中经记者 谭伦 苏州报道
在生成式AI向智能体AI、物理AI进一步演进的背景下，产业关注点正在发生变化。相比模型参数、能力榜单以及单纯的算力规模，企业开始更加关心AI能否进入既有业务流程、能否控制部署和使用成本，以及最终能否形成可量化的商业价值。
“产业关注的重点，也正在从‘模型能力有多强’，转向‘AI能否真正部署’。”9月23日，2026英特尔行业解决方案大会在苏州举行，英特尔行业及解决方案业务部总经理王景佳在大会上表示，对企业客户而言，问题已经不只是能不能使用AI，而是AI能否改善效率、成本、质量和用户体验，并从一个试点向更大范围复制。与此同时，随着AI从理解信息走向现实世界中的行动，智能体AI与物理AI已经开始出现融合迹象。
这种变化也意味着，AI产业正在进入更加现实的“算账”阶段。今年9月，Gartner基于107个智能体AI部署案例分析认为，智能体AI最大的商业机会来自专业化，并预计到2028年，智能体AI产生的可量化投资回报中，80%将来自面向特定领域的专业智能体，而非通用型智能体。与此同时，Gartner此前还预测，到2027年年底，超过40%的智能体AI项目可能因成本上升、商业价值不清晰或风险控制不足而被取消。
对此，英特尔及其产业伙伴负责人在会后采访中向《中国经营报》记者表示，在AI由实验走向产业化的过程中，两条路径正在逐步清晰：一是云、边、端不再是非此即彼，而是根据实时性、成本、隐私等条件动态分配工作负载；二是AI进一步进入零售、教育、制造、医疗和EDA等垂直场景后，竞争重点正从通用模型能力转向行业知识、数据、软硬件适配以及规模交付能力。
AI部署重新计算成本账
过去两年，大模型能力持续提升、推理Token价格不断下降，一度让更多AI工作负载向云端集中成为产业讨论的重要方向。但在王景佳看来，随着产业实践深入，端侧AI是否具有价值，已经不能简单用单次推理成本衡量。
“端侧AI部署不仅是成本问题，而是需要综合考量服务器、时延、响应、成本、隐私安全等多个维度。”王景佳表示，在无网、弱网场景，以及需要实时响应的商业和工业环境中，边缘或者云边端混合部署仍具有明显需求。更重要的是，虽然模型推理单价持续下降，但AI调用量也在快速增加。“虽然单价在下降，但是账单未必会随之下降。”他指出。
这也解释了为何“混合AI”正在成为新一轮产业部署的重要关键词。以零售行业为例，商米科技执行董事、产品线总经理陈桂鸿指出，门店实时交互、点餐等业务对网络稳定性和响应速度要求较高，部分数据也需要在本地环境处理，因此更适合由端侧和边缘侧承担；但类似“AI店长”这样的经营分析任务，需要汇总大量数据且对实时性要求相对较低，仍可以在云端完成。“端、云、边这三者可能是融合的”，不同工作负载需要被重新拆解和分配。
教育行业亦是如此，据视源股份商用显示BG副总裁王玉龙介绍，在课堂观察场景中，由于涉及未成年人隐私，视频等敏感数据首先在本地处理、结构化和脱敏，再结合云端上下文生成课堂分析报告。目前这一场景使用32至48TOPS左右的端侧算力即可基本满足本地小模型处理需求。
对企业来说，推动算力向端侧和边缘侧延伸，并不意味着重新回到“本地计算取代云”的旧逻辑，而更接近一次AI基础设施的重新分工。实时性强、数据敏感、调用频率高的工作负载向本地靠近，大规模训练、复杂分析和非实时业务继续由云端承载。
从更大的市场趋势看，边缘计算投入也仍在增长。IDC此前预计，亚太地区边缘计算支出将从2024年的489亿美元增长至2028年的840亿美元，期间年复合增长率约15%。其中，中国在2024年占该地区边缘市场的比重超过60%。IDC认为，低时延、实时分析、运营效率以及AI、5G和物联网的结合，是推动企业增加边缘投入的重要因素。
对于英特尔而言，这种部署架构变化也在改变其处理器的应用边界。王景佳表示，智能体带来的一个明显变化是推理工作负载增加，同时智能体的部署、调度和运行又包含大量CPU承担的操作；而进入物理AI后，不同场景在实时响应、矩阵运算、功耗以及环境可靠性方面的要求差异进一步拉大。因此，CPU、GPU等异构计算资源如何通过统一软件框架调度，也成为边缘AI竞争的一部分。
ROI成AI落地规模化新门槛
如果说混合AI解决的是“算力应该放在哪里”，那么行业化要解决的则是“AI究竟能够做什么”。
“行业化是AI落地的重要挑战。”王玉龙认为，本轮AI浪潮最初由通用大模型推动，但真正进入商业应用之后，需要进一步理解行业知识、业务流程和数据。“AI真正能落到行业，才能真正摸索到行业化的路径，才能真正持续健康运转起来。”
这一判断在此次大会展示的多个场景中有所体现。派兹互连试图将AI引入EDA，从芯片数据解析、原理图设计、PCB布局布线延伸到器件采购和制造环节；其与英特尔联合推出的AI EDA一体机，将模型、EDA、行业知识库以及本地算力整合在一起，面向对数据私有化和成本较为敏感的制造企业。
制造业则进一步进入物理AI阶段。大会展示的案例显示，传统工业机器人往往依赖提前示教和编程，在多品种、小批量生产环境中缺乏灵活性。奇矩智能尝试通过智能体将自然语言工单拆解为机器人可执行的原子技能，并结合实时控制和多模态感知，使机器人根据现场环境调整任务。在其船厂应用中，该公司称机器人部署由原本3名工程人员耗时4至8小时，缩短至1人在30分钟内完成从开机到开工。
从EDA到零售、教育乃至工业机器人，这些案例呈现出同一个趋势：随着通用模型能力逐渐成为底层能力，行业企业真正愿意付费的并非“拥有一个AI”，而是AI能否嵌入原有生产流程，并带来效率、成本或者收入上的改变。
这也成为企业AI投资从“技术预算”走向“经营预算”的关键门槛。面对当前硬件投入成本较高的问题，王景佳表示，客户的商业模式也在发生变化，除一次性采购外，订阅、租赁以及与业务效果挂钩的合作方式逐渐增加。“客户并非不愿意为AI投入，而是更关注AI带来的价值。如果AI真正能够带来降本或者是增效，客户仍然有投入的意愿。”王景佳指出。
这实际上也与当前全球智能体AI产业的演进方向吻合。Gartner认为，专业化智能体之所以更可能产生投资回报，原因正在于其能够直接进入具体业务流程，而不只是提供通用信息或建议；数据基础薄弱、Token成本失控、工作流割裂以及缺乏治理，则可能让大量项目停留在试点阶段。
因此，当AI从“会回答问题”走向“能够执行任务”，产业竞争的下一阶段或许不再只是比拼谁拥有更大的模型和更多的算力，而是进入一场更复杂的系统能力竞争：既需要算力平台，也需要行业数据和知识，更需要把模型嵌入既有业务流程的工程能力。
对于英特尔而言，这同样意味着新的机会与挑战。其传统优势来自CPU和覆盖广泛的产业生态，而智能体与物理AI的兴起，使计算进一步分散至数据中心、边缘设备和行业终端。如何让这些算力在不同场景之间协同，并与合作伙伴共同将技术转化为可复制、能够算清ROI的行业方案，将成为其能否在新一轮AI产业化中扩大业务边界的重要变量。
（编辑：张靖超 审核：李正豪 校对：颜京宁）
