夜雨聆风点击蓝字 关注我们
引言：当算力工厂建成，智能将流向哪里？
在此前的AIDC系列中，我们梳理了人工智能数据中心如何把芯片、服务器、网络、电力和制冷系统组合起来，形成一座座生产算力的“工厂”。但算力建成之后，还有一个更现实的问题：这些昂贵的算力最终流向哪里，又由谁来为它付费？
如果把AIDC比作生产智能的“发电站”，大模型就是把电力转化为语言、图像、代码和推理能力的“发动机”，那么AI应用就是接入办公室、工厂、医院、实验室和消费者生活的各种机器。
量子位智库统计显示，2026年4月，其样本库中的国内AI应用Web端总访问量达到约9.4亿次，APP端月下载量超过2.4亿次。Sensor Tower统计显示，2026年第一季度全球生成式AI移动应用内购收入约19亿美元，季度下载量约11.2亿次，过去一年移动端内购收入达到约61亿美元，同比增长232%。2023年被视为AI元年，中国AI发展也随着进入快车道，而2026年，则是中国AI实际落地广泛应用的元年。
中国AI应用规模化元年已至
资料来源：数据来源量子位智库，数据截至2026.04
生成式AI移动端季度收入规模3年增长超32倍，近1年环比激增232%达61亿美元
资料来源：Sensor Tower 应用表现洞察
但更值得关注的是另一组数据。Stanford HAI《AI Index Report 2026》显示，2025年已有88%的受访组织在至少一个业务职能中使用AI，但AI智能体在绝大多数职能中的规模化部署率仍处于个位数。McKinsey的同期调查也显示，约三分之一企业进入AI规模化阶段，只有39%的受访者认为AI已经对企业整体息税前利润（EBIT，Earnings Before Interest and Taxes）产生影响。也就是说，AI尽管已经广泛进入企业，但在企业的利润表上似乎并没有体现出与之广泛应用程度对应的作用。
因此，本系列真正要进行研究的是AI进入了哪些任务；它替用户节省了什么、创造了什么；谁愿意持续付费；应用企业又能否把收入转化为利润、复购和数据壁垒。我们将会按照过去三个系列一样的框架结构，后续按场景分为一个个AI应用场景来去进行详细的分析，（如半导体分为材料端与设备端，AIDC按上游四大件分支线）。
由于篇幅，本系列开篇将分为上下两篇，上篇将说明AI应用的定义、中国AI应用为何在今年爆发、“AI应用全景产业链：智能如何走向场景和收入”；下篇将说明AI应用全景图、AI应用如何赚钱、如何识别真应用与伪繁荣。
01 AI应用的定义
1.1 AI应用不等于一个带聊天框的APP
谈到AI应用，很多人的第一反应是ChatGPT、豆包、Kimi等聊天助手。但这只是最直观的一层。AI应用更准确的定义，是把机器学习、计算机视觉、大模型、智能体或机器人等能力，嵌入一个具体任务、产品或业务流程，让机器能够承担原来由人完成的感知、生成、分析、判断或执行工作。
按照这个定义，AI应用至少包含三种形态。第一种是AI原生软件，即产品从诞生开始就围绕AI能力设计；第二种是传统软件AI化，即办公、ERP、CRM、设计、投研等既有软件加入AI能力；第三种是AI进入手机、汽车、眼镜、家电、工业设备和机器人，形成软硬件一体化应用。中国信通院将“智能原生（AI-Native）”定义为从设计之初就以人工智能为核心驱动力构建的产品、企业或系统，而不是在传统产品上简单增加一个AI按钮。
1.2 AI应用也不等于大语言模型应用
生成式AI是本轮产业变化的重要增量，但不是AI应用的全部。制造业中的质量检测、设备预测维护、排产优化、能耗管理，长期依赖传统机器学习（Machine Learning，ML）、机器视觉、运筹优化和数字孪生。大模型和智能体是在这些能力之上增加自然语言交互、跨系统规划和任务执行，而不是把过去的AI全部推倒重来。
《中国制造业AI场景应用白皮书（2026）》收录的167个验证案例中，传统机器学习占46.7%，机器视觉占20.4%，而AI Agent案例仅有5个，占3.0%。这份样本并不能代表全国制造业的真实渗透率，但至少提醒我们，当前工厂里真正创造价值的AI，很多仍是“看得准、算得快”的传统AI；“会思考、会调用工具”的智能体则处在早期放量阶段。
167个案例中传统AI占多数
资料来源：《中国制造业AI场景应用白皮书（2026）》
1.3 从信息工具到行动系统
一款应用是否真正进入智能体阶段，关键在于它能否形成“感知—规划—调用工具—执行—反馈”的闭环。中国信通院将智能体定义为能够感知环境并利用工具采取行动以实现特定目标的代理。企业级智能体则进一步要求，它能够与业务流程、业务系统及业务人员深度协同。
由此，AI应用可以理解为四级跃迁：
1）AI功能：在传统软件中增加生成、搜索、识别或总结等单点能力；
2）AI Copilot（智能副驾驶）：辅助人完成专业任务，但最终操作权和责任仍在人；
3）AI Agent（智能体）：理解目标、拆解任务、调用工具，并执行多步骤流程；
4）智能原生产品与组织：从设计之初就围绕AI重构产品、流程、数据和人机分工。
02 2026年为何是中国AI应用元年
2.1 模型能力跨过“可用性门槛”
早期大模型最擅长的是回答问题和生成内容，但容易忘记上下文，也无法真正操作外部系统。随着多模态、长上下文、复杂推理、代码能力和工具调用逐步成熟，模型开始从“语言生成器”变成应用的通用认知底座。它不仅能读文档，还能看图、听语音、写代码、调用数据库和软件接口。
比如，OpenRouter是一个连接模型厂商、推理服务商与开发者的中立型API聚合平台。2025年1月至2026年7月，其月均日Token量由0.072万亿增长到7.995万亿，约增长111倍；通用Agent和Coding工具只占应用数量的19%，却贡献81.2%的Token消耗。这说明推理需求正由一次问答向多轮推理、代码读写、工具调用和结果校验迁移。
OpenRouter月度日均Token
Agent/Coding应用贡献81%的Token消耗
资料来源：OpenRouter，国信证券经济研究所
2.2 智能体AI Agent补上了模型的“手和脚”
传统聊天机器人更像一个知识顾问，它可以告诉你应该怎么做，却无法替你做。智能体则试图进一步理解目标、拆解步骤、选择工具、执行操作并检查结果。对消费者，它可以从“告诉你哪家酒店便宜”走向“完成比价、预订和行程安排”；对企业，它可以从“总结财务数据”走向“读取数据、生成报表、识别异常并发起审批”。
不过，智能体仍处于能力进步快、规模部署慢的阶段。Stanford AI Index的企业调查显示，在IT和知识管理之外，多数职能仍有约七成至九成企业完全没有使用智能体；制造和供应链的无使用比例更高。目前，技术演示已经很常见，但要让智能体拿到企业数据、系统权限和执行责任，仍需经过安全、稳定性和组织流程验证。
大部分企业完全没有使用智能体
资料来源：《AI Index Report 2026》Stanford HAI
2.3 政策从支持技术，转向牵引场景
2025年8月，国务院发布《关于深入实施“人工智能+”行动的意见》，提出科学技术、产业发展、消费提质、民生福祉、治理能力和全球合作六大重点行动，并提出到2027年新一代智能终端、智能体等应用普及率超过70%，到2030年超过90%。
国家发展改革委进一步提出，在制造、医疗、交通、金融、能源资源等重点领域布局应用中试基地，通过统一技术架构、数据规范和标准体系，降低AI应用从试点走向规模化的门槛。这意味着政策支持的重心，正从“有没有模型和算力”进一步延伸到“行业能否开放场景、数据能否供给、应用能否复制”。
3.0 AI应用全景产业链：智能如何走向场景和收入
AI应用并不是大模型下面孤零零的一层软件，而是一条从资源供给、能力封装到产品交付、场景付费和数据反馈的完整链条。为了避免把上游算力与下游应用混在一起，可以将其拆成五层。
AI应用产业层级
资料来源：中国信通院《企业级智能体技术与应用研究报告（2026年）》及《智能原生研究报告（2026年）》，本文归纳
3.1 供给底座层：为应用提供“原材料”
这一层包括算力、网络、数据和基础模型。它决定应用能力的上限和单位成本，但不会自动产生场景价值。同一款应用可以在不同模型之间切换，也可以把实时、隐私敏感的任务留在端侧，把复杂推理交给云端。模型供给越丰富、调用成本越低，应用层的议价能力通常越强。具体见AIDC系列算力支线与总结篇。
3.2 应用基础设施层：把模型变成可管理的生产系统
基础模型只知道公开训练中学到的知识，企业真正需要的却是自己的产品资料、制度、客户记录和业务状态。因此，应用还需要RAG（Retrieval-Augmented Generation，检索增强生成）、知识库、向量数据库、权限系统和工具接口。RAG可以先从企业资料中检索相关内容，再让模型基于这些内容回答，降低“凭空编造”的概率；工具接口则让模型能够查询数据库、生成订单或调用业务软件。
企业级智能体还需要模型适配、记忆增强、工具增强、可信增强、开发编排、运行监控和全生命周期治理。换句话说，企业购买的不是一个“聪明大脑”，而是一套能够被建设、使用、管理和审计的生产系统。
3.3 产品与载体层：应用入口开始重新竞争
AI能力最终要通过具体产品触达用户。入口可能是一个独立AI助手，也可能是浏览器、办公软件、企业工作台、手机操作系统、汽车座舱或机器人。通用模型变化很快，但用户习惯、业务数据和执行权限往往沉淀在应用入口中，因此应用端并非简单的模型“壳”。谁能占据高频入口，谁就有机会决定调用什么模型、分发什么服务，并积累场景数据。
3.4 场景需求层：决定谁愿意付钱
模型能力只有进入具体任务，才会产生可以衡量的经济价值。消费者为节省时间、获得内容、情绪价值和个性化服务付费；企业则为降低人工成本、提高收入、减少风险、缩短研发周期或提升资产利用率付费。同一种AI能力进入不同场景，付费能力可以相差数十倍。
Sensor Tower给出了一个典型案例：AI录音与笔记产品Plaud通过“硬件+App”服务会议、访谈和专业记录场景，2026年第一季度平均单次下载收入约47美元，是ChatGPT移动端的9.3倍。它说明一个窄而深、单次任务价值高的垂直场景，可能比流量更大的通用助手更容易变现。但该数据只覆盖移动应用内购，不包含硬件销售和网页支付，不能直接视为公司完整收入。
Plaud案例
资料来源：Sensor Tower 应用表现洞察
3.5 商业化与反馈层：形成真正的数据飞轮
应用一旦被真实使用，就会产生用户修改、任务成败、流程异常和业务结果等反馈。高质量反馈被整理后，可以继续优化知识库、提示流程、工具选择和模型，使产品越用越懂场景。形成“模型—数据—场景”的自增强闭环，这才是真正的应用壁垒。
小结
由于篇幅原因，后半部分内容将在下篇中阐述。感谢您的阅读。
资料来源：
