AI落地真正难在哪？高盛30页报告拆出实体经济的五道关卡

假设你是一家制造企业的负责人。

董事会已经批准预算，大模型可以买，服务器也能采购，技术团队甚至已经做出了效果不错的演示。第二天，你准备把AI接入生产线，却发现真正的问题才刚刚开始：

设备数据分散在不同控制系统里；部分老机床根本没有联网；车间网络一旦波动，生产不能跟着中断；仿真环境里表现完美的算法，到了现场却会受到温度、振动、材料差异和机械公差影响；最后，即便模型能跑，还要回答一个更严肃的问题——它出了错，谁来负责？

这才是AI进入真实世界时的常态。

2026年6月，高盛投资银行部门发布了一份30多页的报告《Harnessing AI for the Real Economy》，讨论AI如何从软件、办公和代码世界，进一步进入制造、能源、物流、国防和复杂工程系统。与单纯预测技术趋势的研究不同，这份报告更关注资本应该投向哪里、哪些商业模式可能成立，以及哪些项目能够真正落地。

报告最值得关注的，不是某个模型又提高了多少分，而是一套判断工业AI能否落地的框架。

在高盛看来，AI进入实体经济，至少要跨过五道关卡：物理约束、私有数据、边缘部署、可认证性和工作流融合。

这五项能力，可能比模型参数量更能决定一家企业的AI项目能不能长期运行。

---

一、我们谈论了三年AI，可能只触碰了经济世界的一小部分

过去几年，生成式AI最先影响的是文字、图片、代码、客服和办公软件。

原因并不复杂。软件世界的试错成本比较低。

一段代码写错了，可以回滚；一张图片生成失败，可以重做；一篇文案不合格，最多浪费一些时间和Token。企业可以快速上线、快速测试，也可以随时更换模型。

但是，工厂、电网、汽车、飞机和仓库不同。

一次错误的设备控制可能造成停线；一次错误的电网调度可能影响供电安全；一个无法解释的航空控制决策，甚至可能带来人身风险。

高盛报告给出了一个很有冲击力的对比：以SaaS为代表的软件服务占全球GDP不到0.5%，而制造、能源、建筑、交通、农业等实体经济构成了其余绝大部分经济活动。所谓“99.5%”，并不意味着这些行业都会立刻被AI改造，而是在提醒我们：目前最热闹的AI应用，主要集中在全球经济中相对轻资产、数字化程度较高的一层。

AI的上半场解决的是“信息如何生成”，下半场要面对的则是“机器、材料、能源和人员如何协同”。

这不是一次普通的软件升级，而是一场系统工程。

---

二、软件行业为什么成了“煤矿里的金丝雀”

高盛将软件行业称为“AI经济学的煤矿金丝雀”。

过去，软件公司主要按照账号数量收费。一个企业有1000名员工使用系统，就购买1000个席位。软件厂商出售的是访问权限、功能模块和操作界面。

AI Agent出现后，客户开始改变问题：

我为什么要为多少人登录系统付费？
我更关心的是，它到底完成了多少任务、处理了多少订单、修复了多少代码，或者节省了多少时间。

于是，软件的计价单位开始从“席位”向“Token、任务和结果”迁移。

在高盛2026年3月发布的另一份软件专题报告中，截至当时，追踪约120家北美软件公司的IGV ETF年内下跌约17%，较2025年秋季高点下降约26%；其十大重仓公司的市值合计缩水接近8000亿美元。这里需要注意，这组数字对应的是3月报告发布时的市场状态，不宜简单理解为完整的2026年上半年表现。

市场担心的并不是软件会消失，而是传统软件公司的价值来源可能发生变化。

未来真正掌握定价权的，可能不再只是拥有界面和账号体系的公司，而是掌握以下三种能力的企业：

一是能够直接交付业务结果；二是能够编排多个模型和智能体；三是拥有行业数据、业务上下文和责任链条。

这也是实体经济AI的第一个信号：模型可以越来越便宜，但结果不会自动变得可靠。

---

三、AI最先撞上的，可能不是算法，而是电力和技术工人

人们谈论AI人才时，往往首先想到算法工程师、数据科学家和大模型研究员。

但当AI进入数据中心、电网和工厂以后，真正稀缺的岗位还包括电工、焊工、管道工、冷却系统工程师、设备运维人员和工业自动化工程师。

高盛估计，到2030年，美国电力及电网价值链可能需要增加超过50万名工人，而不少岗位需要经过3至4年的培训。其另一项专题分析显示，美国2024年活跃的能源相关学徒约为4.5万人；为了满足输配电建设需求，这一规模可能需要提高到每年约6.5万人。

资本可以在几个月内批准一座数据中心，但培养一名合格电工没有“一键加速”按钮。

电力本身也是约束。

高盛报告提到，得州阿比林正在形成一个用电需求可与旧金山相比的数据中心市场。当地大型AI数据中心项目的规划规模已经达到吉瓦级，说明AI基础设施正在把原本集中在大城市的电力需求，快速转移到新的工业节点。

当公共电网无法及时提供容量时，科技企业开始寻找自己的供电方案。报告估计，未来新增数据中心容量中，约三分之一可能采用“表后供电”或相对独立的孤岛式能源设施。

这也解释了为什么科技公司开始直接参与能源项目。

微软与Constellation签署了20年购电协议，以支持宾夕法尼亚州一座退役核电设施重启；亚马逊则签署多项小型模块化反应堆协议，并投资核能技术公司，希望获得持续、稳定的低碳电力。

过去，科技企业只是购买电力。现在，它们正在参与建设电力。

AI公司的边界，也因此从软件、芯片和云计算扩展到了能源、工程与基础设施。

---

四、工业AI真正要跨过的五道关卡

第一关：物理约束——仿真里的最优解，不等于现场的可行解

数字世界里的数据通常是整齐的，但真实世界充满偏差。

同一种材料，不同批次的强度可能略有差异；同一台设备，使用时间不同，磨损状态也不同；传感器会受到灰尘、光线、振动和温度影响；机械臂即使只偏移几毫米，也可能抓取失败。

因此，工业AI不能只在数据层面寻找相关性，还必须理解物理规律。

例如，AI可以在数字孪生环境中优化一台发动机的结构，但最终设计仍然要符合热力学、流体力学、材料强度和制造工艺要求。一个在仿真里效率最高的结构，可能根本无法加工，也可能因成本过高而没有商业价值。

这意味着，工业AI项目不能只由算法团队负责。

真正有效的团队通常需要模型工程师、工艺工程师、设备专家、质量人员和一线操作人员共同参与。AI负责搜索更大的方案空间，行业专家负责判断哪些方案能够被现实世界接受。

---

第二关：私有数据——企业积累的数据，才是工业AI的燃料

互联网大模型擅长处理公开文本，但工厂最有价值的数据通常不在互联网上。

它们可能藏在设备日志、维修记录、质量检测报告、客户投诉、供应链数据、工艺参数和老师傅的经验里。

同样是设计一条牛仔裤，通用模型可以分析流行趋势，却不知道某家工厂过去十年中哪些版型退货率最高、哪些面料最容易缩水、哪些工序经常导致色差，也不知道年轻消费者最真实的差评是什么。

这些私有数据，才决定AI能否从“会回答问题”变成“能改善经营”。

企业的竞争优势并不只是拥有多少数据，而是能否完成四件事：

把数据从设备和部门中提取出来；统一格式和业务口径；确认数据的质量与权限；让模型输出重新回到业务流程中，形成反馈闭环。

如果没有这些基础工作，再强的大模型也只能停留在演示阶段。

---

第三关：边缘部署——断网之后，生产线仍然必须运行

大量生成式AI应用运行在云端，但工业系统不能完全依赖云端。

生产线可能对延迟非常敏感。机械臂、质量检测设备和电网控制节点，通常需要在毫秒级完成判断。把数据传到远程服务器，再等待模型返回，可能已经错过控制窗口。

网络也并非永远稳定。

如果工厂因为运营商网络中断就停止生产，这种AI系统很难被企业接受。因此，部分模型需要直接部署在机床、网关、机器人、控制器或工厂本地服务器上。高盛将这种边缘部署能力列为工业AI企业构建长期壁垒的关键因素之一。

边缘部署会带来新的技术取舍：

模型要足够小，设备算力要足够稳定，系统要支持离线运行，还要同时考虑功耗、散热、安全更新和版本管理。

这也是为什么小模型、模型压缩、边缘芯片和端云协同，会成为工业AI的重要组成部分。

---

第四关：可认证性——技术效果好，不代表可以获得“上岗证”

在普通办公场景中，AI犯错通常意味着重新生成一次。

但在航空、汽车、能源和医疗设备中，系统不仅要表现良好，还要证明它在异常情况下依然安全。

以航空软件为例，美国联邦航空管理局对飞行控制、发动机控制等机载软件设置了严格的软件保证和认证要求。FAA也明确指出，学习型AI具有演化性和一定程度的非确定性，这会给传统认证方法带来挑战。

传统软件通常可以按照明确规则进行验证：

输入是什么，程序执行了什么逻辑，最终输出为什么是这个结果。

而深度学习模型的决策过程不一定能够被完全解释。即便平均准确率达到99.9%，监管机构仍然需要知道：剩余的0.1%会在什么情况下发生，系统如何检测错误，又如何切换到安全状态。

因此，工业AI不能把认证当成产品完成后的最后一步。

训练数据、模型架构、测试方法、异常处理、日志记录和人工接管机制，都需要从设计阶段开始考虑。

在高风险行业里，模型能力只是入场条件；能否验证和认证，才是商业化门槛。

---

第五关：工作流融合——不是推倒重来，而是“一边飞行一边换引擎”

传统企业通常已经积累了几十年的设备、制度和流程。

工厂里可能同时运行着20年前的控制系统、10年前的ERP，以及最近才部署的物联网平台。让企业全部推倒重建，既不现实，也承担不起停产风险。

所以，工业AI往往不是替换整个系统，而是作为新的一层能力嵌入其中。

例如，预测性维护模型可以先给维修人员提供风险提示，而不是直接关闭设备；质量检测模型可以先进行辅助筛查，再逐步提高自动决策比例；供应链智能体可以先生成建议，由计划人员审批后执行。

这是一条典型的渐进式路线：

先旁路观察，再辅助决策；先处理低风险任务，再进入关键控制；先建立人工审核，再逐步扩大自动化权限。

工业AI最难的部分，往往不是模型训练，而是重新划分人与机器的责任。

谁批准AI建议？
谁处理异常？
谁维护模型？
模型更新后是否需要重新测试？
出现损失时，责任属于设备商、模型商还是企业自己？

这些问题没有解决，AI就很难真正进入核心生产流程。

---

五、中国模型成本下降，为什么反而让行业能力更重要

高盛在报告中专门讨论了“中国成本分水岭”。

OpenRouter数据显示，中国开源模型在其平台上的Token使用份额，从2024年的较低水平快速上升。其2025年度研究显示，中国开源模型的周度Token份额一度接近30%；进入2026年后，部分时段的占比继续提高，DeepSeek等中国模型在特定月份获得了显著使用量。

不过，这类数据需要谨慎解读。

OpenRouter只是模型调用市场的一部分，其用户结构偏向开发者、初创企业和多模型应用，不能直接代表全球全部企业AI支出。Token占比也不等于收入占比，更不等于最终商业价值。

但趋势依然清晰：模型调用成本正在快速下降，企业使用高性能模型的门槛越来越低。

这对中国企业是一件好事，也带来了更激烈的竞争。

当大家都能调用便宜模型时，“接入一个大模型”不再是稀缺能力。单纯做模型套壳，也很难形成长期壁垒。

真正稀缺的能力将向其他环节转移：

谁拥有高质量行业数据，谁真正理解现场流程，谁能完成边缘部署，谁能通过认证，谁能对最终业务结果负责。

便宜模型降低的是入场费，不是比赛难度。

---

六、从写邮件到设计发动机，AI的目标正在改变

报告还提到贝索斯与Vik Bajaj联合创办的Prometheus。

这家公司提出的目标不是再做一个聊天机器人，而是开发所谓的“人工通用工程师”，让AI参与喷气发动机、机器人、药物分子和复杂工业产品的设计与工程开发。2026年6月，Prometheus宣布完成120亿美元融资，估值约410亿美元。

这个项目目前仍处于早期阶段，巨额融资也不代表技术路线已经被验证。

但它透露了一个重要变化：

第一阶段的生成式AI，主要是在压缩内容生产周期；下一阶段的工业AI，希望压缩的是设计、仿真、试验、制造和发明周期。

过去，研发一台复杂设备可能需要多轮设计、打样和物理测试。未来，AI可能先在数字孪生中探索成千上万种方案，再由工程师筛选和验证。

AI不会自动取代工程师，但可能改变工程师工作的重心：从手工寻找方案，转向定义目标、约束条件、验证方法和安全边界。

---

七、普通企业应该如何使用这份“五关框架”

企业评估AI项目时，不妨暂时放下“用哪个模型”这个问题，先回答五个更具体的问题。

物理约束：模型的建议是否符合材料、设备和工艺条件？

私有数据：真正决定业务结果的数据在哪里，由谁控制，质量是否可靠？

边缘部署：断网、延迟或云服务故障时，系统能否继续运行？

可认证性：模型如何测试、解释、审计和追责，是否满足行业监管要求？

工作流融合：AI最终嵌入哪个岗位和流程，由谁审批和执行？

如果一个项目只能回答“我们使用了最先进的大模型”，却回答不了这五个问题，它大概率还只是一个演示项目。

如果五项条件基本具备，即使模型不是最强的，项目反而可能更有商业价值。

因为AI进入实体经济后，竞争的核心将不再是单点模型能力，而是企业能否把模型、数据、设备、能源、人员、安全和工作流组织成一个稳定运行的系统。

真正的工业AI，不是让工厂装上一个聊天窗口。

而是让AI在不打断生产、不突破安全边界的情况下，成为整个生产系统的一部分。

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）