川海智库

报告概述

本报告是德勤第17期年度技术趋势研究，围绕人工智能从概念验证走向规模化落地这一主线，系统分析了五个相互关联的深度专题：AI与机器人融合、智能体AI的现实落地、AI基础设施与算力经济、AI原生技术组织重构，以及AI驱动的网络安全攻防。报告基于对企业技术领袖的深度访谈、全球调查和案例研究，识别出领先组织在战略定位、架构设计、人才与治理方面的共同模式。它揭示了创新正在以复合而非线性的方式加速，企业需要从“做更多AI”转向“为业务结果重建运营”。对于希望理解AI在接下来18至24个月如何重塑行业、并制定行动路线的管理者，这份报告提供了兼具广度和深度的参考框架。

报告的核心结论

企业AI正从实验转向规模化落地，创新呈复合增长效应。

报告指出，生成式AI的用户增长速度远超以往技术，技术、数据、投资和基础设施形成相互加速的飞轮。企业若沿用顺序改进流程，将落后于采用持续学习循环的竞争者。成功者重新设计流程而非简单自动化，将每项投资与业务结果挂钩，并以速度优先快速执行。

物理AI推动机器人走向自适应，人形机器人将于未来十年规模化。

物理AI结合视觉语言模型、边缘计算和强化学习，使机器人能在复杂环境中感知、学习并自主行动。虽然训练差距、安全与监管挑战依然存在，但成本下降推动应用从仓储物流向医疗、餐饮、能源和城市基建扩展。人形机器人正在工厂与康复中心试点，预计未来十年在劳动力密集型行业加速渗透。

智能体AI的落地存在现实落差，大多数企业尚未进入生产。

尽管许多企业在试点智能体，但实际部署到生产环境的比例很低，多数企业仍停留在战略制定甚至无战略状态。阻碍来自遗留系统集成、数据架构约束和治理框架缺失。领先企业通过端到端流程重构、多智能体编排和数字劳动力管理突破障碍，而非在旧流程上叠加智能体。

AI基础设施进入推理经济时代，混合架构成为成本最优解。

推理成本大幅下降，但使用量增长更快，导致企业AI总支出激增。稳定高负载的推理将不再适合纯云服务。企业采用云加本地加边缘的三层混合架构，并建设面向AI的专用数据中心，以平衡弹性、成本与合规。

AI安全呈现攻防悖论，安全应从项目初期嵌入而非事后补充。

AI在数据、模型、应用和基础设施四个维度引入新风险，如影子AI、模型投毒和对抗攻击；但同样能用于红队测试、对抗训练和机器速度的威胁检测。领先组织将安全视为AI创新的赋能因素，从设计阶段就嵌入治理、动态权限管理和连续监测，从而将安全转化为竞争优势。

报告回答的关键问题

企业如何从AI实验转向实际业务价值？

报告指出，成功企业不是简单在旧流程上叠加AI，而是重新设计端到端流程，将AI投资与明确的业务结果挂钩，并以速度优先。例如，选择最大业务问题并追求大结果，让员工参与构建工具，以及采用“问题优先”而不是“技术优先”的思维。这样可以在试点之外获得可衡量的回报。

智能体AI在企业中的落地进展如何？

报告显示，只有少数企业将智能体投入生产，大量企业仍在试点或制定战略。主要障碍包括遗留系统集成、数据架构约束和治理框架缺失。领先企业正在采用智能体优先的流程重构、多智能体编排协议，以及针对数字劳动力的管理框架，以缩小试点到生产的差距。

物理AI和机器人将在哪些领域率先规模化？

仓储物流和供应链是物理AI最早的规模化场景，如亚马逊部署超过百万台机器人，并用DeepFleet统一协调。应用正在扩展到医疗健康、餐饮服务、能源巡检和城市基础设施检测等需要安全、精度和可达性的领域。人形机器人也在工厂和康复中心试点，预计未来十年在劳动密集型行业加速渗透。

为什么AI算力成本不降反增？

虽然AI推理成本大幅下降，但使用量增长更快，导致整体AI支出不降反升。持续推理的智能体是最大成本驱动因素。企业发现云服务对稳定高负载变得不经济，因此从云优先转向混合架构：云用于弹性、本地用于一致生产、边缘用于低延迟关键应用。

AI给企业网络安全带来哪些新风险和机遇？

AI带来影子AI、模型投毒、对抗攻击和系统固有弱点，分布在数据、模型、应用和基础设施四个领域。但同时，AI可用于红队测试、对抗训练和自动化威胁检测，以机器速度对抗攻击。领先组织将安全嵌入AI项目初期，采用动态权限管理和智能体监测，从而将安全转化为战略优势。

报告中的代表性数据

280倍

AI推理成本降幅

过去两年（截至2025年），报告引用斯坦福AI指数报告，指出大语言模型推理成本在两年内下降了280倍；但同期企业使用量增长远超成本降幅，导致整体AI支出大幅上升。

11%

将智能体AI投入生产的企业比例

2025年，根据德勤2025年新兴技术企业调查，仅有11%的受访组织在积极使用智能体AI进行生产，38%处于试点阶段，42%仍在制定战略。这反映了智能体AI从试点到生产的现实落差。

200万台

全球工作场所人形机器人预测数量

2035年，报告引用UBS预测，到2035年全球工作场所将部署约200万台人形机器人，2050年可能增至3亿台。该预测基于劳动力短缺和技术成本下降趋势，属于前期估算。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 开篇章节“创新复合”以AI采用速度的指数级变化为背景，剖析技术、数据、投资与基础设施互相促进的飞轮效应，并总结成功领导者的五大行为模式，包括以问题为先、追求最大业务结果、强调速度、共同设计和持续变革。
  • 物理AI与机器人专题：深入解析视觉-语言-动作模型、边缘计算、强化学习与模仿学习等关键技术，讨论模拟到现实的差距、安全监管、数据管理、网络安全和机器人车队编排等实施挑战，并附多位专家访谈。
  • 智能体AI现实检查专题：量化智能体从试点到生产的落差，分析遗留系统、数据架构和治理框架三大障碍，提出智能体优先流程重构、多智能体编排协议、FinOps成本管理以及“硅基劳动力”管理框架。
  • AI基础设施专题：阐述推理经济对算力成本的影响，提供云-本地-边缘三层混合架构的决策框架，介绍AI数据中心硬件革命、AI工厂概念，并展望可持续计算、水下/轨道数据中心和量子集成等前沿方向。
  • AI原生技术组织专题：基于调查数据描述技术组织在优先级、人才和使命上的变化，给出模块化架构、人机协作人才策略、嵌入式治理和生态系统编排等转型方法，并讨论CIO角色向AI布道者的演变。
  • AI网络安全专题：梳理AI风险在数据、模型、应用和基础设施四个维度的表现与缓解措施，介绍AI驱动的红队测试、对抗训练和智能体治理，展望自主网络战、AI-物理融合以及量子与空间安全威胁。
  • 信号追踪附录：监测八个可能影响AI进程的周边信号，包括基础模型是否进入平台期、合成数据的使用上限、神经形态计算、边缘AI设备、AI可穿戴设备、生物识别认证、个人AI助手隐私成本和生成引擎优化（GEO）。
  • 丰富的一手案例与高管洞察：涵盖Amazon、BMW、HPE、Toyota、Mapfre、Moderna、AT&T、Itau Unibanco等企业的实践，以及Dell、Intel、Wharton、Stanford等机构技术领袖的深度访谈，为不同行业提供可借鉴的行动参照。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告