2025年的AI行业，进入了一种奇特的高烧状态。
大模型的发布会一场接一场，参数规模从千亿飙升至万亿，推理能力不断刷新，家家公司都在强调，他们的模型“更聪明、更懂你”。
但技术热潮之下，用户与企业的体感，却不如口号里那样轻松。
企业端投入激增，招数据团队、采购算力、开发智能助手。投入明显，产出却时常落空，“AI技术空转”“算力浪费”成了复盘里的高频词。
技术曲线陡峭爬升，但体验曲线却缓慢徘徊。模型越强，实业界反而越焦虑。下一年要不要继续加码？算力成本还能撑多久？真正能落地的场景在哪里？
这种悖论并非AI独有，很多“仅靠实验室推动”的技术都经历过。比如晶体管越多不等于电脑越普及，瓶颈往往出现在缺乏与真实世界的触点。
AI也来到同样的节点。要从纸面性能走向真实价值，它必须进入那些容错率极低、流程极长、变量极多的产业现场。
技术价值源于场景
科技史反复印证了一个规律，那就是技术价值往往诞生于真实的使用场景，而非实验室的“真空环境”。
多年前，施乐率先发明了图形界面和鼠标，但这些能够改变世界的基础技术被束之高阁；乔布斯把它们嵌入个人电脑，才开创了一个时代。
基础研究带来可能性，但需要有人把可能性与具体场景匹配起来，推动的主角通常是离市场更近的应用者。
今天的AI正处在一个类似的阶段。
技术突破集中在少数大模型公司，OpenAI和Google们正在构建越发强大的“大脑”。然而模型越大，适配成本越高。企业接入后很快意识到，价值并不会自动释放。要把一个通用模型部署到某个行业，往往要补上接口、知识库、流程改造和环节控制等规模可观的工程。
大模型行业来到拐点——参数竞赛难以维持领先，找到“用起来”的路径，才有资格继续向前。
产业需求正在推动AI快速落地，特别是在以TCL为代表的中国先进制造业。
制造业成了检验AI的终极关卡。首先是容错率低，同样是模型幻觉，聊天机器人说错一个冷知识是段子，但单晶炉温度曲线要是出错，则可能损失上百万。其次是流程链条长，几十道环节串联，研发、工艺、制造、品控和物流相互嵌套。第三是场景碎片化，同样一块屏幕，从玻璃基板、像素结构，到模组、整机，每段都能拆出一堆不同的缺陷类型，通用模型难以驾驭。
通用模型与产业场景之间的差距由此显现。
业界习惯用“发电厂”来比喻大模型，形容它们是未来的基础设施。但工业制造远比点亮一盏灯泡要复杂。发电厂发出的电，要经过一整套变压、稳压、配电的环节，才能进入工厂。
AI与工业落地之间，同样需要适配。一头连着通用模型，一头连着具体工艺，需要把行业知识、实时数据、可靠性工程、工艺迁移和闭环反馈，通通整合。这种复杂的产业适配，决定了AI在制造业到底是概念，还是生产力。
这就是TCL这类企业的价值所在——让懂产业的企业，基于通用模型搞定垂域模型，避免通用算力的空转与浪费。正如TCL创始人、董事长李东生所言，AI需要真正落地于产品、技术和产业，创造实实在在的价值。
TCL华星面板产线
在制造业中应用AI既繁琐又复杂，科研机构少有意愿长时间深入现场，互联网公司缺乏真实制造场景，B端SaaS公司有工具但无数据深度。只有像TCL在产业链里扎得足够深，握有真实场景和长期数据的企业，才具备承载条件。
在下一轮AI竞争里，模型能力依然重要，但谁能构建起产业适配的能力，谁才有能力把AI从技术变为生产力。
TCL的世界有多大？
落到具体企业时，路径各不相同。对TCL来说，这种底气来自数十年对显示与光伏技术的深度投入，以及全球化的研发布局。
从组织结构上看，这家公司通过TCL实业和TCL科技两大产业集团，在全球布局了47个研发中心，拥有接近2万名研发人员。2019年到2024年，累计研发投入超过600亿元人民币，预计2025年将达到150亿元。
持续投入让TCL构建了横跨智能终端、半导体显示、新能源光伏的复杂产业链，为AI落地提供了稀缺的试验场景。
产业链的一端，是覆盖全球的智能终端。从北美的客厅到欧洲的公寓，不同文化、不同习惯的用户每天都在通过电视、空调、冰箱与TCL交互。海量的使用场景数据，为AI提供了真实和全球化的学习样本。
另一端则是半导体显示。Mini LED、印刷OLED……这些技术背后是一套复杂的工艺系统，材料配比、光刻精度、良率控制、色彩管理，任何一个变量都会引发全链路的震荡。这里的数据密度与难度，远高于一般制造场景。
还有一端是新能源光伏。拉晶、切片、封装、转换率测试，每一步都与物理过程紧密相关。比如生产210毫米大尺寸硅片，就牵动了整条工艺链的升级。对AI来说，这里既有高度结构化的数据，也有高度耦合的工艺变量。
而连接这些环节的，是一整套制造和研发体系。对外，它是电视出货量全球第二、Mini LED电视出货量全球第一、光伏硅片市占率领先的公司。对内，它是覆盖全球的产业网络，里面流动着设备状态、过程参数和用户行为。
TCL在AI上的选择，很自然地沿着这一链条展开。
TCL并未打算跳进通用模型的军备竞赛，它选择基于自身的工业数据和真实场景，和生态伙伴协作打造垂域模型，再把它们嵌入到具体的工艺、设备和产品中。
TCL科技首席技术官闫晓林看到了问题所在：人工智能若用错技术、选错场景，会浪费很多资源，选好场景、用对技术才是根本。
这种路径并不少见。汽车行业围绕自动驾驶，建立了感知与控制的链路；半导体行业则借助仿真，不断优化。共同的底层逻辑是，行业越贴近物理世界，越需要从真实场景中生长出来的AI，而非从通用算法中反复裁剪。
TCL正是在这套思路下，构建起从AI到工厂、产品，再到用户的完整通路。
在底层，TCL把多年沉淀的显示工艺知识、面板缺陷数据，训练成面向显示行业的星智大模型，其3.0版本能力“相当于从业三年的博士和全科目专家”；在光伏业务中，围绕单晶炉和智慧工厂，打造了深蓝AI模型。这些模型天生带着行业标签，专门解决具体工艺问题。
在中间层，TCL用这些模型和产线打交道。工艺参数建模、工程可靠性体系、AI仿真和数字孪生，帮助工程师在上马新工艺前先跑一遍虚拟生产。模型接入实时数据，理解设备状态，即时优化参数。
在上层，这些能力通过产品得以表达。电视里有能实时理解画面的“大智能体”，可以根据场景自动调整光影；空调通过毫米波雷达感知睡眠状态，自动调整温度曲线。
TCL的真正优势，从来不是模型有多大，而是“世界有多大”——它掌握的，是模型无法自发获得的真实世界的复杂性。
B端力量的C端回响
这条路径在几个具体案例上，呈现出清晰的轮廓：AI为B端带来了实质性突破，并将价值传导至C端。
第一个案例发生在TCL华星的面板工厂。
半导体显示制造的精密程度，堪比工业界的显微手术。一个几乎不可见的亮斑，可能意味着材料杂质；一个轻微的色偏，可能来自光刻的微小误差。过去，这些判断依赖工程师的经验，一个判断失误，往往意味着整批返工。
为解决这个难题，TCL联手阿里云打造了星智大模型，具备“隔空诊断”的能力——客户只需拍摄屏幕缺陷图，AI就能给出分析，不用再像从前那样把屏幕寄回工厂。
它相当于把资深工程师的眼睛装进了一套算法体系里，提升大约20%问题解析效率和30%材料开发效率。生产线上的决策，从“凭手感”变成“看系统”，帮助工程师从重复判断中解放出来。
第二个案例则发生在光伏工厂。
TCL中环的单晶炉车间里，晶体生长如同在高温炉里“种树”的黑箱艺术，每棵树（晶体）怎么长，炉温、速度都得微调，过去全靠人盯着，一人最多盯十来台炉子，再多就顾不过来。
现在，AI模型成了不知疲惫的超级管家，能利用AI时序数据建模，捕捉规律，为每个炉台自动生成优化标准作业流程（SOP），实现“一炉一策”的个性化控制。
这种配置下，单一操作员管理的单晶炉数量提升到300多台，效率瞬间提升。开炉成本较2024年底降低了约21%，整体劳动生产率提升300%。原本靠老师傅反复试错的技巧，被抽象成参数和规则。
这些突破都发生在B端，但影响远远超出了工厂围墙。
是时候重新认识TCL了。大众印象里，TCL或许还是那个做电视、冰箱的家电巨头，但在冰山之下，它早已成为科技巨无霸，深入半导体及新能源腹地，用代码与算法重构工业流程。
直接的变化发生在研发端，效率提升，缩短了新技术从实验室到商品的距离。
作为显示行业的新路线，印刷OLED在材料利用率和画质表现上有优势，却需要全新的工艺。AI与仿真结合，提升了预研效率。TCL华星在产品开发、量产验证等环节，缩短人均项目周期1-2个月，通过“研产一体”减少了42%的实验投产次数。对用户而言，能更早买到画质更好的屏幕。
其次，制造环节良率提升，则会反映在价格的变化上。
面板良率哪怕只提升0.2个百分点，在万片级的生产规模下，都能实现可观的成本节约。良率更高，意味着可以摊薄更高的固定成本，大尺寸屏幕、大规模背光分区等高端显示技术，能以更亲民的价格进入市场。
最后，产品智能化带来了直观的体验升级。
电视搭载行业首个超级大智能体，从AI画质、AI音质、AI交互、AI内容生成四大维度，综合提升用户的影音娱乐体验；作为全球首批支持可视化交互的AR眼镜，雷鸟眼镜具备图像识别、知识解析功能，方便用户随时提问、获得实时解答，其中雷鸟X3 Pro入选《时代》2025最佳发明；空调拥有行业首创可变睡眠温度曲线，采用毫米波雷达感知技术配合AI遗传算法，可以提升深睡时长25%。
体验升级直接支撑了市占率的提升。雷鸟眼镜的市场份额已连续三年半稳居行业第一；2024年，TCL电视的整体出货量达到2900万台，居全球第二；TCL空调产销量突破2000万套，出口位于行业前二。
这就是海量B端能力传导到C端的结果。
没有前端的场景数据，模型就不知道用户真正需要什么；没有中游的制造能力，显示性能和成本之间就会出现矛盾；没有后端的垂直模型，产品智能就不够灵活。
从 AI 到工厂，再到用户手中的产品，TCL 构建了一条完整的价值链。
2025年，通过AI在研发、制造中的应用，TCL大约创造了10亿元的综合效益。部分体现在利润表上，部分则转化为价格优势，留在了消费者手上。
结语
未来几年，大模型还会继续迭代，但缺乏场景的企业仍难进入产业。同时，制造业处在压力增大的周期，市场需求波动，绿色能源转型，正联合挤压传统模式的空间。
AI在这种背景下介入，既是机会，也是压力。
TCL在12月举行的全球技术创新大会（TIC 2025）上，把“AI向实”作为主题，勉励自己的同时，也提醒业界：把注意力放回效率、良率和体验上，关注工厂和客厅的具体变化。
未来，我们或许会看到更多可能性：工厂里的机器不再需要人工指令，它通过AI自我感知、自我决策，实现真正的“黑灯生产”；家里的设备也不再是被动的工具，而是成为主动服务、懂你冷暖的智能体。
正如TCL科技首席运营官王成所展望的，AI未来将如同水和空气一样，成为无处不在，不可或缺的基础设施。
技术不会直线进化，爆发之后总会迎来筛选。寒武纪时期，物种极度繁盛，最终留下的，只有能在复杂环境里稳定生存的少数。AI的演化也将走向类似路径，谁能让模型融入复杂的实体产业，谁才在下一阶段站稳脚跟。
回顾技术史，每一次真正改变世界的力量，都会经历从显眼到隐形的过程。电力从世纪发明变成了墙上的插座，网络从信息高速路变成了基础设施。或许有一天，人们不再讨论哪家模型参数更大，而是关注哪座工厂良率更高、哪条供应链更稳、哪款产品更省心。那时，AI大概才算真正长大。
大模型还在狂奔，中国制造业已给出了不同于过去的答案：AI向实，即把技术在真实世界里归位，把智能嵌入实体产业，在用户体验里兑现价值。
特别策划