本文仅在今日头条发布
，
谢绝转载；

AI科技革命仍然在进行中
，
那么AI应用走到哪一步了呢
？

一、AI应用的进度和质量

几乎所有技术浪潮
，
都遵循同一个顺序：先发展硬件
，
后发展软件应用
，
AI也不例外
。


这一轮AI革命的底层
，
其实还在算力的跃迁阶段
。
数据中心里用的GPU、专用AI芯片
，
正在全球范围内高速扩容
。
不管是ChatGPT、Deep Seek
，
还是国内外各种大模型
，
都在大幅需要和消耗这些算力工厂的产能
。


但对普通人来说
，
AI的主要入口仍然是手机和电脑
，
少量是智能音箱、车机、AR眼镜等终端
。


所谓AI手机AIPC
，
本质是把一部分推理算力下沉到本地
，
让AI更便宜、更实时
，
但整体还处在早期阶段
。


也就是说云端算力刚堆起来
，
终端形态还没真正变样
，
离到处都是AI设备的阶段还有距离
。


2022–2025年
，
大模型能力是肉眼可见地飞跃
，
总结文件、写代码、翻译、写方案
，
生成内容的质量整体在不断提高
。


但依然没解决一个核心问题
，
就是AI幻觉
。


学界通常用这个词
，
是指大模型在没有足够依据时
，
仍然一本正经地给出看上去合理、其实是错的答案
。
这是目前大型语言模型设计和训练方式内生的缺陷
，
也是世界各国学者都在认真研究的问题
。


这就意味着
，
在聊天、写作、脑暴这类低风险场景里
，
幻觉问题可以容忍
，
人类校对一下就行
。


但真正将AI用在在医疗、法律、金融决策、工业控制等高风险行业
，
AI是很难独自上岗的
，
必须需要人类做主导
，
它顶多是辅助作用
。


从这个角度说
，
现在的大模型整体处在可用但不可完全托付的阶段
。


但如果从用户规模看
，
AI现在已经不是小圈子的事了
，
Quest Mobile的《AI应用行业报告》显示
，
截至2025年三季度
，
中国移动端AI应用月活已达7.29亿
，
PC端约2亿
。
其中头部应用
，
比如豆包月活已达1.72亿
，
和Deep Seek、元宝等一起
，
形成第一梯队
。


用过AI的人已经非常多了
，
但真正用好AI的
，
还是少数人
。


二、AI在各个场景里
，
走到了哪一步
？

AI现在在文稿撰写、知识工作里走的是比较快的
，
这也是目前渗透率最高的一块
。


写报告、做方案、改简历、写代码、做数据摘要……大模型类产品已经成为很多人日常工作的一部分
。
微软、谷歌等公司内部的实验发现
，
程序员、文案、客服等岗位使用AI工具后
，
生产率普遍可以提升20%–50%左右
，
但依然需要人工审阅和修改
。


会用的人
，
把AI当加速器思路生成器
，
效率明显提高
。
不会用的人
，
要么只拿它写点花里胡哨的文案
，
要么干脆不用
。


企业这边
，
多数还处在小范围试点的阶段
，
真正把流程和岗位全面重构的
，
还是少数
。


所以
，
在这个场景中
，
AI已经成为白领工作的重要工具
，
但不是替代者
，
依然是辅助
。


另一个更重要的领域是具身智能和机器人
。


2024年
，
特斯拉展示了新一代人形机器人Optimus
，
可以完成折衣服、分拣物品、简单搬运等动作
，
但官方也强调还处于原型阶段
，
距规模部署有不小距离
。
美国初创公司Figure与宝马合作
，
在美国工厂试点人形机器人
，
执行部分重复性工序
，
目前仍是小规模验证
。


在这个产业中
，
大脑重要
，
硬件也很重要
。
上游的关节、电机、感知、控制算法还在快速迭代
，
成本高企
。
中游的机器人本体刚刚能在简单工位站稳脚跟
，
大量场景仍然在靠传统机械臂
。
而且因为成本和质量
，
下游真正愿意大规模用人形机器人替人的工厂
，
目前非常少
，
大多还在观望阶段
。


所以
，
这一块可以直接定性为只是概念很热
，
距离关键的技术突破
，
以及商业化还有一段距离
。


第三
，
是自动驾驶、智能驾驶这一块
。


在中国
，
L2级辅助驾驶已经在新能源车里相当常见
，
新势力品牌几乎标配
，
合资品牌也在补课
。
城市NOA
，
也叫城市导航辅助驾驶
，
在一线城市部分路段已经可以多数时间自己开
，
但仍然需要驾驶员随时接管
。


Robotaxi在北京、上海、广州、深圳等地都有试点
，
一些路段可以真正无人驾驶
，
但都严格限定在特定区域、特定天气和时段
。


这个领域的进展是
，
在技术上从能跑到跑得相对安全、相对平顺之间的10%差距
，
是最难的
。
法规上自动驾驶之后
，
关于责任划分、事故认定、商业保险、城市管理等一整套制度
，
也都还在边走边摸索
。
而且做相关的企业更是还没有大规模盈利
，
多数是烧钱换经验
。


所以
，
自动驾驶想走到真正全城、全天候自己跑的
，
也还需要时间
。


包括工业软件与工业AI这块
。
在制造业里
，
AI主要用在几类场景：用机器视觉和深度学习识别零件瑕疵；再就是用传感器和模型预测设备何时故障
，
提前检修；或者用算法给产线排班、调设备、降能耗
。


一组数据
，
全球预测性维护市场预计从2024年约55亿美元增长到2029年159亿美元
，
复合增速接近24%
。


但是
，
现实中现在很多项目还停留在1–2条产线试点
，
距离全厂、全集团铺开还有道长并且工业现场高度非标准化
，
同一个算法从A工厂搬到B工厂
，
经常要重训、重调
，
复用难度大
。


从上面的AI在各个领域的变化和应用
，
我们能看出来
，
现在的AI更像是一个超级助理
，
虽然能帮助人类提升效率
，
但是它还很难完全依靠自己在某些领域做出结果
。


在医疗、教育、金融这几个领域里就更是了
，
只能且必须人机协同
，
而不是机器取代人
，
AI的价值还是在于替人减负
。


结尾

现在是2026年
，
AI的发展虽然已经具备一些成效
，
但还处在从1到10的早期
。


也就是很多人已经在用AI
，
很多行业已经开始重构流程
，
但距离像电力、像互联网一样无处不在
，
还有很长的路
。


AI真正渗透到各个领域当中应用起来
，
能在具体行业里闭环创造价值
，
或者能在安全、隐私、合规的约束下规模化
，
暂时都还是难的
。


但是AI的进化很快
，
当算力继续下沉、模型更可靠、行业数据和流程逐步接上去之后
，


AI的渗透率就会大幅提高了
，
那时候绝大多数领域、几乎所有系统、所有岗位的效率都会因此而提升
。


当下这个阶段
，
其实只是这场AI产业革命的序章阶段
，
AI应用的真正大爆发阶段
，
也还远没有到来！

网友看法

1、网友智者正大：Al应用、股价已经炒作高位头部[捂脸]、先知先觉机构，游子融资杠杆赚了满满的连续不断出逃[捂脸]、继续下沉补跌、提醒、赶紧逃离、防止高位深套。