中经记者谭伦南京苏州报道
在钢铁厂的宽厚板产线上，一块块通红的钢坯沿着辊道高速前行。轧机每一次施加多大的力、辊缝该调整到多少，过去更多依赖经验和传统模型判断。如今，一套AI预测模型正在参与这个过程。
这一幕发生在南京钢铁集团忙碌炼钢流程中的真实场景，是当前AI渗入千行百业中的缩影之一。日前，《中国经营报》记者跟随“智涌江苏算赋万象”媒体采访调研活动走进南京、苏州，先后探访涵盖钢铁、金融、软件、智能制造、文化科技等领域的“人工智能+”应用创新项目，实地观察人工智能在不同产业场景中的落地进程。
从炼钢产线的轧机，到万卡智算中心、证券公司、软件企业，再到边缘计算厂商和机器人训练，这些看似相距甚远的场景，却都凸显AI扮演的同一角色：从相对独立的技术工具，进一步嵌入企业原有的生产流程、业务系统和经营环节。
这种变化背后，是“人工智能+”进一步走向产业纵深。2025年8月国务院印发《关于深入实施“人工智能+”行动的意见》，提出“以科技、产业、消费、民生、治理、全球合作等领域为重点，深入实施‘人工智能+’行动”；今年《政府工作报告》进一步提出，深化拓展“人工智能+”，促进新一代智能终端和智能体加快推广，推动重点行业领域人工智能商业化规模化应用，培育智能原生新业态新模式。
这也是此次采访中记者感受最深的变化：随着政策重心从技术突破逐步延伸至规模应用，企业不再只关心大模型“聪不聪明”，而更关心它能否进入真实生产流程，能否稳定运行、控制成本，并最终形成可以衡量的效率与收益。
AI走进生产线：先啃下“硬骨头”
在南京钢铁的智慧管理运营中心，一块42米长、6米高的超高清管控屏，将铁矿石入厂、烧结、炼铁、炼钢、轧钢直至成品发运全流程映射在同一套数字孪生系统上。过去钢铁生产高度依赖老师傅经验，如今，26条产线、16个业务部门的运行状态可以被实时感知、分析和调度。
“20多年前第三版人民币五块钱正面图像所描绘的典型钢铁工人形象，戴着鸭舌帽和墨镜、手拿着钢钎的形象现在已经转变为屏幕和鼠标，工人远程操控就能一键炼铁、炼钢。”南京钢铁股份有限公司常务副总裁徐晓春介绍道。
这种变化并不只发生在大屏上。宽厚板厂里，钢坯在最高轧制力可达12000吨的轧机间往复轧制。轧制力预测稍有偏差，轻则影响钢板厚度，重则可能卡钢停产。南钢与华为联合开发的轧制力AI预测模型，在学习基础理论和十几万块钢的历史数据后，将预测误差缩小至1.9%，钢板厚度公差缩小到±0.2毫米；在金相实验室，机器人完成磨抛、腐蚀、清洁、送检，AI再对显微图像自动判级，识别准确率超过95%，整体检测效率提升80%。
这些场景也解释了工业AI与通用大模型的差异。钢铁生产工序高度耦合，任何一个模型的判断都可能影响下一道工序。徐晓春坦言：“当前整个行业对智能体的构建都还处于探索阶段，南钢也不例外。”在他看来，多智能体协同最大的难点是“协同可靠性”：单个模型出错可能只影响一个环节，但多个智能体协同时，一个误判可能沿任务链路放大。因此，南钢一边推进元冶大模型和业务智能体建设，一边为不同智能体分级，并在关键决策环节保留人工确认。
工业AI进入深水区后，生产现场并不接受“多数时候正确”。AI要真正进入控制、排产、质检等核心流程，考验的不只是模型能力，还包括数据质量、低时延算力、系统工程和异常兜底能力。
算力从“资源”变成服务：智能体进入业务前台
如果说南钢展示的是AI如何进入生产流程，那么中国移动长三角（南京）云智算中心展示的则是另一端——在越来越多AI应用背后，算力正在从一次性购买的硬件资源，变成按需获取、按量消费的基础服务。
据现场工作人员介绍，江苏移动智算总规模达到2.5万P。其中，南京云智算中心基于 腾等AI底座建设万卡集群，算力规模超过1万P。值得注意的是商业模式变化：面向个人、团队和企业，算力已经可以按Token、卡时切片或私有化部署等不同方式供给。自相关平台2025年发布以来，累计服务用户超过10万，模型调用量突破3000亿Token。
算力被拆得更细，AI应用也在向业务前台靠近。在华泰证券总部，相关负责人向记者展示了其最新推出的应用软件：AI不再只是用于客服问答环节，而是覆盖“发现机会—选股研究—账户管理—交易执行”全链路。
对于传统软件企业，AI带来的改变甚至开始反作用于自身生产方式。润和软件副总裁丽娜表示，公司内部通过AI Agent辅助编程，核心模块研发节奏实现从“人月”向“人周”变化，开发提效60%以上；对外则尝试把工程师前置到客户现场，以FDE模式围绕具体业务构建行业本体和智能体。
“软件产业正面临从‘技术工具提供商’向‘智能价值创造者’的转型挑战，软件服务应围绕为客户创造可量化的业务价值展开，从单纯提供技术功能转向深度嵌入客户业务场景。”丽娜认为，行业本体并不是再造一个大模型，而是让不同模型、智能体和业务系统在统一的行业概念、规则和业务逻辑下协同。
近日，江苏省印发《江苏省促进词元经济高质量发展行动方案（2026年）》，提出“建设2000个高质量数据集”“针对高价值场景打造100个行业特色智能体”“支持各地发放词元券”等措施。从基础算力建设到Token消费、从模型训练到行业智能体，地方层面正加快构建更完整的AI供给与消费闭环。
从机房走向现场：AI还要穿过“最后一公里”
AI规模化落地的另一个明显趋势，是算力正在从大型数据中心向工厂、办公室和各类终端下沉。
一个典型案例来自电力巡检。某大型电力央企此前使用传统风冷服务器进行大模型试点，高负载运行时面临噪音和散热问题，需要单独建设隔音机房。研扬科技为其提供搭载鲲鹏与 腾算力的液冷工作站，使35B级大模型可以在普通运维办公环境中进行本地推理。作为较早参与鲲鹏、腾产业生态的工业嵌入式计算厂商，研扬科技正在把业务从传统硬件定制延伸至本地大模型推理及其他新场景。
研扬科技创新智能产品线总经理陈栋将问题概括得很直接：“最大的落地难点，不在‘算力够不够’，而在‘场景适不适配’。”对于制造、电力、轨道交通等行业而言，数据不能轻易离开现场，设备还要满足7×24小时运行、低噪音、易维护等要求。算力下沉的竞争，因此并不只是TOPS参数之争，而是谁能把芯片、整机、软件适配和行业工况真正结合起来。
这种“最后一公里”问题，在具身智能领域更加突出。苏州市具身智能机器人综合创新中心把家庭、餐饮、物流等训练场景集中到5200平方米的一期训练中心，目前已有20家企业入驻训练，累计采集高质量数据超过190万条。机器人从展示动作走向实际工作，需要的不只是本体，还需要数据、大模型、控制系统和具体任务的共同磨合。
“具身智能行业当下最大的痛点，恰恰是‘Demo很漂亮、落地很难’，模型、数据、场景彼此割裂，客户拿到手不会用、用不起、用不好。”苏州维昂具身智能科技有限公司副总经理王训标表示，苏州密集的制造业企业、供应链和应用场景，构成了具身智能反复训练、验证和迭代的“试验场”。
从钢水翻滚的轧线，到证券交易终端，再到液冷工作站和机器人训练场，记者真切感受到AI正在离开演示屏，进入生产系统、业务流程和物理设备。 腾等算力则在其中提供底座，而底座之上的行业数据、软件工程、场景理解和生态协同能力，正在变得愈发重要。
随着“人工智能+”走向规模化，江苏的产业AI实践样本也在释放更明确的信号：下一阶段的AI竞争，或许就在于能否把更多“样板间”变成日常生产，把一次性项目变成可复制的产品，把AI从“看起来聪明”真正推向“用起来可靠”。