界，TCL的大模型研发起步较早，2022年11月ChatGPT发布后，TCL就开始基于通用大模型研发自己的垂域大模型。2023年11月，星智大模型1.0发布，2024年12月上线2.0版。2025年4月底，阿里云发布通用大模型千问（Qwen）3.0版并宣布开源，TCL决定与阿里云展开深度合作。
5月，双方宣布共同打造显示领域的专家级大模型。由于半导体显示涉及大量敏感工艺数据，星智X-Intelligence被定位为私有化部署的垂直模型，阿里云派出资深研发力量加入联合项目组。星智项目负责人、TCL武汉工研院总经理刘阳兴向《财经》介绍，阿里云为星智项目配备了覆盖预训练、后训练、多模态等方向的专家，双方建立了每周例会和即时沟通机制，共享经验并解决训练过程中的问题。
TCL把100多万篇显示领域论文及数十年沉淀的10万篇内部技术文档投喂给模型，以增强星智对专业问题的理解和推理能力。阿里云提供了自己最先进的开源大模型，帮助TCL找到了一套“通用+垂直”数据优化方案，使模型既能拥有显示领域的专业解答和复杂推理能力，又能具备生成文本、编写代码等基础能力。
7月，星智大模型3.0版发布。刘阳兴透露，星智3.0在半导体显示相关问答、诊断分析等任务上的表现已经领先行业。
星智3.0发布的同时，一个更宏大的框架浮出水面：TCL华星提出“1湖1模3平台”的“五星AI架构”。“一湖”即星湖数据湖，汇聚了显示产业链各环节的海量高质量数据；“一模”指星智垂直大模型，将具备强大的推理和多模态能力，是华星工业AI的大脑；“三平台”则是驱动AI落地的引擎：星云为算力云平台提供底层算力调度，星舟提供算子库和模型库工具箱，星域利用AI Agent将能力落地到具体场景。有了这一套架构，华星基本构建起从数据、算法到应用的全栈能力。
星智的出色表现，让TCL领导层决定不让其局限在华星使用，而是将其升级为整个TCL的底座大模型。未来，星智将服务于TCL各产业集团的更多业务场景，从研发设计、生产优化到运营决策，成为各业务板块创新的智能底座。
技术普及带来了观念转变。在TCL，AI应用最初是从上至下推动，如今是业务部门主动拥抱。TCL华星数字化转型中心中心长佘必海向《财经》介绍，TCL会定期举行AI应用赛事，鼓励各部门涌现的金点子同台竞技，胜出者会得到相应激励，这对推动AI落地效果显著。迄今，公司员工基于星域平台已经开发了近3000个Agent（智能体），AI已经成为提高工作效率的一把利器，每个愿意尝试的人都能从中受益。
佘必海说，“很多企业是数字化部门推着业务用新工具，而在TCL华星，更多是业务侧主动提出改进需求，反过来要求技术团队增强能力、优化工具。”
TCL科技数字化转型总经理、TCL工研院副院长李冰向《财经》介绍，TCL的AI项目要有清晰的ROI（投资回报率），能算出省下了多少人力、提高了多少良率。正因为如此，TCL当前大部分重点AI项目都由业务部门主导，以解决经营痛点为导向，而不是由技术部门立项。
这种由需求牵引供给的模式，令AI融入业务的速度大大加快。
02 制造业的AI拐点
紧紧盯着上万张面板照片，努力分辨几十种不同类型的缺陷，并将每张缺陷图挂上相应的代码。这曾是梁林萍每天的工作。
2016年，梁林萍还是TCL华星面板厂的一名质检员，同事们都喊她“梁工”。那时的缺陷检测全靠肉眼，每个质检员一天需要经手上万张照片。梁林萍是其中的佼佼者，判图准确率总是名列前茅。2017年，当公司筹备引入AI系统辅助质检时，梁林萍被组长点名调入AI质检项目组，成了第一批“吃螃蟹”的人。
彼时华星正在用AI视觉识别技术开发一套自动缺陷分类系统（ADC，Auto Defect Classification），目标是用机器取代人工目检。梁林萍的任务是利用自己多年积累的判图经验，批量对缺陷照片进行分类和标注，提供给算法团队作为训练素材。
梁林萍面对的是全然陌生的领域。每天，她和算法工程师们坐在同一个办公室，当模型效果不理想时，工程师们会请她分析是哪些类别混淆或漏标所致。随着系统逐渐成熟，技术人员将复杂的建模过程拆解并固化下来：从数据收集、标注，到模型训练、上线发布，最终形成了一条标准化流程（SOP）。
最初的一年多，梁林萍都在给AI“喂数据”。她在实践中迅速上手，到2020年，已经可以独立完成一个新模型的训练和上线，全程几乎不用写一行代码。“现在数据我能处理，模型我也能训，训练好后一键发布到平台，就能在产线上线运行。”她笑着对《财经》说。就这样，这位原本与AI毫不相干的一线员工，转身为厂里的“AI训模师”。
如今每座华星工厂都至少配备了一两名梁林萍这样的训模师。他们既是AI模型的训练师，也是产线和算法团队之间的桥梁。一旦某条产线出现AI判定不了的新型缺陷，首先由他们分析、尝试优化模型，解决不了的再反馈给算法工程师。在梁林萍看来，自己的工作本质上还是和之前一样，都是与数据打交道，只是使用的工具更智能了。“越做越发现，AI并没有那么神奇，它背后还是离不开人”。
TCL华星ADC系统一经上线，立刻展现出惊人的效率提升：产线检测速度提升近一倍，人均产出提升近十倍。在华星面板厂，过去至少需要一百名质检员同时作业，现在只需六个人。
ADC还让面板厂的良品率显著提高。这套系统不仅能判定有无瑕疵，还建立了异常归因机制。佘必海向《财经》介绍，华星已通过ADC将缺陷成因细化为1000多类。在产线上，如果有几片玻璃在相同位置出现同样瑕疵，AI能够实时监控出异常，半小时内定位问题源头呼唤工程师检查相应设备。而人工模式下，往往要四五个小时才能察觉异常。
面板制造过程中，针对某些特定瑕疵，可以通过修补工序来提高良品率。这一步此前依赖经验丰富的工人手动操作修补机，属于独立岗位。2021年前后，华星启动了ADR（Automatic Defect Repair）项目，让AI接管修补工作。当ADC判定某块面板存在可修复的缺陷时，产品流转到修补站，设备会读取ADC提供的缺陷坐标信息，再由旁边的工控机调用训练好的模型执行修补操作。修补完成后，面板继续流转至后续工序，整个过程无需人工干预。
TCL华星是全球第二大显示面板生产商，良率的提升至关重要。TCL华星深惠基地总经理张才力向《财经》介绍，在深圳工厂，面板生产的良率提高1个百分点，每年就能有几亿元的成本降低。除了深圳，TCL华星还在广州、苏州、武汉拥有生产基地。在武汉t4工厂，TCL华星2024年下半年上线了自动消除面板色彩或亮度不均匀的Auto Demura系统，这是一种AI视觉识别+算法调优的技术。到2025年12月初，该项目通过良率提升产生了至少2.48亿元效益。闫晓林强调，“这是经过TCL华星财务审核的扎实数据。”
“人工智能技术已经渗透到TCL华星各个业务的毛细血管中”，闫晓林说。
光伏是TCL继家电和显示面板之后的第三增长曲线。在TCL中环的光伏硅片生产线上，AI重塑了核心的拉晶工艺。所谓“拉晶”，是指将高温熔融的硅料冷却结晶为单晶硅棒，硅棒质量决定切割出的硅片质量，硅片质量决定电池片的质量。拉晶工序过去依赖人的经验传承，难以标准化复制。当制造规模扩张时，企业可以不停地添置单晶炉，却无法复制出等量的老师傅。
2025年，TCL中环尝试让AI把老师傅的经验标准化。通过对温度、拉速、电流等拉晶时序数据进行高频建模，AI从海量数据中提炼隐藏的规律，将拉晶诀窍拆解为可解释的数字模型，然后针对每台单晶炉自动生成SOP并持续自我迭代，实现“一炉一策”。 据TCL中环介绍，系统投入使用后，单一操作员管理的单晶炉数量从十几台提升到300多台，开炉成本较2024年底降低约21%，整体劳动生产率提升300%。
03 AI家电解决了什么真问题？
TCL科技和TCL实业的营收，可大致作为其B端、C端业务比重的参考。2025年上半年，两者的比例是55.1%和44.9%。虽然2B业务的营收早已超过2C业务，但在多数公众眼里，TCL仍是家电公司，家电业务也仍然是TCL的基本盘。
在孙力看来， AI是一种“短期不能神化，长期不能低估其颠覆能力”的技术。他对《财经》说，互联网解决的是连接问题，AI能自主决策，这是人类历史上第一次，细思极恐，以前都是人类把程序写好机器去执行。
孙力毕业于上海交通大学，人工智能与图像处理硕士，2019年起担任TCL实业CTO。他认为过去六年的技术关键词是：连接、单体智能、群体智能、大模型驱动的群体智能。大模型会催生大量新型智能硬件、机器人、智能眼镜等。
但是，家庭空间中的电视、空调、冰箱和洗衣机不会因为机器人或其他新设备的出现而消失，它们依然是用户每天高频接触的设备。
孙力说，家电产品的AI创新空间非常大，但必须基于各自的第一性原理。电视的第一性原理是要懂画质和音质，空调的第一性原理是懂空气，洗衣机的第一性原理是懂衣服，冰箱的第一性原理是懂食物。
在各类传统家电里，孙力认为电视是AI提升用户体验效果最明显的终端。电视和手机不同，它的遥控器没有触控屏，效率有限，而电视观看场景多发生在相对私密、放松的家庭环境中，语音在这里天然是更高效的选择，场景与技术高度匹配。
TCL在2013年就开始尝试语音电视，但当时的技术不行，没办法与用户顺畅交互。直到2022年底大模型技术成熟后，变化才真正发生——电视第一次能够理解诸如“这个演员是谁”“他还演过什么”“最近有什么类似风格的剧”这类开放式的连续问题。
从用户角度看，这种变化的本质不是“AI更聪明了”，而是“我获取节目内容更方便了”——说完一句话，就能得到想要的结果。对TCL来说，这就是衡量AI投入是否成立的标准：用户体验是否真的与过去拉开了差距。
但体验从来不是“无成本”的。对电视这样的终端产品而言，大模型更像是被放进机器里的一个“大脑”——每一次语音请求，无论是“换个台”还是“找一集小猪佩奇”，背后都会产生真实的算力与能耗成本。如果推理成本和本地算力需求过高，体验即便再好，也会反映到整机成本上。
因此，模型并不是越大越好。更现实的路径，是围绕具体使用场景，对大模型进行压缩和裁剪，让它在可控的算力和成本约束下，提供“足够好”的体验，而不是追求理论上的最优。这也是为什么在终端侧，AI的工程工作往往比模型本身更重。
这种取舍背后，本质仍然是ROI的判断。不同产品、不同功能，对应的投入产出比各不相同，最终都要回到商业的基本问题：用户体验有没有实质改善。这是一种务实做法，既不神化技术，也不因循守旧。
孙力介绍，TCL的内部讨论中，高层们反复强调“AI一定要解决真问题”。“新体验减去旧体验”的差值，是否足以覆盖为之付出的成本。如果体验提升很明显，但价格高到超出用户心理预期，市场同样不会接受；技术再炫目，却没能让用户在使用中真切感受到差异，那就是“高射炮打蚊子”。
在一些具体产品的讨论中，孙力指出：不是大模型不够强，而是产品还没准备好。
一个典型例子是空调。“昨晚有点热，我没睡好”“以后凌晨三点调高一度，五点关掉”——大模型已经能理解自然语言中夹杂着的时间、情绪、身体感受和隐含意图，但如果空调本体的控制系统、接口和操作系统仍停留在上个时代，意图抵达硬件后只能被拆解成零散、生硬的指令，无法将“凌晨三点”与人的睡眠阶段之间的关系转换为行动。
孙力把这种状态称为“同理心浪费”，AI硬件产品真正的难点是能否把过去几十年形成的软硬件结构砸碎、重组为新的交互方式。
质变需要很长时间，TCL空调的策略是循序渐进。TCL实业空调事业部总经理陈绍林向《财经》介绍，通过不断理解用户的需求，构建“感知-认知-决策-服务”的全链路AI能力，TCL空调正在实现从感知到认知，从“被动响应”到“主动服务”的价值升级。
TCL的工程师希望用户意识不到空调的存在。人在夜里被热醒或者冷醒，总是会伸手找遥控器。TCL的解决方案是在空调里安装毫米波雷达，用它来探测人体在床上的“微动量”——翻身、呼吸和位置，然后结合算法判断睡眠状态，配合AI遗传算法，学习用户睡眠习惯，定制专属睡眠温度曲线，智能调节睡眠温度
这样的空调必须配合AI系统，因为要学习定制用户专属的可变睡眠温度曲线：入睡前适度降温，帮助快速入眠；深睡阶段保持较低且稳定的温度；接近清醒时，温度缓慢回升，让醒来更舒适。相比传统空调在夜间需要用户手动调温，新空调试图替人代劳。数据采集当然在本地完成，计算过程一部分在本地完成，另一部分被送到云端，与TCL实业开发的伏羲空气大模型联动，结合更大范围的环境数据，校验后作出调温或调风决策。
陈绍林介绍，在内部测试中发现，在没有新风条件的密闭卧室里，清晨起床时的二氧化碳浓度可达到2000ppm左右，头昏脑胀是常见的体感反馈，但久居其中的人却难以察觉。因此，新风被纳入与温控同等重要的系统能力，配合传感器实时监测空气状态，可以实现在必要时自动开启。
对于空调这类高电耗设备，电费是大部分消费者的痛点。传统空调的压缩机由电路板和固化逻辑控制，只能依据少量规则启停。AI的强化学习算法则能根据实时功耗、室内外天气和温度变化来控制压缩机的状态。
TCL的实验数据显示，在部分场景中，通过对压缩机运行频率和室外风机转速的优化，在体感舒适度几乎不变的情况下，能耗可下降接近40%。这也是AI在终端产品中，最容易被用户感知到的收益。
04 雷鸟眼镜，新范式的AI原生硬件
家电是一个高度成熟的制造业，产品逻辑成熟，规模效应明显，因此企业的利润率普遍不高，成本约束极强。对家电产品，任何新技术都很难带来颠覆式的改变。
孙力说，传统电器是在既有产品上加上AI，雷鸟眼镜则是为AI而生的新物种，没有AI它就没有存在的必要。
孙力说的是TCL雷鸟创新技术（深圳）有限公司生产的AR眼镜，Augmented Reality（AR，增强现实）是一种将虚拟世界与真实世界相融合的技术。
在生成式AI2023年爆发之前，TCL雷鸟就已押注AR眼镜，现在这条路线的逻辑更加清晰，雷鸟也已成为国内AR眼镜的头部厂商。
放眼全球视角，智能眼镜已成为多家科技公司押注“下一代终端”的筹码。TCL雷鸟创新创始人兼CEO李宏伟对《财经》表示，AI和硬件行业正在寻找下一个“iPhone时刻”。如果以AI能力为横轴、AR对现实世界的连接为纵轴，过去的终端大多停留在左下角——AI能力和AR能力都不行；而真正的新平台理应位于右上角——AI与AR双强，数字世界与物理世界相互嵌套、深度融合。
李宏伟认为手机虽然占据了用户最多时间，但它并非AI原生设备，对真实环境的感知能力有限。相比之下，AR眼镜天然具备“always-on（随时在场）”的特性，无需刻意唤醒，始终处于人的视觉与听觉边缘，覆盖日常生活。这种第一视角的多模态数据，恰恰为当前行业热议的“现实世界大模型”提供了最自然的数据入口，在这个意义上，AR眼镜不仅是一个终端产品，还是AI走向现实世界的天然入口。
雷鸟眼镜的技术底座大致可以拆分为三大板块：光学显示、面向人机交互的空间计算算法、运行在眼镜之上的AI系统。
在光学显示上，雷鸟从一开始就把显示系统理解为软硬件深度耦合的结果。从光学方案设计到整机制造，雷鸟都选择将关键能力握在自己手中，自建工厂，打通整条光学显示链条。
空间计算则更多体现为算法能力，真正落地到眼镜形态时，算法必须与传感器、算力和功耗紧密耦合。这使得空间计算同样不可避免地走向软硬件一体化，集成到芯片层面。
第三个中枢是运行在眼镜上的AI系统，承载了主要的人机交互与场景能力，更接近一个为眼镜形态定制的操作系统。它基于与阿里通义实验室的独家合作构建，通义实验室将旗下的多个大模型打包，为雷鸟的硬件和场景做针对性的训练和优化，并叠加了意图识别、记忆、翻译、第一视角理解等一系列小模型，服务于“随时在场”的交互需求。
这种从地基开始搭建的技术结构，让雷鸟眼镜能够掌控自己的产品方向，更灵活地调整器件方案和技术路线，而不需要依赖外部供应链。另一方面，来自TCL的深度信任，又为其高速探索提供了稳定支撑。
无论是与TCL实业的鸿鹄实验室在底层AI 能力上的协同，还是与TCL华星在显示技术上的沟通，都让TCL雷鸟得以在研发早期就参与关键技术的定义。在制造端，TCL强大的供应链议价能力，也为雷鸟减轻了成本压力。
硬件始终是最直观的挑战。在一副仅约76克的眼镜中，需要塞入光波导玻璃镜片、电池、摄像头、传感器与算力单元；镜腿中有个0.36立方厘米的微型“投影仪”，通过玻璃导光送到眼前，呈现出相当于43英寸的虚拟屏幕。在光路传输过程中，要保持95%的图像在经过千百次折射、衍射后依然不会变形，且在户外依然可读。这些约束，使得算法、轻量化、散热、芯片的协同开发处于极限状态。
应用层面，AR眼镜尚未出现“杀手级”场景，但交互方式已经发生变化：提词、实时翻译、骑行导航等功能，正在从“低头看手机”转向“抬眼即得”。更进一步的方向，则指向空间算法与地图、位置服务以及第一视角感知的全面打通。
李宏伟描述过一个理想中的应用场景：站在街头，问眼镜助手前方哪一栋楼是要前往的目的地，或在视野中直接浮现附近评价较高的餐厅与行进方向。对人而言，这是自然不过的提问，但对硬件设备来说，能够对答就需要整合地理位置、实时视觉、云端数据与平台信息。这正是孙力所说的“砸碎重组”——为了还原一个自然的交互过程，算法、硬件与系统被重新绑定，形成一种只能在AI原生硬件中成立的新范式。
2026年1月5日，TCL雷鸟宣布完成新一轮超10亿元融资，由中国移动链长基金与中信金石领投，中国联通旗下联创创新基金等机构参投。次日，雷鸟在美国消费电子展（CES）上展示首款具备独立通信能力的消费级AR智能眼镜“雷鸟X3 Pro Project eSIM”。该款眼镜无需手机联网即可独立完成包括通话、实时AI对话、实时翻译、数据云同步、在线流媒体播放等功能,实现了“从手机配件到独立终端”的产品定位升级。
TCL雷鸟创新展示厅一角。马克/摄
05 AI制造的下一步往哪儿走？
尽管星智大模型已在TCL多个业务板块有了落地应用，但面向未来，工研院团队认识到仍有诸多挑战，其中之一就是多模态理解能力。多模态指的是让模型同时理解和处理文本、图像、图表、音频、视频等不同形式的信息，而不是只读文字。星智大模型目前虽然具备一定的图像处理能力，但它无法直接读懂一份设计图纸、PPT报告，或者理解传感器采集的海量数据。
刘阳兴坦言，目前业界无论是通用还是垂直领域，大模型在多模态信息理解与提取上都还不够强，很多关键内容如果直接丢给模型，可能提取不全或理解有误。因此目前的实现路径往往是折中式的，在将数据交给大模型前，先用传统算法做结构化解析和明确提示，再让模型发挥其语义理解和推理能力。
闫晓林表示，垂直领域多模态大模型是TCL AI研发的四个前瞻性方向之一，另外三个是数字孪生、新材料发现和具身智能，但四个方向不会平均用力。比如具身智能落地依赖于世界模型（理解物理世界的模型，有别于目前的主流大语言模型），目前世界模型还处于比较早期的阶段，所以TCL的布局是保持关注，等世界模型取得较大突破，有具体应用场景时，再大规模投入。
垂域多模态大模型则是TCL基础研发团队2026年的发力重点，目标是200B（Billion，10亿）参数的多模态大模型。在大模型方面的研发预算也将大幅度提升，团队也会扩张，公司计划再组建约50人的东欧研发团队，落地深圳与本部协同攻坚。闫晓林说，未来显示面板企业的竞争上限，就是垂域多模态大模型的竞争力。
数字孪生也是发力重点。过去，TCL主要采用单点仿真结合人工智能和人工排产的模式，未来的目标是实现数字孪生——从客户需求到产品产出的良率预测，再到设计环节，都实现端到端的数字孪生。当数字孪生迭代到一定阶段后，再拿到实体工厂生产。要做到这一点，垂域大模型的能力就必须足够强。
TCL香港工研院总经理俞大海将AI的变革路径概括为三个阶段：“从用AI把事做得更快，到用AI改变工作方式，再到用AI重塑组织。”他对《财经》表示：第一阶段最直观，将AI作为工具嵌入现有流程，在不改变架构的前提下提升效率。目前TCL大量AI应用仍处于这一层次，AI充当人的“生产力助手”，帮助员工更快完成资料分析、报表生成、产品检测等工作。
第二阶段，当AI能力进一步提升，业务流程就会被AI重组，许多过去串联多岗位、多步骤的任务可由AI系统一气呵成。AI能够高效完成原本分散在各环节的工作，大幅减少人员交接。这一阶段，AI不再局限于“锦上添花”，而是开始改造流程。
第三阶段是组织形态的重塑。当AI逐步胜任专家级的分析决策，许多企业关键岗位的工作范式将被颠覆。俞大海以TCL华星的质检为例，过去质检AI只是代替人眼找瑕疵，提升检测效率。引入大模型后，AI开始参与工艺优化和质量改进，这原来是资深产线工程师才能胜任的工作。到了这个阶段，AI智能体会大量与人类员工协同工作，企业的协作逻辑也会发生质变——决策依据更加数据驱动，层级扁平化，人与机器协同共生。当那一天到来，“你的合作伙伴、交流对象、制定策略的方式，很多可能都不是现在的样子了。”
对制造业而言，大规模研究AI应用也就是最近两三年的事情，AI带来的想象空间才刚刚打开，一场有关物理世界与数字智能深度融合的产业变革才见雏形。作为制造业的AI先行者，TCL所描绘的“AI向实”蓝图，不只是企业自身的能力跃迁，也是中国制造智能化升级的代表性探索。
来源：财经网
热门跟贴