9月16日，在华兴资本与香港大学CAMO AI落地实验室联合举办的2026 AI in Action｜AI产业落地研讨会的下午场首场圆桌论坛中，围绕“AI时代下的制造业和服务业智能化新范式”，来自明略科技、长信科技/东莞德普特电子、灵美智能、海致科技的企业高管，与华兴资本先进制造负责人李子越共同完成了一场关于“AI落地”的对话。
当模型能力不再是稀缺资源，新范式究竟从何而来、因何而变？这场横跨制造业、服务业与AI赋能侧的对话，从落地案例、决策难点与出海实践切入，最终落到一个核心的判断：数据、组织与场景，是决定智能化成色的关键变量。
圆桌核心观点
-
其一｜数据，是 AI 落地的第一约束
模型能力不再是约束变量，瓶颈让位于数据：口径不一、彼此孤立、散落各处，结构化数据缺乏逻辑，隐性知识沉淀于一线经验。从制造业的工艺数据，到服务业的门店数据，再到赋能侧的治理与显性化，数据工程做不扎实，智能体便无从谈起。
-
其二｜落地的阻力，在组织与人
技术难点相对好解，真正的阻力来自组织与人：流程再造触及组织惯性，长期积累的隐性经验难以显性化、结构化。要越过这层阻力，靠的是顶层的愿力、高管的心力、组织内 AI 极客的带动效应——AI 落地，首先是一场组织变革，而非单纯的技术工程。
-
其三｜落地要选可闭环、易验证的场景切入
无论制造业还是服务业，落地的起点都应落在目标可量化、结果可验证、能够形成闭环的场景。智能体的价值不在于对话与生成，而在于把任务从认知推进到执行并回传结果，先在一个闭环里跑通ROI，再向更多场景复制，是跨越不同行业的共同方法论。
-
其四｜ROI与价值验证，是决策的核心关切
投入多少、回报几何、如何监督评估，是每位决策者都在关注的问题。AI落地必然经历“无回报期”，如何在投入尚未产生显性回报的阶段保持定力，又如何把效率提升转化为可衡量的增量，考验的是决策者的耐心与判断。
-
其五｜出海是确定性增量，但需适配而非照搬
海外市场构成确定性增量，但海外软件体系、选型生态与国内截然不同。出海的关键，是把数据回传、远程运维、图模融合等成熟能力复制并适配到海外、为海外场景重新定义产品，而非把国内经验简单平移。
以下为本次圆桌论坛实录整理稿。我们希望借此将这些精彩的思想火花传递给更多关注AI落地实践的读者。
姜 平 丨明略科技 联合创始人、总裁兼CFO
李荔芳 丨长信科技 副总裁、东莞市德普特电子 董事长
张康融 丨灵美智能 创始人、CEO
何飞宏 丨海致科技 CFO
李子越 丨华兴资本 先进制造负责人
李子越：每一次新技术浪潮的出现都会给制造业和服务业带来智能化的新范式，今天我们邀请到了来自制造业、服务业和助力他们做AI智能化变革的几位嘉宾来给我们分享一下在各自领域的宝贵经验，以及他们在实际落地的过程中有哪些好的落地案例。首先请每位嘉宾做个简单的自我介绍，包括大家最近做的和AI相关的业务。
姜平：明略科技的使命是打造数据驱动的可信生产力。这里面有几个关键词，第一个是数据驱动，明略是从数据分析和数据挖掘做起来；第二个是可信生产力，因为我们更多服务于组织，所以我们提供的产品和服务更多是提升组织生产力，在个人生产力工具上反而做得少一点。我们希望未来能有机会在AI时代，通过人机协同的方式，让我们每个人自己做的产品都成为AI助理和AI专家，再加上自己的协同工作平台，从而提供一套完整的端到端AI科技生产力。我们也希望能打造组织技能，在组织技能上多做探索，给社会做一点贡献。
李荔芳：我们公司的产品主要是平板的显示器，产品覆盖了大家生活的方方面面，涉及的行业包括消费类、车载、工控等领域。我们从传统的制造业起家，经历了数字化转型和AI转型。AI转型是一把手的工程，作为企业经营管理者，首先自己要懂得AI怎么落地，怎么能够提效，所以今天也是抱着学习的心态来跟大家学习交流。
张康融：我现在All in AI创业，因为我相信“数字+物理AI”会改变各行各业，走进千家万户。灵美智能在做的就是从零售行业出发，让具身智能成为普惠生产力。
何飞宏：海致科技2026年2月13日在港交所主板上市，主要是利用图模融合技术来解决AI产业落地和建立产业智能体。什么叫图模融合呢？因为大语言模型本质上是概率智能，它的智力上限体现在其具有的创造力和发散能力，但在产业应用时往往这种创造性会变成一种不确定性，所以如何建立更好的工程化的系统，让它变成可解释、可追溯、可审计的可信AI的工程化的体系，这是我们公司在做的事情。而这离不开一个重要的技术，也就是图谱（Graph）技术。
李子越：感谢大家的介绍。AI的落地需要自上而下的决心，也需要自下而上的涌现。在座的各位观众对AI如何落地以及AI落地的实际案例都非常感兴趣。
明略科技依托20年技术积累，已服务135家财富世界500强、约2,100家品牌客户及超24万家企业用户，覆盖零售、消费品、汽车、3C等行业。首先，请姜平总分享一下明略科技近期最有代表性的智能体落地案例。
姜平：我分享的案例来自一个行业大客户，主题聚焦绩效管理。绩效管理中最重要的是目标统一和对齐。绩效目标的对齐是非常难的，尤其是逐月对齐，在上万人的组织里面是非常复杂的。现在AI能够看到一号位的OKR和每一位高管和员工的OKR，并实时进行对齐，且Agent能发现OKR的差异。另外还有进度上，Agent会根据工作中协同平台中的上下文同步进展，并实时汇报给一号位，管理项目进度。同时，Agent也能将中层管理团队的下属十几名员工的OKR与中层管理团队对齐，并标记差异点：比如缺少一部分市场PR的OKR，Agent会自动发现、提醒、@相关同事及其Agent，Agent之间首先会同步、同事之间也可以互相提醒，每周周报在Agent中也可以互相同步，确保整个团队的OKR和进度都是对齐的。
为什么先落地的是目标和OKR？因为组织里最重要的是目标的对齐，在大型、超大型组织中OKR的对齐是非常难的。我们先从这个案例开始做，比较容易落地。另外，我们也帮客户做研发流程的自动化目标对齐、进度对齐、周报跟踪，先落地的话，就解决了组织里最重要的战略目标问题。
李子越：消费电子行业近年来对柔性生产的需求越来越高，AI与数字化技术已经深度融入制造环节中，接下来请李荔芳总介绍一个德普特AI落地的实际案例。
李荔芳：AI落地方面，我们已经开始构建自己的Agent。2019年，我们开始构建自有的大数据平台，在平台上沉淀结构化的数据以及图像等各类信息，比如在每次实验中我们都会记录相关的实验过程数据，温度和压力等各类数据都会对实验结果有显著的影响。我们把这类数据都投喂给AI进行自主学习，这样就可以找到最优化的方案去进行规模化的生产。另外，对于非结构化的数据，以前是靠人工去检查，现在引入了自动化的检测设备，把相关的数据都沉淀到平台上，保证数据的完整性，并通过打标签来提升数据的质量。我们在公司的每个部门都搭建了Agent，但是Agent能力的提升需要更多的数据，数据需要从工艺和流程中提取的，未来如何提取、如何更好地利用这些数据，我们也在学习和摸索。
李子越：灵美智能从创立之初就具备了数据和场景的双资产背景，物美旗下的数千家自营门店和多点OS覆盖，专注于AI与具身智能的整合应用研发，通过与零售客户持续合作，解决行业长期存在的“有决策、难执行”的痛点，请张康融总介绍一下最新的具身落地进展以及AI在商超日常运营中可以发挥的作用，以及为什么零售是具身智能落地比较好的选择。
张康融：我们看到零售有两个核心优势。第一，具身数据最关心的是物品和任务的泛化性，零售作为实体经济的集成层，自然会收敛到日常吃的、穿的、用的、买的物品，它会集中在商超里做各种各样的操作。最简单的操作，比如上下货；复杂的操作，比如食品加工，包括烤面包、蒸包子、炸丸子，切分水果、样品试吃和分拆等等，这些场景所沉淀的真实操作数据，正是具身智能训练与能力迭代的宝贵燃料。
第二，关于落地场景本身，零售比较适合具身智能优先落地的原因是，它是一个自动化率非常低的行业，受到的限制比较多。首先，因为门店要开在人流密集区，租金会成为很高的成本项，我们很难像大型工厂一样可以做比较大规模的产线去自动化地解决这些问题，所以导致门店现在很多补货和食品加工等环节还是由大量的一线员工去解决，因此零售成为了人力密集型的行业。
灵美智能在做的事情，是构建从具备认知与规划能力的行业大脑，到具身行动脑的完整链路，以打通业务飞轮：由行业底层OS高效发布任务，分派给门店员工、具身智能体及设备，再由智能体与机器人执行任务，并回传任务结果。
我们第一步主要是推动交互类和执行类的场景和任务。交互类，比如导购、社群拉新、试吃引导等，这些任务目前都是由员工来完成的，但未来可以进一步智能化，由具身智能接替一部分的工作；执行类也有比较丰富的场景，如补货、烘焙、食品加工等等。对于最后的终局，我们相信无论是数字AI还是物理AI，还是两边的结合，肯定会对每个行业有比较深远的改变。
在零售端，随着交互类和执行类任务能够被具身智能体所完成，未来的管理类任务（如巡检任务等）也可以逐步实现智能化。最终，整个行业将会有一些迭代和升级，因为现在整个消费品行业是线性供应链的行业，且链路冗长，涵盖上游生产、物流、加工，到零售和分发到消费者的手上的全过程。未来，这个行业可以变成有自主学习和自主进化能力的智能化行业，每个终端的传感器都可以收集到大量的用户行为数据、商品信息、门店信息，最终将推动实体经济实现智能化和互联网化，这也是我们长期为之努力的目标。
李子越：海致科技在AI智能体的产业落地上走在全国的最前列，主要围绕金融、能源、智能制造和政务来进行智能体的落地，请何飞宏总分享一个智能制造行业客户的AI落地案例。
何飞宏：我来分享一个电网的案例，电网是数据密集型行业，中国的电网主要就调度和运维两个功能。我最开始提到说AI产业落地的核心是要用到图谱的相关能力，那什么是图谱，图谱代表了什么样的能力？图谱明确了对象、对象的属性和对象之间的关系，以及基于此，我们可以对对象采取什么样的行为和动作。为什么图谱在产业智能体的应用中变得很重要呢？因为产业侧应用的场景往往是多对象，且对象之间是相互关联且关系复杂的，所以图是描述这类场景的有效的组织形式和数据形态。
我们以电网举例，在运维场景中，运维人员可能问AI，为什么最近的110千伏变压器故障处理成本在持续上升，在打通底层数据的基础上，大语言模型也装配了比较好的知识库的情况下，它已经可以给出一个不错的答案：比如说回答因为在过去的两个月里面的故障数量增加了18%，每个单点故障处理时间增长6个小时，备件采购成本增加了12%。这个答案已经是个可靠的答案，但这个答案还只是提供一个信息，这时候的智能体还是只起到了一个工具类的价值。
但是我们现在对智能体的要求是，希望它能够起到一个有经验的运维工程师的价值：如果我们构建一个本体，把所有的逻辑关联用图的方式组织起来，之后形成智能体，当你问相关问题的时候，它会去先检索，110千伏变压器故障成本变高，都是哪几个变压器出故障，而且它会从对象的属性出发发现，这些变压器是同一个厂家、同一个批次，同一个绕组工艺的，这样第一个认定的结果出来了，这不是一个单点的故障问题，而是一个家族式的功能缺陷。
基于这个，智能体后面要做什么？第一，下工单排查所有电网的节点，还有哪些节点用了这些变压器；第二，下工单给一线的运维，排查电网节点中装了同类变压器的，对他们做超前的风险排查。第三，检查库存，常规的备品库存是为了应对正常的风险处理和风险应对，但因为这种家族式的缺陷，整体风险变高，是否会涉及到库存不够用的问题。第四，联动供应链采购，了解供应商的情况，比如供应周期、供应条款、供应商风险等等。基于这种图谱基础构建出来的本体能力，对于一个单点的现象做的结构化推演，基于对设备、运维、库存管理和供应链的理解，做出来的总体决策判断，这是我们今天需要智能体在运维上起到的作用。
这件事情的实现，很多的逻辑存在于一线员工的经验里，有经验的员工看到某个现象之后会衍生出来一系列的自然推演，那怎么把这些隐性的知识有效地组织起来，构建出本体，形成一个智能体，就要靠FDE（前线部署工程师）的方式，真正的FDE是深入到一线中，沉淀一线员工的隐性知识。显性知识是存在于MES系统、WM系统、CRM或者ERP等系统里，这些沉淀的都是结果性的数据，但形成这些决策结果的原因，是沉淀在一线员工的经验里。我们需要把这些隐性的知识，如领域知识、Know-how、经验、制度、流程，甚至是文化、建模，形成一个工程化的体系。
李子越：在AI实际落地的过程中，必然会经历一段磨合，也会遇到各类问题与挑战，包括决策的制定、不同部门的配合、效果的评估和验收等。能否请各位分享一下AI在落地过程中的决策标准和遇到的困难。
首先有请姜平总为我们介绍。因为您主要辅助客户决策是否推进AI落地，那么在您跟客户的交流过程中，推动AI落地这件事最大的核心难点会是什么？
姜平：我总结有六个方面的难点。第一个难点，将原有的系统做成AI Ready，需要对原有系统进行改造，比如API化、MCP化。这个改造的难点在于，原系统的团队已经有既定的工作和职责，推动其配合改造，需要组织顶层的推动。
第二个难点是构建资产库，例如视频、素材、SOP或者产品手册等资产库的建立。因为资产库建立得越好，AI应用起来也会更加智慧。
第三个难点是构建知识库，知识图谱是比较好的实现方式。我们跟海致一样，也是一直在用知识图谱，我们打造的是可信资产，技术上的难点相对好解决，更重要的还是知识的显化过程。这一过程往往涉及跨团队的协作与利益协调，当知识需要沉淀为组织或部门资产时，推进起来就需要更多的沟通与共识。
第四个难点是数据治理。数据治理是一个特别有挑战的事情，很多时候我们能够把已知的数据断点治理好，但治理好后工作起来还是有未知的数据断点，需要通过很多的流程去穿透检查，才发现有些数据还是隐含的。特别是进入深水区之后，数据治理是非常关键的环节。目前大部分企业数据治理仍未完成，只是在未闭环的场景或闭环的局部场景做了数据治理，但是公司整体数据治理都做得很好是非常难的。
第五个难点是流程再造。以销售流程举例，通过AI的落地，能够把销售和客户沟通的过程显化，实现数据在线，将从客户收集到的需求转换成信息，直接交给Agent，Agent可以直接去推动后续的流程，后续的开发能力也会进一步增强，这就是一个典型流程再造。流程再造最大的挑战是在这个过程中，员工可能会感觉到被干扰。
最后一个难点是组织变革。个人生产力是相对容易提升的，小团队、AI小组，是相对天然的AI Native，但对超大型组织而言，组织变革往往涉及不同团队的权责划分与协同方式，推进过程会更加复杂。
组织变革中有三个关键角色：
第一个是企业领导的愿力得足够大，尤其需要承受无回报期带来的压力。无回报期是必然的，愿力足够大，对于无回报期才有心力去支撑。
第二个是高管需要有心力。熬过无回报期是非常不容易的，消耗大量Token本身并不能证明投入能带来相应的ROI，公司的股东、董事，甚至团队都会对此提出质疑，所以需要高管团队的心力。
第三个是组织内的AI极客。所谓的AI极客，很多是AI Native出身，这类人通常是组织变革者，能够改变组织原有的惯性。我认为，要给这些AI极客更多的激励，让他管理更多的资源、更多的人和更多的业务，才能把组织AI化的成果放大。
我认为上述六个环节都是有困难的，每个环节都没有轻巧的事，都要一步一步去做。
李子越：刚才姜平总提到了企业领导的愿力，李荔芳总作为企业经营管理者，您对于AI落地的愿力是怎样的，从哪个时间点或者哪一个事件让您觉得在组织内需要全方位推动AI的转型？
李荔芳：我觉得AI平权是非常明显的。AI能够给我们提供不同的工具，这些工具可以赋能我们一线的员工提升生产力，所以我是很鼓励公司全员去推动AI。刚才有提到AI Native，我认为我们还是需要AI Native的生态去做AI的落地。
关于AI落地的时间，我们已经在进行中，而且我们希望越快越好。但同时我也有些忐忑，比如我的投资是多少、ROI怎样、不同的蓝领或白领都需要什么样的AI工具。对于提升生产力，我们也不需要直接看到10倍的提升，但是做了相应的投资之后，如何去监督和评估，这是我们要考虑的。
李子越：目前灵美已经在补货等场景部署测试，短期聚焦门店部署与模型验证。基于真实商超场景训练模型，请张康融总分享一下在不同产品、不同场景下的泛化落地过程中遇到过哪些困难？
张康融：我觉得落地最大的关键点是商业跟行业数据打通。举个简单例子，比如说我们在门店补货，具身智能体和模型可以稳定抓起任何一个商品放在任何一个位置上，但如果它不知道放在具体哪个位置、放多少件的话，在门店里也是没有效果的。
所以第一步，我们跟多点的OS系统做了全面的打通，获得商家的底层数据。刚才大家都提到数据和数字清理的重要性，我觉得这也是具身在行业落地的关键。
另外，规模化部署最关键的是标准化。比如我们在思考如何尽可能降低拓展每一个门店或者场景边界的部署成本，这是非常重要的。我们之所以优先选择零售业态，一个重要原因就在于，以麦德龙为例，各门店之间几乎没有差异，或基本保持高度一致。
最后，行业Know-how和前沿技术Know-how缺一不可。确实有许多前沿技术和前沿团队在推进这件事，但最关键的是能否解决实际痛点。行业发展很快，很容易陷入“拿着锤子找钉子”的状态：手里有一个很厉害的工具，就总想找地方把它用上。因此，我认为反过来从场景、真实用户和真实问题出发进行推导，同样非常重要。
李子越：有请何飞宏总分享一下，在与客户沟通的过程中，大家推进AI落地时遇到了哪些共性难点？
何飞宏：第一层肯定是数据，很多公司完成了数字化转型，包括很多大型企业，有大量很酷很炫的数字大屏，但是这些数字大屏之间的数据并没有打通，不同大屏展示的数据之间的数据口径都不一样。虽然有很多的数据，但数据之间是没有逻辑的。这些数据以前被分散存在各个地方，比如某个公司有采购订单、销售订单、生产订单、维保订单和客户信息，但这些数据都是孤立的。以前数分团队的价值就是写SQL去各个系统里头抓数，然后再把这些数据拼起来。但这是一个相对低效的方式和手段。所以怎么建立数据逻辑很重要。
第二个，智能的形成是一个自下而上的过程，首先要做数据工程有关的事情；然后是知识工程，包括语义层的统一，也包括如何把一线人员的隐性知识抽象出来，形成一个有效的工程化体系。那如何通过沟通让员工愿意分享这些核心的认知和Know-how，能让他们意识到这么做是为了让组织变得更好，就显得尤为重要。
而且因为在大型组织中，每个部门之间的信息可能并不相通，我们不能让每个业务部门分别去建立自己的智能体体系，否则后续这个体系的调度和协调也会有巨大的挑战。所以就必须要一个自上而下的统一化的构建过程，这种统一化的构建过程也很难，要跟各个部门的人打交道，把他们的知识对齐、认知对齐。
第三个部分是形成智能体的过程，我们今天构建的是一个产业级的Harness，还是要跟大语言模型结合，才能变成一个高效实用的智能体，这就需要理解不同大语言模型的能力。比如不同厂商的大语言模型的特性、能力和擅长的领域是不一样的，即使同一个大语言模型厂商的不同参数体量的模型，特性、能力也不一样。那如何与不同任务和场景进行完美的适配，形成一个有效的模型路由，在执行正确任务的时候用到正确的模型，这也很重要。
所以需要积累大量的一线经验和测试，对场景要足够的理解，要理解一个人工智能体系部署的真正难题是什么，才能把下层的数据工程，中间的知识工程以及最后的智能体构建都做好。
李子越：这几年行业最大的主题一个是AI，另一个就是出海。在国内企业的出海过程中AI已经渗透到了方方面面，从商机的获取、产品的营销、海外工厂的智能化到全球化的资源管理，每个环节都能看到AI的渗透和提升。请各位分享一下咱们在出海领域有没有一些AI落地实践应用。
明略的海外服务构建了以AI驱动的增长基础设施，很多客户把AI嵌入市场感知、策略研究、项目协同、数据监测和复盘沉淀等环节，请姜平总先来介绍一下这方面的实战案例。
姜平：当前，中国品牌出海，尤其是国民品牌出海，仍是一股很大的热潮，3C电子行业尤为明显。我们为其打造了多个自动化工具，涵盖达人筛选、达人建联、达人状态管理以及投后结案复盘等环节，其中有许多环节都可以实现自动化。以最基础的达人筛选为例，搜索达人、打标签、邮件沟通、脚本制作、短视频生成等工作，目前已完全实现AI闭环。除了必须保留人的温度感的环节外，其余环节均已实现AI闭环。
李子越：李荔芳总所在的公司在越南也建了工厂，在管理过程当中，AI是否已经有了比较好的落地？
李荔芳：我们在越南的新工厂因为缺少精英的工程师，但整个集团对品质的要求又是一致的，所以我们会采集很多数据，再把这些数据传回国内。我们要确保设备运营的情况一致，并预测可能会出现的故障，如果设备出现故障，国内的技术工程师会远程帮助越南的工程师去解决问题。我们可以将国内成熟的AI技术复制到不同国家的生产工厂。
李子越：2023年，多点就开始将业务渗透至东南亚、欧洲，与当地很多企业建立了合作联系。海外由于高人力成本，对于具身智能在零售场景的需求是很大的，灵美智能从中长期的角度是否有海外拓展的计划呢？
张康融：Physical AI是中国非常好的机会，因为无论从数据采集，还是从硬件制造上，我们都具备自己的独特优势。海外当然是我们最大的市场，因为他们在人力成本和管理上有非常刚性的需求。我们快速收集了像欧洲、北美、日韩头部零售商的合作需求与意愿，他们最关心的主要是未来能不能搭上AI这班车，真正提升自己的行业价值，让他们整个运转能够更高效，而这一切的第一步，正是从降低人力成本和管理成本切入。因此，我们认为这是一个非常广阔的市场。
李子越：海致科技在2025年就开始布局海外市场，也在计划深度探索东南亚市场，请何飞宏总介绍一下海致在AI出海方面的布局。
何飞宏：我们出海做得相对来说没那么激进，因为我们的业务不仅仅是数据，还有如何把Know-how统一，最终希望能形成行动能力，这也需要和客户现有的工具软件做适配。但这时候我们发现境外企业跟中国内地底层软件体系截然不同，所以很多内地的经验是没有办法照搬到境外当中去。因此我们选择先以中国香港和新加坡作为支点，这两个地区都有以中文为基础的语言体系，和客户之间的沟通相对来说比较容易。我们从比较熟悉的，比如政务、金融这几个行业入手，因为我们是非常娴熟的Know-how掌握者，即使对当地的数据、当地的工具有一些不了解，但我们依旧可以结合过往的经验找到好的切入方式。可以先通过这样的方式打开中国香港和新加坡市场，再以这些地区为支点向东南亚地区进一步延伸。
李子越：感谢各位的分享。AI落地，技术早已不是瓶颈，真正决定成色的是数据、组织与场景。新范式尚未定型，而定义它的，正是这些“落地有声”的实践。本场Panel到此结束。
免责声明
本文内容仅代表嘉宾立场，并不代表华兴资本集团（“华兴资本”）之意见，华兴资本不担保文中信息之准确性或完整性。任何人如因使用本文之材料而承受直接、间接或相关的损失，华兴资本不对此等损失负任何责任。
本文仅供接收方作参考用途，不构成出售或购买或认购证券的邀请或向任何特定人士作出邀请，不作为也不应被视为在任何地区对任何证券的研究报告或任何基金募集文件或对基金投资人的任何信息披露文件。本文所提及的上市公司仅为示例，不代表任何投资分析或投资建议。华兴资本与本文所提及的公司之间可能存在或寻求业务关系。接收方不应仅依靠本文，而应按照自己的判断作出投资决定，并在作出任何投资行动前，咨询专业意见。
精彩评论