这份由德勤咨询公司发布的研究报告于2026年1月问世。该报告基于对全球24个国家超过3200名企业和IT领导者的深度调研，调研时间为2025年8月至9月。参与调研的领导者均直接参与其公司的AI项目，涵盖消费品、能源资源与工业、金融服务、生命科学与医疗、科技媒体电信以及政府公共服务六大行业。这是德勤AI研究院推出的年度系列报告之一，旨在帮助商业、技术和公共部门的领导者追踪AI快速变化和采用的步伐。

AI在企业中的关键位置

回顾人类历史的发展轨迹，每一次重大飞跃都源于人类智慧与变革性技术的完美结合。从驾驭蒸汽动力到构建互联网，每个时代最大胆的突破都始于人们利用新工具来放大自身潜力的时刻。如今，人工智能正是这个故事的最新篇章。它已经彻底改变了我们工作和创造的方式,然而当人类专业知识与AI能力真正结合时,我们能够实现的目标其实才刚刚触及表面。

当前的企业领导者面临着一个前所未有的挑战：如何从试点阶段迈向真正将AI融入组织核心的境界。这需要一种审慎的转变——由人们设定愿景并做出负责任的选择,由AI提供洞察、速度和规模来实现这一雄心。这意味着要围绕AI重新设计核心流程和运营模式,确保人类的优势——如判断力、创造力、同理心和建立关系的能力——得到提升而非被自动化取代。

今年的报告捕捉到了这个关键时刻。一方面,我们看到组织正在明显加速：员工获得AI工具的范围更广,早期生产力有所提升,对AI潜力的信心不断增强。另一方面,我们也看到实验与真正的企业转型之间存在差距。许多组织主要将AI用于提升效率,而一小部分组织则通过开始重新构想商业模式、产品服务、角色和工作方式而脱颖而出。领先的组织正在重新思考工作如何完成、团队如何构建,以及人类和机器能力如何在日常运营中相互补充。

几个关键趋势也在重塑AI的未来。主权AI正在重新定义国家和组织的技术自主权,影响着信任和竞争力。智能体AI正在实现自主推理和行动,带来新的治理和控制挑战。物理AI正在融合数字世界和物质世界,使安全性和人类监督变得至关重要。这些趋势预示着一个更具变革性的未来,要求组织战略能够将技术规模与人类指导和意图保持一致。

从试点到规模化：员工访问权限扩展

调研数据显示,企业正在从试点和实验阶段转向企业级扩展。仅在一年时间里,员工获得AI工具访问权限的比例就增长了50%——从不到40%增长到约60%的员工现在配备了经过批准的AI工具。在这些领先企业中,11%的公司目前为员工提供了近乎普遍的访问权限,即超过80%的员工可以使用经批准的AI工具。然而,在那些已经拥有访问权限的员工中,只有不到60%的人在日常工作流程中真正使用这些工具——这一模式与去年基本保持不变。这表明虽然访问范围在扩大,企业AI仍然利用不足,其生产力和创新潜力在很大程度上尚未开发。

从试点到生产环境的转变可以说是获取AI价值最重要的一步,然而这正是许多公司停滞不前的地方。虽然企业正在以加速的步伐进行AI实验,但许多企业难以将这些实验扩展为能够带来可衡量商业影响的解决方案。

调研显示,目前只有25%的受访者表示其组织已经将40%或更多的AI实验推向了生产环境。然而,54%的受访者预计在未来3到6个月内达到这一水平,这展现出从试点到企业规模的加速转变路径是清晰且可实现的。这些早期规模化者突显出从试点到企业规模的加速转变趋势。

为什么这么多试点无法进入生产环境？答案在于试点和生产要求之间的根本性不匹配。试点通常可以在几个月内由一个小团队使用清洗过的数据在隔离环境中运行。然而,生产部署通常需要基础设施投资、与现有系统集成、安全审查、合规检查、监控系统和持续维护——每一项都需要更多的资源和协调。

生产环境还会暴露试点可以隐藏的现实。在测试中达到高准确率的模型在大规模处理边缘案例时可能表现不足。预计需要三个月的用例在出现集成复杂性时可能延长到18个月。在试点阶段属于学习机会的失败在生产环境中就变成了业务风险。

经常进行AI实验的组织在受控条件下看到了积极结果,但无法一致预测哪些用例将产生最高的投资回报。这种缺乏明确价值实现的情况造成了一个恶性循环,公司继续资助新的试点——这些试点成本相对较低且风险较小——而不是面对扩大现有成功的更艰难工作。

正如一位医疗AI领导者所说："如果组织中没有连贯的AI战略,你很可能会看到试点疲劳。你在追逐下一个闪亮的对象,承受着用AI做点什么的压力,却没有真正的计划。我见过很多情况,人们启动试点,但当被问及如果成功如何扩展时,他们往往没有答案。没有清晰的路线图,执行一百个试点只会导致糟糕的结果和失败的价值创造。"

AI转型的双面性：效率提升与业务重构

AI对现实世界业务的影响正在快速上升。25%的领导者现在报告AI对其公司产生了变革性影响,是一年前12%的两倍多。信任和投资也在激增,84%的组织增加了AI投资,78%的领导者对该技术的信心更强。然而,大多数公司仍处于大规模AI驱动转型的边缘。

AI已经在效率和生产力方面带来了广泛的收益。然而,其他领域的好处需要更长时间才能实现。特别是收入增长在很大程度上仍然是一种期望,74%的组织希望通过其AI计划在未来增长收入,而只有20%已经做到了这一点。这些数字表明AI即将突破并带来远超效率和生产力改进的广泛好处。然而,AI的成功最终不仅仅是提高效率甚至增长收入,而是实现战略差异化和市场上持久的竞争优势。

调研的公司中,三分之一(34%)已经开始使用AI深度转型其业务——创造新产品和服务、重塑核心流程,甚至从根本上改变其商业模式。另外三分之一(30%)正在围绕AI重新设计关键流程,但保持其商业模式不变。其余三分之一(37%)在更表面的层面使用AI,对现有流程几乎没有改变或完全没有改变。虽然每一组都在获取生产力和效率收益,但只有第一组才真正在重新构想其业务,而不是优化已经存在的东西。

一家矿业公司的AI和自动化以及全球工程主管解释了他们如何采取大胆的战略方法进行AI转型,将AI嵌入公司的核心产品和服务中,最显著的是将传统矿业设备转变为具有传感器和预测分析功能的智能互联平台。"AI不仅仅是一项技术...我们想把它提供给每个人日常使用,让它无处不在。但我们也想颠覆市场。"该组织不是仅关注内部改进,而是通过使用AI为自己和客户解锁新价值,并创造新的数字解决方案和收入流来重新构想其业务。

AI流畅度建设与工作重新设计的滞后

尽管对自动化有很高的期望,但84%的公司尚未围绕AI能力重新设计工作。在一年内,超过三分之一的调研公司(36%)预计至少10%的工作将完全自动化。绝大多数调研公司(82%)在展望三年时预计至少10%的工作将完全自动化。

这些变化需要仔细思考职业路径。定性访谈中的领导者表达了对自动化可能破坏专业发展管道的担忧。他们公司中涉及数据录入、对账和一线客户支持的入门级工作被优先考虑自动化,但这些工作往往是更长职业生涯的起点。组织可能需要开发专业晋升的替代路径,确保员工拥有包括基础流程在内的专业知识。

尽管对自动化有很高的期望,但84%的公司尚未围绕AI能力重新设计工作。AI不仅仅是增强现有流程,它往往需要从根本上重新思考运营模式和工作如何完成。一个总是使用判断和经验来批准贷款的信贷员现在必须与提供建议的AI系统合作。这引发了问题：他们什么时候应该否决AI？他们如何向客户解释决策？他们的专业知识和职业轨迹会发生什么？

入门级和任务导向的角色可能受影响最大,因为自动化可能取代常见的耗时任务。然而,随着一线工作变得更加自动化,主管和管理角色可能会转向协调人类-AI团队。这促使许多组织探索更扁平的结构：53%的组织自更少角色需要监督大型团队以来考虑了基于小组或非层级模型。然而,只有16%的组织在很大程度或最大程度上转向了这种模式。

根据调研的领导者,员工技能不足是将AI整合到现有工作流程中的最大障碍。然而,不到一半的公司对其人才战略进行了重大调整,大多数公司(53%)只是专注于教育员工以提高AI流畅度。虽然大多数公司专注于教育员工,但很少有公司在重新架构角色、工作流程和职业路径。

一家大型物流组织的AI和创新总监强调了员工技能提升和在业务团队适应新AI技术时支持他们的重要性："我们正在对业务方面的人员进行再培训——投入大量资金以确保他们采用新的AI工具,这样他们就能够交付更大、更好、更智能的成果。"该公司对员工队伍转型的愿景不仅限于基本的技能提升。相反,重点是确保员工能够从传统角色转变为更具战略性的职位——由AI工具支持。"例如,将来我们希望看到AI能够使今天的定价分析师成为定价战略家。"

主权AI：技术建设地点与功能同样重要

主权AI是指一个国家——以及在其境内运营的公司——在自己的法律下,在他们控制的基础设施上,使用本地管理的数据来设计、训练和部署AI。目标是减少对外国供应商关键AI能力的依赖。

超过十分之八的公司(83%)认为主权AI对其战略规划至少具有中等重要性,近一半(43%)认为它非常重要或极其重要。类似地,66%的公司对依赖外国拥有的AI技术和基础设施表示至少中等程度的担忧,其中22%非常担忧或极其担忧。

主权AI的兴起具有直接的实际影响。跨境工作的公司必须驾驭因国家而异的复杂要求,迫使他们为不同市场构建定制化解决方案。超过四分之三的公司(77%)现在在选择供应商时将AI解决方案的来源国作为决策因素,近五分之三(58%)现在主要使用本地供应商构建其AI堆栈。这表明地理主权现在与创新同样重要。

正如一家大型电信公司前可观测性副总裁所指出的："我最近与很多国际公司合作,他们坚持要求我们使用国内基础设施。我们正在采取的方法是为这些客户提供精简的小语言模型,以满足进出口控制规则,因为我们在他们的国家建立模型。特别是对于国有企业,当你使用来自国外的东西时会有怀疑。"

主权AI压力因地理和行业而有显著差异。在美洲,只有11%的公司依赖外国来源的解决方案作为其AI堆栈的大部分,而在欧洲/中东/非洲(EMEA)地区,这一比例为32%。在美国,州级部署考虑越来越多地塑造着格局。

归根结底,主权AI不仅仅是技术所有权,而是战略独立性。通过在自己控制的基础设施上构建(由自己的数据、模型、人才和生态系统推动),公司有能力安全和负责任地创新。

智能体AI：扩展速度快于防护栏

经过多年的非AI聊天机器人只能回答基本问题,公司现在正在部署复杂的AI智能体,这些智能体可以设定目标、通过多步骤任务进行推理、使用工具和应用程序编程接口(API),并与人或其他智能体协调工作。这一转变将AI从信息和洞察来源转变为可以以不同身份执行的系统。

在去年的AI现状报告中,26%的受访者表示其组织已经在很大程度或非常大程度上探索自主智能体开发。这些早期探索努力现在开始转化为现实世界的应用,并准备推动短期内采用率的急剧上升。今天,23%的公司至少在中等程度上使用智能体AI。然而,在未来两年内,智能体AI预计将变得几乎无处不在,近四分之三的公司(74%)至少在中等程度上使用它,23%广泛使用,5%将其完全整合为其运营的核心组成部分。

虽然智能体AI预计在客户支持方面产生最高影响,但供应链管理、研发、知识管理和网络安全的用例也被视为具有特别高的潜力。我们访谈的企业已经在多个职能部门部署AI智能体。一家金融服务公司正在构建智能体工作流程,自动从视频会议中捕获会议行动,起草通讯以提醒参与者下一步,并跟踪后续情况。一家航空公司正在使用AI智能体帮助客户完成最常见的交易,如重新预订航班或重新路由行李,为人工坐席腾出时间处理更复杂的事务。一家制造商正在使用AI智能体支持新产品开发计划,利用AI找到成本和上市时间等竞争目标之间的最佳平衡。在公共部门,AI智能体被用于弥补劳动力短缺,与人类工作者合作完成关键流程。85%的公司预计将定制智能体以适应其业务的独特需求。

智能体AI的采用可能会在短期内增加对独特人类优势的需求,如适应性和判断力。一家大型电信公司的前可观测性副总裁说："我们认为我们将自动化工作。事实是,你不会。你将为现有工作者提供力量倍增器,使他们能够更有效。也许有一天这些东西会开始变得无头,它们只是从仪表板指标中获取信息,你可以减少员工等待警报唤醒某人或在屏幕上闪烁红色。但最初对这些人来说将是更多的工作。他们不会无所事事;他们将监视这些智能体,确保量指标正确,确保质量指标正确,并在它们遇到人在环中的门时与人互动以实现问责目的。"

调研的公司中约五分之一(21%)报告目前拥有成熟的自主智能体治理模型。鉴于该技术的快速采用轨迹,这可能是一个重大限制。随着智能体AI从试点扩展到生产部署,建立强大的治理对于在管理风险的同时获取价值至关重要。

治理智能体AI需要超越传统AI监督的新方法。与提供建议供人类采取行动的传统AI系统不同,智能体直接采取行动——进行购买、发送通讯或修改系统。组织需要为智能体自主性建立明确的界限,定义智能体可以独立做出哪些决策,哪些需要人类批准。跟踪智能体行为并标记异常的实时监控系统至关重要,捕获智能体行动完整链的审计跟踪也是如此,以帮助确保问责制并实现持续改进。

看到最大成功的公司正在采取审慎的方法——从低风险用例开始,建立治理能力,并审慎扩展。这包括跨职能治理结构,将IT、法律、合规和业务部门领导聚集在一起制定政策、监控绩效和管理升级。在建立这些治理基础之前急于广泛部署智能体可能会使组织面临重大风险。

物理AI：已嵌入运营且足迹快速增长

物理AI是一类感知真实世界、做出决策并通过机器或控制系统驱动物理行动的AI系统。它位于AI和机器学习、传感器、控制和机器人技术的交叉点。

物理AI整合已经在扩展,58%的公司报告至少有限度地使用物理AI,其中18%在中等或更大程度上利用它。然而,在任何程度上使用物理AI的公司百分比预计将在两年内达到80%——15%广泛使用物理AI,3%将其完全整合为其运营的核心要素。

调研结果表明,亚太地区(AP)的组织在物理AI的早期实施方面处于领先地位。71%的AP受访者报告至少最少使用物理AI,而美洲和EMEA地区均为56%。AP不仅拥有最广泛的采用,而且报告中等或更大使用量的组织比例也最高(AP为20%,美洲为17%,EMEA为18%)。展望未来,90%的AP受访者预计至少最少使用物理AI,而美洲为77%,EMEA为81%。这是有意义的预期增长。然而,物理AI的预期采用曲线明显慢于基于软件的智能体AI,后者预计在同一时间范围内从23%跃升至74%。这种差异反映了物理部署的固有挑战：更高的成本和资本要求、更长的开发周期、更严格的安全法规,以及对专业硬件和维护的需求。

物理AI应用涵盖广泛的工业和商业环境。例如,我们访谈的一家公司正在自动化包裹分类和路由,同时授予仓库机器人更多自主权来决定在哪里以及如何存储物品以最大化地板空间。其他常见用例包括装配线上的协作机器人(cobot)、具有自动响应能力的检查无人机、机器人拣选臂和自主叉车。采用在制造、物流和国防领域尤其先进,机器人、自主车辆和无人机已经在重塑运营。

早期采用的一个关键因素是环境控制。在受控领域(如工厂和仓库)进行的物理AI用例往往比在开放的真实世界环境中的用例进展快得多,后者的挑战和风险要复杂和不可预测得多。

随着物理AI获得更广泛的采用,某些类型预计将比其他类型产生更大的长期影响：智能安全系统和智能监控(21%);协作机器人(20%);和数字孪生(19%)。接受采访的AI领导者分享说,智能监控和数字孪生已经在显著改变运营流程。例如,公司正在使用商店的3D映射来支持室内设计和虚拟现实培训。这些详细的数字副本允许设计团队根据实际商店扫描创建定制环境,还为面向客户和零售员工提供现实的培训体验。

在餐厅业务中,AI技术被用于定向营销和自动化库存管理。例如,计算机视觉能够在整个餐厅工作流程中自动跟踪食品和饮料项目——从订单到交付——优化库存控制并使员工从重复性任务中解放出来。

为了帮助确保公众接受和信任这些解决方案,公司应该专注于使它们安全、可互操作并能抵御中断和网络威胁。与在数字环境中运行的软件AI不同,物理AI系统以可能带来安全风险的方式与人、设备和基础设施互动,如果它们发生故障或受到损害。这提高了测试、认证和持续监控的标准。

公司还必须应对因行业和地理而异的复杂监管环境。物理AI系统通常需要获得安全监管机构的批准,遵守特定行业的标准,并遵守并不总是考虑自主系统的责任框架。这些要求增加了部署的时间和成本,但对于负责任的采用至关重要。

在我们的调研中,成本被最常引用为物理AI部署的关键障碍。在评估物理AI的业务案例时,决策者应该考虑总拥有成本,而不仅仅是初始设备成本。完整的图景包括设施改造以容纳新设备、传感器和机器人本身、与现有系统和工作流程的集成、维护和备件,以及实施和故障排除期间的潜在停机时间。这些成本可能大大超过AI模型和软件的初始投资。

仓库自动化项目可能需要数十万美元的AI开发,但需要数百万美元的物理基础设施、机器人系统和设施改造。低估这些成本的公司面临项目延误或在实施中途放弃的风险。

AI准备程度：战略就绪高于运营就绪

尽管AI从生成式AI快速演变为智能体和物理AI,但42%的公司认为其战略为AI采用做了充分准备,30%的公司对风险和治理也持同样看法,两者自去年的报告以来都有所上升(分别增加3和6个百分点)。这些领域可能进展更快,因为它们主要依赖于高管决策和政策制定。

与此同时,与去年相比,对高度准备程度的看法在技术基础设施(43%)、数据管理(40%)和人才(20%)方面有所下降,揭示了以创新速度现代化系统和技能的持续挑战。事实上,大多数受访者认为解决其组织优先AI计划的关键挑战将需要一年多的时间——在当今快速发展、竞争激烈的市场中时间太长了。

正如一家大型欧洲银行的AI战略主管所解释的："许多组织通过为传统AI模型构建基础设施和治理为AI未来做准备。随着大语言模型的出现,这些努力被颠覆了。突然间,出现了一种不同于以前AI的新能力。现在,传统的AI用例——从头训练模型、定制界面——已经减少。近80%到90%的新用例是生成式AI。所以是的,公司做了准备,但是为了不同的未来。生成式AI需要一套新的能力。"

充分发挥AI潜力的六大重点领域

研究结果很明确：AI的变革潜力是真实的,但获取它远不止技术投资。组织应该将AI视为基础性的。最成功的不会是拥有最多AI项目或最大预算的组织,而是那些将AI构建到其运营、竞争和增长方式基础中的组织。

第一个重点是缩小访问与激活之间的差距。大多数组织已经部署了AI工具,但实现有意义使用的组织要少得多。可用性和采用之间的差距现在是价值的主要障碍。成功的公司专注于激活,而不仅仅是访问。高绩效实施始于被赋权的员工,他们进行实验、分享早期成功并成为内部倡导者。仅靠自上而下的指令很少推动有意义的变化。由高级赞助支持的草根采用创造了动力,并帮助确保解决方案与实际工作流程保持一致。激活需要尽早关注实际约束：系统集成、数据权限和运营可靠性。从一开始就设计部署的组织,而不是将规模视为事后考虑,会看到更高的采用率。实践性的、针对角色的培训和可见的高管倡导会实质性地改变员工行为。将试点视为通向生产的踏脚石而非孤立实验的领导者可能实现更快和更持久的影响。

第二个重点是通过围绕AI重新设计工作来释放人类优势。AI正在各个层面重塑工作。虽然大多数组织目前专注于个人生产力,但领导者正在围绕扩展的AI能力重建流程、角色和职业路径。最成功的组织重新构想工作,无缝结合人类优势和AI能力,确保两方面都得到充分利用。新角色——AI运营经理、人机交互专家、质量管家等——标志着更深层次的转变：AI现在是工作组织方式的结构性组成部分。先进的组织简化AI可以端到端执行的工作流程,而人类专注于判断、异常处理和战略监督。目标不是取代人类或仅仅协助他们,而是在人类和AI之间创造互补的工作关系,其中组合输出超过任何一方单独能够实现的。随着AI承担日常执行任务,组织结构开始变得扁平化。一些公司正在合并技术和人员领导职能,以确保系统和劳动力设计共同发展。速度因行业而异,但方向是一致的：角色、技能和职业路径应该重建,而不是简单调整。组织应该采取AI原生方法,整体重新设计工作,而不是将AI叠加到遗留流程上。

第四个重点是有重点和纪律地应对主权AI要求。随着各国政府加速建立主权AI能力的努力,企业可能会驾驭围绕数据控制、模型透明度、合规性和本地化的日益复杂的期望。主权AI不再局限于公共部门;它正在重塑处理敏感数据或跨司法管辖区运营的每个组织的要求。同时,计算策略成为核心组成部分,需要仔细评估数据驻留和处理位置(例如,在云、本地、混合或边缘环境中),以保持与不断发展的法规和性能需求的一致。领先的公司采取重点方法：评估哪些数据和工作负载必须保持在国家或区域边界内,确定本地模型托管何时是强制性的,并阐明透明度、可审计性和文档标准在市场之间如何不同。他们为数据驻留、模型再训练和跨境流程建立明确的政策,由能够同时满足多个监管制度的基础设施支持。忽视主权AI约束的企业将面临运营中断升级、更高的合规风险以及进入关键市场的受限访问。主动参与的企业建立战略优势：他们可以减少监管不确定性、增强客户信任,并在主权关切占主导地位的行业中将自己定位为首选合作伙伴。主权AI准备现在是企业弹性和全球竞争力的核心要素,而不是专门的合规任务。

第五个重点是为明天的AI构建"活的"技术和数据基础设施。遗留数据和基础设施架构无法为实时、自主的AI提供动力。随着AI能力从软件扩展到设备、机械和边缘位置,组织需要评估其技术基础是否准备好支持潜在的物理AI部署。现代化应该创建一个活的AI骨干：一个组织范围内的实时系统,动态适应业务和监管变化,将基础设施从IT计划提升为战略能力。领导者正在启用模块化、云原生平台,安全连接、治理和集成所有数据类型,促进快速实验和无缝扩展。他们通过领域拥有的数据产品打破孤岛,并嵌入隐私、主权和设计安全,同时执行质量、互操作性和血统的企业标准。这种平衡的方法在集中控制的支持下提供分散创新。统一的、可信的数据策略是不可或缺的。糟糕或碎片化的数据会加剧风险并破坏每个AI计划。前瞻性的组织融合运营、体验和外部数据流,并投资于预测新兴AI需求的不断发展的平台。基础设施决定企业速度;那些尽早现代化的人可能会加速,而其他人则保持受限。

第六个重点是追求战略再造,而不是渐进式效率。将AI视为战略核心的公司与将其视为节省成本工具的公司之间的绩效差距正在扩大。领先的组织大力投资于使用AI重塑运营和创造新的收入流,抵制追逐每一项趋势技术的压力,转而支持真正推进战略目标并带来真正价值的计划。这些组织在多个层面追求增长：加强当前运营、扩展到相邻市场,以及构建由AI支持的全新业务。他们从头开始重新思考其组织,设想如何在没有遗留约束的情况下构建,而不是数字化旧流程。这延伸到重新构想商业模式和适应主权AI等新兴趋势。这种有意的再造是实现超额回报的最强预测因素之一。自主AI系统正在加速这一转变。在知识密集型行业,它们可以承担大量日常工作,使人们能够专注于更高阶的活动。高绩效者正在围绕能够感知背景、做出决策和独立行动的系统进行重组,平衡大胆的转型与运营连续性。他们以适合其组织准备情况的速度前进,做出深思熟虑的权衡并培养基于证据而非炒作的明智决策。战略机会是发现竞争对手无法轻易复制的新价值来源。

随着智能体、物理和主权AI的发展迅速扩展可能性的边界,今天的公司正处于充分挖掘AI全部潜力的边缘。无论是弄清楚如何利用最新的尖端创新、从试点飞跃到大规模部署,还是使用AI创造持久的竞争优势,全球各地的企业都处于用AI转型自己的边缘。现在的挑战是激活：弥合从工具访问到有意义采用的差距,超越实验到大规模运营AI,将AI嵌入核心业务流程——将技术潜力转化为企业价值。

论文地址：

https://www.deloitte.com/content/dam/assets-zone3/us/en/docs/services/consulting/2026/state-of-ai-2026.pdf

END

本文来自至顶AI实验室，一个专注于探索生成式AI前沿技术及其应用的实验室。致力于推动生成式AI在各个领域的创新与突破，挖掘其潜在的应用场景，为企业和个人提供切实可行的解决方案。

Q&A

Q1：什么是主权AI，为什么企业要关注它？

A：主权AI是指一个国家或企业在自己的法律框架下，在自己控制的基础设施上，使用本地管理的数据来设计、训练和部署AI系统。调研显示，77%的公司在选择AI供应商时会考虑技术来源国，83%的公司认为主权AI对战略规划至少具有中等重要性。这关系到技术独立性、数据安全和合规要求，对于跨境运营的企业尤其重要。

Q2：物理AI与传统软件AI有什么区别，采用速度为何较慢？

A：物理AI是能够感知真实世界、做出决策并通过机器或控制系统驱动物理行动的AI系统，如机器人、自主车辆和无人机。虽然58%的公司已在使用物理AI，但其采用速度明显慢于软件AI，原因包括更高的成本和资本要求、更长的开发周期、更严格的安全法规以及对专业硬件和维护的需求。不过，预计两年内将有80%的公司使用物理AI。

Q3：企业如何从AI试点阶段成功过渡到规模化生产？

A：目前只有25%的企业将40%以上的AI实验推向了生产环境，但54%的企业预计在3到6个月内达到这一水平。成功的关键在于：从一开始就考虑生产部署需求，而非将规模化视为事后考虑；建立明确的价值衡量标准和路线图；尽早关注系统集成、数据权限和运营可靠性等实际约束；将试点视为通向生产的踏脚石，而非孤立实验。缺乏连贯AI战略会导致"试点疲劳"，无法创造真正价值。