到 2030 年，超过 80% 的企业将在设计、制造、产品和服务等各个环节采用物理 AI，而目前这一比例还不到 1%。
这组来自 Gartner 的预测数字，揭示了一个正在加速逼近的现实：AI 对企业竞争力的重塑，不是一个 " 做不做 " 的选择题，而是一个 " 多快能做到 " 的淘汰赛。最新发布的《Gartner 中国 AI 25》报告基于对中国市值最高的 1000 家上市公司长达 6 个月的追踪，经过四轮筛选，最终选定了 25 家在 AI 应用上最具代表性的中国企业。
五个赛道：AI 在哪些领域真正 " 动了刀子 "
在 Gartner 的分类框架中，AI 被划分为两个层次：" 日常 AI" 与 " 颠覆式 AI"。前者解决效率问题（写代码、做研究、提效），后者改变产品和商业模式的底层逻辑。报告的筛选前提很明确——入围企业必须侧重后者。
" 这些企业不应该是一个 AI 软件提供商，而应该是 AI 的应用者。"Gartner 高级研究总监方琦解读《Gartner 中国 AI 25》时强调，报告排除了一批主营业务为 AI 软件的企业，聚焦的是 " 用 AI 颠覆自己行业 " 的公司。
经过财报 AI 热度筛选（1000 家→ 244 家）、业务定位筛选（侧重颠覆式 AI → 57 家）、行业聚类分组（→ 52 家），再到结合 CEO 愿景、研发能力、AI 人才与组织、生态系统等九个维度的加权评估，最终 25 家企业落入五大类别：
医药研发智能化：AI 算法正在改写传统的 " 大海捞针 " 式研发路径，通过大规模加速靶点发现和化合物筛选，从根本上压缩药物开发周期。Gartner 预测，到 2030 年，中国监管部门将正式制定以代理型 AI 为核心的审批通道，使药物开发周期缩短 40%。
智慧能源：将 AI 能力嵌入能源的获取、捕捉、存储、分发全链条。新材料开发、综合能源管理与可持续发展的三角关系，正在通过 AI 找到新的平衡点。
工业智能：从单点产品到互联互通的生态体系，感知、决策、预测、反馈的闭环正在让终端设备变得 " 更聪明 "。
消费智能：AI 正在融入日常可见的消费产品，提供个性化和实时反馈优化能力，重塑人与工具的关系。
这五个类别的选择与中国制造业的全球优势高度相关。" 这些企业或者是这些特征，坦率地讲可能都和制造业或者制造的‘前、中、后’生产链是紧密相关的。" 方琦说。
四个共性：中国 AI 先锋企业的底层密码
报告最具启发性之处，不在于 " 选了谁 "，而在于 " 为什么是它们 "。报告将 25 家企业的共性归纳为四个维度：一个战略层面的顶层设计，加三个运营层面的执行能力。
Gartner 的观察是，这 25 家企业普遍具备一个特征：AI 战略不是孤立的技术路线图，而是对业务战略的精准对齐和加持。
这种 " 业务战略驱动 AI 战略 " 的逻辑，是所有入围企业的共同底色。方琦以理想汽车举例，并引用了理想的表述：" 从企业角度来看，理想汽车是一家人工智能企业。我们要做的不是汽车的智能化，而是人工智能的汽车化，并推动人工智能普惠到每一个家庭。" 这种重新定义自身行业属性的叙事，本质上是对 AI 战略高度的重新标定。
行业判断：AI 战略的有效性不取决于技术先进程度，而取决于它与业务战略的耦合度。脱离业务谈 AI 战略，最终只是一份技术采购清单。
Gartner 将 "AI 优先 " 定义为一种战略方法，其认可 AI 的变革潜力，并强调在企业各项举措中充分考虑这种潜力，而不仅仅将其视为工具。"AI 优先 " 需要业务的主观能动性，它不完全是技术驱动的事情，它需要业务有这样的紧迫感或者责任意识。
一个值得注意的历史参照是海尔集团的 " 人单合一 " 管理模式。这一提出于 20 年前的组织理念，通过构建小微组织的方式让员工直接面对用户需求，与 AI 时代对组织敏捷性的要求形成了某种跨越时空的呼应。海尔自身也在 2025 年开启了 "AI 元年 "，提出 " 让 AI 像血液一样流遍运营的每一个环节 "，将小微组织与 AI 能力深度结合。
方琦还提到，美国金融科技公司 Block（原 Square）CEO 杰克 · 多西的《From Hierarchy to Intelligence》一文，正是借鉴了海尔的 " 人单合一 " 理念来构建 AI 时代的组织形态。
行业判断：AI 落地的最大阻力往往不在技术端，而在组织端。能够调动业务部门自驱力的企业，与只能靠技术部门 " 硬推 " 的企业，在 AI 应用效果上将出现指数级分化。
数据的价值已经被反复讨论，但这 25 家企业给出的答案不是 " 要有数据 "，而是 " 要有数据回路 "。
企业不应再将数据视为静态资源，在 AI 应用中，数据会更新、会迭代，新的情况、新的环境会产生新的策略。更关键的是，数据策略不应只侧重于高质量数据，而应该去找寻 " 有代表性的数据 "，包括让 AI 接触 " 错的数据 " 并从中学习纠偏。
方琦以理想汽车的智驾系统为例进行了详细拆解：车辆通过 " 系统 1"（端到端神经网络，处理简单快速的感知 - 控制映射）和 " 系统 2"（基于大模型的视觉语言模型，处理复杂场景的规划推理）协同工作；在此基础上，通过云端世界模型模拟器进行强化学习迭代，使驾驶策略 " 常用常新，越用越好 "。
行业判断：AI 产品竞争力的分水岭将出现在 " 数据飞轮 " 能否转起来的那一刻——用的人越多，数据越丰富；数据越丰富，效果越好；效果越好，用的人越多。没有这个闭环的企业，AI 应用将是 " 死 " 的。
最后一个共性指向了技术架构。这 25 家企业普遍不满足于单点 AI 应用，而是通过构建平台化架构，将 AI 解决方案的覆盖范围扩展至整个企业乃至生态。
很多时候 AI 不仅仅取决于模型能力，模型能力其实可能只是实验室当中能够提供一定的能力。真正让 AI 在真实环境当中工作，需要提供大量的工程化能力。" 方琦以工业场景为例：一个模型在正常光照下表现良好，但在车间光线不佳或亮度过高的实际条件下，需要大量工程化调校来保证准确性和泛化能力。
石头科技是一个典型案例。这家扫地机器人公司打造全栈自建平台，通过构建三维空间感知与家庭场景大模型、执行部件自研和设计通用化硬件架构，在这一平台基础上将产品线从扫地机器人延伸至洗地机和割草机。
Gartner 将 AI 技术栈分为四层：基础设施层（计算、网络、存储）、模型层（开源 / 自建 / 专用模型）、工程工具层（模型生命周期管理、检索增强、模型中心）和应用层。平台化的核心价值在于：一是分摊 AI 创新的巨大初始投入，二是使工程化能力可复用。
对于 " 平台化是否只有头部企业才能做 " 的问题，他表示，" 颠覆式创新的企业，如果要通过 AI 改造，还是有一定门槛的，对企业的能力、科技水平还是有要求的。不一定只是头部企业，但一定是对 AI 有大规模投资的企业。"
行业判断：平台化是 AI 从 " 炫技 " 走向 " 系统能力 " 的必经之路。没有平台支撑的单点 AI 应用，最终会被系统性能力所覆盖。
给创业者的三个启示
抛开报告本身的筛选逻辑和行业分类，对于正在布局 AI 的创业者而言：
第一，问题比答案更值钱。 " 在 AI 时代找到一个好的业务问题，要比执行这个问题意义更大。" 方琦认为，在 AI 大幅降低执行成本的时代，辨识 " 正确的业务瓶颈 " 成为企业家的核心竞争力。这也解释了为什么 Gartner 在评估体系中将 CEO 愿景列为重要指标。
第二，从 " 小而真 " 开始构筑数据闭环。 对于数据闭环的启动路径，方琦的建议是 " 不求大而全 "。他给出的方法论是：先让智能体在简单的环境中运行，验证策略有效性，再逐步增加环境复杂度——策略能力和环境复杂度是相辅相成、螺旋上升的关系。
第三，关注中国 AI 的全球输出窗口。 方琦透露，中国在全球 AI 专利数量上已超越美国，且中国的全产业链生态与高质量、低成本制造能力，正在通过 AI 的加持产生化学反应。对于出海创业者，这种 "AI+ 制造 " 的复合能力可能构成独特的竞争壁垒。" 很多全球企业其实对创新也都非常感兴趣。"（本文首发钛媒体 APP，作者 | AGI-Signal，编辑 | 秦聪慧）
