2025年的AI行業，進入了一種奇特的高燒狀態。
大模型的發布會一場接一場，參數規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，用戶與企業的體感，卻不如口號裏那樣輕鬆。
企業端投入激增，招數據團隊、採購算力、開發智能助手。投入明顯，產出卻時常落空，「AI技術空轉」「算力浪費」成了覆盤裏的高頻詞。
技術曲線陡峭爬升，但體驗曲線卻緩慢徘徊。模型越強，實業界反而越焦慮。下一年要不要繼續加碼？算力成本還能撐多久？真正能落地的場景在哪裏？
這種悖論並非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於電腦越普及，瓶頸往往出現在缺乏與真實世界的觸點。
AI也來到同樣的節點。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、變量極多的產業現場。
技術價值源於場景
科技史反覆印證了一個規律，那就是技術價值往往誕生於真實的使用場景，而非實驗室的「真空環境」。
多年前，施樂率先發明瞭圖形界面和鼠標，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，纔開創了一個時代。
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大模型公司，OpenAI和Google們正在構建越發強大的「大腦」。然而模型越大，適配成本越高。企業接入後很快意識到，價值並不會自動釋放。要把一個通用模型部署到某個行業，往往要補上接口、知識庫、流程改造和環節控制等規模可觀的工程。
大模型行業來到拐點——參數競賽難以維持領先，找到「用起來」的路徑，纔有資格繼續向前。
產業需求正在推動AI快速落地，特別是在以TCL為代表的中國先進製造業。
製造業成了檢驗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，幾十道環節串聯，研發、工藝、製造、品控和物流相互嵌套。第三是場景碎片化，同樣一塊螢幕，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。
通用模型與產業場景之間的差距由此顯現。
業界習慣用「發電廠」來比喻大模型，形容它們是未來的基礎設施。但工業製造遠比點亮一盞燈泡要複雜。發電廠發出的電，要經過一整套變壓、穩壓、配電的環節，才能進入工廠。
AI與工業落地之間，同樣需要適配。一頭連着通用模型，一頭連着具體工藝，需要把行業知識、實時數據、可靠性工程、工藝遷移和閉環反饋，通通整合。這種複雜的產業適配，決定了AI在製造業到底是概念，還是生產力。
這就是TCL這類企業的價值所在——讓懂產業的企業，基於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創始人、董事長李東生所言，AI需要真正落地於產品、技術和產業，創造實實在在的價值。
TCL華星面板產線
在製造業中應用AI既繁瑣又複雜，科研機構少有意願長時間深入現場，互聯網公司缺乏真實製造場景，B端SaaS公司有工具但無數據深度。只有像TCL在產業鏈裏扎得足夠深，握有真實場景和長期數據的企業，才具備承載條件。
在下一輪AI競爭裏，模型能力依然重要，但誰能構建起產業適配的能力，誰纔有能力把AI從技術變為生產力。
TCL的世界有多大？
落到具體企業時，路徑各不相同。對TCL來說，這種底氣來自數十年對顯示與光伏技術的深度投入，以及全球化的研發布局。
從組織結構上看，這家公司通過TCL實業和TCL科技兩大產業集團，在全球佈局了47個研發中心，擁有接近2萬名研發人員。2019年到2024年，累計研發投入超過600億元人民幣，預計2025年將達到150億元。
持續投入讓TCL構建了橫跨智能終端、半導體顯示、新能源光伏的複雜產業鏈，為AI落地提供了稀缺的試驗場景。
產業鏈的一端，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。海量的使用場景數據，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……這些技術背後是一套複雜的工藝系統，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全鏈路的震盪。這裏的數據密度與難度，遠高於一般製造場景。
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，這裏既有高度結構化的數據，也有高度耦合的工藝變量。
而連接這些環節的，是一整套製造和研發體系。對外，它是電視出貨量全球第二、Mini LED電視出貨量全球第一、光伏硅片市佔率領先的公司。對內，它是覆蓋全球的產業網絡，裏面流動着設備狀態、過程參數和用戶行為。
TCL在AI上的選擇，很自然地沿着這一鏈條展開。
TCL並未打算跳進通用模型的軍備競賽，它選擇基於自身的工業數據和真實場景，和生態夥伴協作打造垂域模型，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、用對技術纔是根本。
這種路徑並不少見。汽車行業圍繞自動駕駛，建立了感知與控制的鏈路；半導體行業則藉助仿真，不斷優化。共同的底層邏輯是，行業越貼近物理世界，越需要從真實場景中生長出來的AI，而非從通用算法中反覆裁剪。
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把多年沉澱的顯示工藝知識、面板缺陷數據，訓練成面向顯示行業的星智大模型，其3.0版本能力「相當於從業三年的博士和全科目專家」；在光伏業務中，圍繞單晶爐和智慧工廠，打造了深藍AI模型。這些模型天生帶着行業標籤，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。工藝參數建模、工程可靠性體系、AI仿真和數字孿生，幫助工程師在上馬新工藝前先跑一遍虛擬生產。模型接入實時數據，理解設備狀態，即時優化參數。
在上層，這些能力通過產品得以表達。電視裏有能實時理解畫面的「大智能體」，可以根據場景自動調整光影；空調通過毫米波雷達感知睡眠狀態，自動調整溫度曲線。
TCL的真正優勢，從來不是模型有多大，而是「世界有多大」——它掌握的，是模型無法自發獲得的真實世界的複雜性。
B端力量的C端迴響
這條路徑在幾個具體案例上，呈現出清晰的輪廓：AI為B端帶來了實質性突破，並將價值傳導至C端。
第一個案例發生在TCL華星的面板工廠。
半導體顯示製造的精密程度，堪比工業界的顯微手術。一個幾乎不可見的亮斑，可能意味着材料雜質；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，往往意味着整批返工。
為解決這個難題，TCL聯手阿里雲打造了星智大模型，具備「隔空診斷」的能力——客戶只需拍攝螢幕缺陷圖，AI就能給出分析，不用再像從前那樣把螢幕寄回工廠。
它相當於把資深工程師的眼睛裝進了一套算法體系裏，提升大約20%問題解析效率和30%材料開發效率。生產線上的決策，從「憑手感」變成「看系統」，幫助工程師從重複判斷中解放出來。
第二個案例則發生在光伏工廠。
TCL中環的單晶爐車間裏，晶體生長如同在高溫爐裏「種樹」的黑箱藝術，每棵樹（晶體）怎麼長，爐溫、速度都得微調，過去全靠人盯着，一人最多盯十來台爐子，再多就顧不過來。
現在，AI模型成了不知疲憊的超級管家，能利用AI時序數據建模，捕捉規律，為每個爐台自動生成優化標準作業流程（SOP），實現「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量提升到300多台，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%。原本靠老師傅反覆試錯的技巧，被抽象成參數和規則。
這些突破都發生在B端，但影響遠遠超出了工廠圍牆。
是時候重新認識TCL了。大衆印象裏，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流程。
直接的變化發生在研發端，效率提升，縮短了新技術從實驗室到商品的距離。
作為顯示行業的新路線，印刷OLED在材料利用率和畫質表現上有優勢，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、量產驗證等環節，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。對用戶而言，能更早買到畫質更好的螢幕。
其次，製造環節良率提升，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，在萬片級的生產規模下，都能實現可觀的成本節約。良率更高，意味着可以攤薄更高的固定成本，大尺寸螢幕、大規模背光分區等高端顯示技術，能以更親民的價格進入市場。
最後，產品智能化帶來了直觀的體驗升級。
電視搭載行業首個超級大智能體，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最佳發明；空調擁有行業首創可變睡眠溫度曲線，採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佔率的提升。雷鳥眼鏡的市場份額已連續三年半穩居行業第一；2024年，TCL電視的整體出貨量達到2900萬台，居全球第二；TCL空調產銷量突破2000萬套，出口位於行業前二。
這就是海量B端能力傳導到C端的結果。
沒有前端的場景數據，模型就不知道用戶真正需要什麼；沒有中游的製造能力，顯示性能和成本之間就會出現矛盾；沒有後端的垂直模型，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、製造中的應用，TCL大約創造了10億元的綜合效益。部分體現在利潤表上，部分則轉化為價格優勢，留在了消費者手上。
結語
未來幾年，大模型還會繼續迭代，但缺乏場景的企業仍難進入產業。同時，製造業處在壓力增大的周期，市場需求波動，綠色能源轉型，正聯合擠壓傳統模式的空間。
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：工廠裏的機器不再需要人工指令，它通過AI自我感知、自我決策，實現真正的「黑燈生產」；家裏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，爆發之後總會迎來篩選。寒武紀時期，物種極度繁盛，最終留下的，只有能在複雜環境裏穩定生存的少數。AI的演化也將走向類似路徑，誰能讓模型融入複雜的實體產業，誰纔在下一階段站穩腳跟。
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。電力從世紀發明變成了牆上的插座，網絡從信息高速路變成了基礎設施。或許有一天，人們不再討論哪家模型參數更大，而是關注哪座工廠良率更高、哪條供應鏈更穩、哪款產品更省心。那時，AI大概纔算真正長大。
大模型還在狂奔，中國製造業已給出了不同於過去的答案：AI向實，即把技術在真實世界裏歸位，把智能嵌入實體產業，在用戶體驗裏兌現價值。
特別策劃