人工智能正在从实验室技术逐步发展为重要的通用技术基础设施。
从日常生活中的智能搜索、语音助手、图像生成,到企业中的智能客服、工业质检、风险控制,再到医疗辅助诊断、自动驾驶和智能机器人,AI 正在改变不同产业的产品形态、业务流程和生产方式。
但人工智能并不是一个独立的产业。
它既可以作为底层技术,为其他行业提供能力;也可以作为独立产品,直接向用户提供服务;还可以与云计算、软件、硬件、数据和行业知识结合,形成新的产业链和商业模式。
要理解人工智能的产业价值,需要从几个不同维度进行分析:
- 应用领域: AI 被应用在哪些行业和业务场景?
- 产品形态: AI 以什么形式向用户提供能力?
- 产业链: 哪些企业负责基础设施、模型、平台和应用?
- 商业模式: AI 如何创造价值并实现商业收入?
- 产业趋势: AI 正在推动哪些产业结构变化?
本文将围绕这些方面,系统梳理人工智能的主要应用领域与产业形态。
一、人工智能的产业应用全景
人工智能具有较强的通用技术属性。
与传统行业软件通常围绕某个固定业务流程设计不同,AI 可以通过学习数据、理解自然语言、识别复杂模式和生成内容,参与多个行业的业务活动。
从产业角度看,人工智能的应用可以分为以下主要领域:
| 应用领域 | 核心应用方向 | 典型场景 |
|---|---|---|
| 互联网与数字服务 | 搜索、推荐、内容生成 | 智能搜索、信息推荐 |
| 金融 | 风险识别、预测、自动化 | 反欺诈、智能投顾 |
| 医疗健康 | 辅助诊断、药物研发 | 医学影像分析、药物筛选 |
| 教育 | 个性化教学、知识辅助 | AI 教师、智能批改 |
| 工业制造 | 质量检测、预测维护 | 缺陷检测、设备监控 |
| 交通运输 | 路径规划、自动驾驶 | 智能交通、无人驾驶 |
| 零售与电商 | 推荐、营销、运营 | 智能导购、需求预测 |
| 内容与传媒 | 内容生成、创意辅助 | 文案、图片、视频生成 |
| 软件与 IT | 编程辅助、运维自动化 | AI 编程、智能运维 |
| 农业 | 环境监测、精准作业 | 智能灌溉、病虫害识别 |
| 能源 | 预测、调度、优化 | 电网调度、能耗管理 |
| 政务与公共服务 | 信息处理、辅助决策 | 智能政务、公共咨询 |
| 安防 | 视觉识别、异常检测 | 视频分析、风险预警 |
| 机器人与具身智能 | 感知、规划、动作控制 | 工业机器人、服务机器人 |
这些领域并不是相互独立的。
例如,计算机视觉既可以应用于工业质检,也可以应用于医疗影像、交通管理和农业监测。
自然语言处理既可以用于智能客服,也可以用于法律文书分析、企业知识管理和软件开发。
因此,AI 的产业应用通常是基础技术与行业需求相结合的结果。
二、互联网与数字服务
互联网是人工智能较早实现大规模商业化的领域之一。
互联网平台拥有大量用户行为数据、内容数据和交互数据,适合利用机器学习技术进行预测、排序、推荐和内容理解。
2.1 智能搜索
传统搜索引擎主要依赖关键词匹配、索引和排序技术。
AI 搜索则进一步引入语义理解、自然语言处理和生成式模型。
主要能力:
- 理解自然语言问题。
- 识别用户真实搜索意图。
- 理解查询中的上下文。
- 对多个信息来源进行归纳。
- 生成综合性回答。
- 根据用户反馈调整搜索结果。
传统搜索与 AI 搜索的区别:
| 对比项 | 传统搜索 | AI 搜索 |
|---|---|---|
| 核心方式 | 检索与排序 | 检索、理解与生成 |
| 输入形式 | 关键词为主 | 自然语言问题 |
| 输出形式 | 网页链接和摘要 | 综合回答及来源 |
| 交互方式 | 查询与点击 | 多轮对话 |
| 主要技术 | 倒排索引、排序算法 | NLP、Embedding、RAG、LLM |
AI 搜索并不意味着传统搜索技术被完全替代。
高质量搜索仍然需要索引、检索、排序、数据更新和来源验证等基础能力。
2.2 智能推荐
推荐系统根据用户行为、内容特征和上下文信息,预测用户可能感兴趣的内容或商品。
典型场景:
- 短视频推荐。
- 新闻推荐。
- 电商商品推荐。
- 音乐推荐。
- 社交内容推荐。
- 在线广告投放。
常见技术:
- Collaborative Filtering:协同过滤。
- Content-based Recommendation:基于内容的推荐。
- Deep Learning Recommendation:深度学习推荐。
- Two-Tower Model:双塔模型。
- Learning to Rank:学习排序。
典型推荐系统结构:
flowchart TB
A["用户行为数据"] --> B["数据采集与处理"]
C["内容与商品数据"] --> B
B --> D["用户与内容特征建模"]
D --> E["候选内容召回"]
E --> F["相关性排序"]
F --> G["结果重排与策略控制"]
G --> H["推荐结果"]
H --> I["用户反馈"]
I --> B
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style C fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style F fill:#EAF3EC,stroke:#83A995,color:#315D49
style G fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style H fill:#E5F0E9,stroke:#83A995,color:#315D49
style I fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
2.3 智能广告
AI 可以用于广告投放中的用户分析、广告匹配、点击率预测和转化率优化。
主要场景:
- 用户画像分析。
- 广告受众定向。
- 点击率预测(CTR)。
- 转化率预测(CVR)。
- 广告创意生成。
- 动态出价优化。
- 广告效果归因。
广告系统通常将预测模型、实时竞价和广告策略结合起来。
2.4 内容平台与社区
AI 在内容平台中的应用包括:
- 内容自动分类。
- 评论情感分析。
- 违规内容检测。
- 内容摘要。
- 自动标签生成。
- 智能审核。
- 创作者辅助工具。
三、金融行业
金融行业具有数据密集、风险敏感和自动化程度较高等特点,是 AI 的重要应用领域。
3.1 智能风控
AI 可以通过分析用户行为、交易记录和关联关系,识别潜在风险。
典型场景:
- 信用风险评估。
- 贷款违约预测。
- 信用卡欺诈检测。
- 异常交易识别。
- 反洗钱辅助分析。
- 账户安全监测。
常见技术:
- Logistic Regression。
- Random Forest。
- XGBoost。
- Graph Neural Network。
- Anomaly Detection。
- Deep Learning。
3.2 智能投研
AI 可以辅助金融研究人员处理大量结构化和非结构化信息。
例如:
- 财务报告分析。
- 新闻舆情分析。
- 行业研究。
- 企业信息提取。
- 研究报告生成。
- 历史数据分析。
3.3 智能投顾
智能投顾通过用户风险偏好、资产状况和投资目标,提供组合分析或投资建议。
常见能力:
- 风险偏好评估。
- 资产配置辅助。
- 投资组合分析。
- 市场信息整理。
- 投资风险提示。
AI 生成的金融建议不能替代必要的合规审查、专业判断和风险披露。
3.4 智能客服与金融运营
金融机构可以使用大模型处理:
- 账户与产品咨询。
- 业务流程说明。
- 资料审核辅助。
- 内部知识查询。
- 客户服务记录总结。
- 运营工单分类。
金融领域对数据隐私、模型可解释性、权限控制和审计能力要求较高。
四、医疗健康行业
医疗健康是 AI 具有较高社会价值,同时对可靠性要求非常高的领域。
AI 可以辅助医学影像分析、临床信息处理、药物研发和健康管理,但不能简单等同于医生或医疗机构的专业判断。
4.1 医学影像分析
计算机视觉技术可以分析医学影像,辅助发现异常区域。
应用数据类型:
- X 光影像。
- CT。
- MRI。
- 超声影像。
- 病理切片。
典型任务:
- 病灶检测。
- 图像分割。
- 异常分类。
- 病变区域定位。
- 影像变化比较。
4.2 临床决策支持
AI 可以结合患者病历、检验结果、医学知识和临床指南,为医务人员提供辅助信息。
主要场景:
- 病历信息提取。
- 检验结果整理。
- 风险预测。
- 鉴别诊断辅助。
- 临床指南检索。
- 病历摘要生成。
4.3 药物研发
传统药物研发通常需要经历大量实验、筛选和验证。
AI 可以在部分环节提高研究效率。
主要应用:
- 蛋白质结构预测。
- 药物靶点发现。
- 分子结构生成。
- 化合物筛选。
- 药物性质预测。
- 临床研究数据分析。
4.4 健康管理
AI 可以用于:
- 运动与睡眠数据分析。
- 健康风险提示。
- 慢病管理辅助。
- 健康知识咨询。
- 可穿戴设备数据分析。
医疗 AI 的核心难点不仅是模型准确率,还包括临床验证、数据质量、责任边界、隐私保护和监管合规。
五、教育行业
AI 正在推动教育从标准化内容交付向个性化学习服务发展。
5.1 AI 教师与智能辅导
AI 可以根据学习者的问题和知识水平提供解释、示例和练习。
主要能力:
- 知识讲解。
- 多轮答疑。
- 个性化学习建议。
- 错题分析。
- 学习路径规划。
- 练习题生成。
5.2 智能批改
AI 可以辅助完成:
- 客观题自动评分。
- 作文内容分析。
- 代码自动评测。
- 作业错误分类。
- 学习反馈生成。
5.3 个性化学习
系统可以根据学生的学习记录和掌握情况调整学习内容。
例如:
- 根据知识薄弱点推荐课程。
- 根据答题表现调整难度。
- 识别重复出现的错误。
- 生成个性化练习。
5.4 教育内容生产
生成式 AI 可以辅助教师制作:
- 课件。
- 题库。
- 教案。
- 课程摘要。
- 教学插图。
- 练习材料。
教育领域需要关注内容准确性、学生隐私、学术诚信和对学习能力发展的实际影响。
六、工业制造
工业制造是 AI 从数字世界走向物理生产的重要领域。
工业 AI 不仅处理文本和图像,还需要与传感器、设备、控制系统和生产流程深度结合。
6.1 智能质检
利用计算机视觉识别产品表面和结构缺陷。
典型场景:
- 外观缺陷检测。
- 产品尺寸检测。
- 装配质量检查。
- 印刷质量检测。
- 焊接缺陷识别。
6.2 预测性维护
通过设备运行数据预测故障风险。
数据来源:
- 温度。
- 振动。
- 压力。
- 电流。
- 转速。
- 运行时间。
系统可以识别设备运行状态变化,提前发现异常趋势。
6.3 智能生产调度
AI 可以分析订单、设备能力、库存和生产约束,辅助优化生产计划。
应用方向:
- 生产排程。
- 设备资源分配。
- 库存优化。
- 产能预测。
- 供应链协调。
6.4 数字孪生
数字孪生(Digital Twin)是物理实体在数字空间中的动态映射。
结合 AI 后,可以实现:
- 设备状态预测。
- 生产过程模拟。
- 运行参数优化。
- 故障场景分析。
- 维护策略优化。
6.5 工业 AI 系统结构
flowchart TB
A["工业设备与生产线"] --> B["传感器与数据采集"]
B --> C["工业数据平台"]
C --> D["数据处理与特征分析"]
D --> E["AI 模型分析"]
E --> F["质量检测与状态预测"]
E --> G["生产优化建议"]
F --> H["业务系统与控制平台"]
G --> H
H --> I["人工审核或自动控制"]
I --> J["生产执行与反馈"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#EAF3EC,stroke:#83A995,color:#315D49
style F fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style G fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style H fill:#EAF3EC,stroke:#83A995,color:#315D49
style I fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style J fill:#E5F0E9,stroke:#83A995,color:#315D49
工业 AI 的重要特点是需要满足实时性、稳定性、安全性和可验证性要求。模型输出不能未经验证就直接接管所有生产控制环节。
七、交通运输与自动驾驶
交通运输领域的 AI 应用涉及感知、预测、规划和控制。
7.1 智能交通
主要应用:
- 交通流量预测。
- 信号灯优化。
- 拥堵分析。
- 交通事故检测。
- 路网运行监测。
- 智能停车。
7.2 自动驾驶
自动驾驶系统需要感知车辆周围环境,并根据道路情况规划车辆行动。
主要技术模块:
- 感知(Perception)。
- 定位(Localization)。
- 地图(Mapping)。
- 预测(Prediction)。
- 规划(Planning)。
- 控制(Control)。
典型系统流程:
flowchart TB
A["摄像头、雷达与其他传感器"] --> B["环境感知"]
B --> C["目标识别与跟踪"]
C --> D["目标行为预测"]
D --> E["路径与行为规划"]
E --> F["车辆运动控制"]
F --> G["车辆执行"]
G --> H["运行状态反馈"]
H --> B
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#EAF3EC,stroke:#83A995,color:#315D49
style F fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style G fill:#E5F0E9,stroke:#83A995,color:#315D49
style H fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
7.3 物流与供应链
AI 可以用于:
- 需求预测。
- 智能仓储。
- 物流路径规划。
- 配送调度。
- 库存预测。
- 供应链风险识别。
自动驾驶和物流智能化的核心难点包括复杂环境感知、异常处理、系统可靠性和安全责任。
八、零售、电商与消费服务
零售和电商具有大量用户行为数据与商品数据,AI 可以覆盖营销、销售、供应链和客户服务等环节。
8.1 智能导购
通过自然语言理解用户需求,帮助用户寻找商品。
例如:
- 根据用途筛选商品。
- 对比产品规格。
- 解释产品差异。
- 根据预算推荐方案。
- 解答售前问题。
8.2 智能营销
主要场景:
- 用户分群。
- 营销文案生成。
- 商品图片生成。
- 广告素材优化。
- 活动效果预测。
- 个性化营销。
8.3 需求预测
AI 可以结合历史销量、季节、价格、活动和外部因素预测未来需求。
帮助企业优化:
- 商品采购。
- 库存水平。
- 仓储安排。
- 供应链计划。
8.4 客户服务
AI 客服可以承担常见咨询、订单查询、售后流程说明和工单分类等任务。
复杂投诉、资金问题和高风险操作仍然需要明确的人工升级机制。
九、内容创作与传媒行业
生成式 AI 正在显著降低内容生产的技术门槛。
9.1 文本生成
典型应用:
- 文案撰写。
- 新闻摘要。
- 文章辅助创作。
- 广告内容生成。
- 翻译。
- 内容改写。
- 社交媒体运营。
9.2 图像生成
AI 图像生成可以根据文本提示或参考图像生成视觉内容。
主要技术方向:
- Diffusion Model。
- Text-to-Image。
- Image-to-Image。
- Inpainting。
- Outpainting。
- Image Editing。
9.3 视频生成
AI 视频生成能够根据文本、图片或已有视频生成新的视频内容。
典型应用:
- 广告短片。
- 产品展示。
- 视频素材制作。
- 动画生成。
- 视频风格转换。
- 虚拟场景生成。
9.4 音频与音乐生成
主要应用:
- 语音合成。
- 配音。
- 语音克隆。
- 音频增强。
- 音乐生成。
- 语音转录。
9.5 数字人
数字人是通过图像、语音、动作和对话等技术构建的虚拟人物形象。
应用场景:
- 虚拟主播。
- 在线客服。
- 虚拟讲师。
- 品牌代言。
- 数字展厅。
- 虚拟陪伴。
内容产业需要关注版权、肖像权、声音授权、内容真实性和合成内容标识等问题。
十、软件开发与 IT 行业
软件开发是大语言模型最具代表性的应用领域之一。
AI 不仅可以辅助编写代码,还可以参与需求分析、测试、代码审查和系统运维。
10.1 AI 编程助手
主要能力:
- 代码补全。
- 代码生成。
- 代码解释。
- 代码重构。
- Bug 分析。
- 单元测试生成。
- API 使用说明。
- 技术文档生成。
10.2 软件工程智能化
AI 可以参与软件开发生命周期中的多个环节。
| 软件工程阶段 | AI 应用 |
|---|---|
| 需求分析 | 需求整理、用户故事生成 |
| 系统设计 | 架构建议、接口设计辅助 |
| 编码实现 | 代码生成、补全和重构 |
| 软件测试 | 测试用例、自动化测试辅助 |
| 代码审查 | 缺陷分析、规范检查 |
| 部署发布 | 配置生成、发布检查 |
| 运维监控 | 日志分析、异常检测 |
10.3 AIOps
AIOps 是将人工智能技术应用于 IT 运维的方向。
主要场景:
- 日志异常检测。
- 故障根因分析。
- 性能趋势预测。
- 告警降噪。
- 事件关联分析。
- 运维知识问答。
10.4 企业知识助手
企业可以将内部文档、数据库、业务系统和大语言模型结合,构建企业知识助手。
典型技术:
- RAG。
- Embedding。
- Vector Database。
- Knowledge Graph。
- Tool Calling。
- Permission Control。
这类系统的关键不只是回答问题,还包括知识权限、数据更新、引用追溯和答案可靠性。
十一、农业、能源与自然资源
AI 的应用并不局限于互联网和软件行业,也正在进入传统生产领域。
11.1 智慧农业
主要应用:
- 农作物生长监测。
- 病虫害识别。
- 土壤分析。
- 智能灌溉。
- 农业机器人。
- 产量预测。
- 无人机巡检。
11.2 智慧能源
主要应用:
- 电力负荷预测。
- 新能源发电预测。
- 电网运行优化。
- 设备故障检测。
- 能源需求分析。
- 储能调度。
11.3 自然资源与环境监测
AI 可以结合卫星遥感、传感器和地理信息系统,开展:
- 森林监测。
- 土地利用分析。
- 水资源监测。
- 空气质量预测。
- 灾害识别。
- 生态变化分析。
十二、政务、法律与公共服务
AI 可以帮助公共服务机构提高信息处理效率,但需要充分考虑公平性、透明度、隐私和法律责任。
12.1 智能政务
主要应用:
- 政策咨询。
- 政务知识问答。
- 材料分类。
- 文档摘要。
- 表单辅助填写。
- 业务流程引导。
12.2 法律科技
主要应用:
- 法律法规检索。
- 合同条款分析。
- 文书摘要。
- 案例信息整理。
- 合同风险提示。
- 法律知识问答。
12.3 公共安全
主要应用:
- 视频异常检测。
- 灾害预警。
- 应急资源调度。
- 风险趋势分析。
- 事件信息汇总。
公共安全领域的 AI 系统需要严格的授权、监督和审计机制,避免模型偏差造成不公平或不当决策。
十三、机器人与具身智能
传统 AI 主要在数字信息空间中处理数据,而机器人和具身智能需要将感知、推理与物理世界中的动作结合起来。
13.1 机器人(Robotics)
机器人系统通常包含:
- 传感器。
- 感知系统。
- 定位系统。
- 运动规划。
- 控制系统。
- 执行机构。
典型类型:
- 工业机器人。
- 服务机器人。
- 仓储机器人。
- 医疗机器人。
- 农业机器人。
- 人形机器人。
13.2 具身智能(Embodied AI)
具身智能强调智能体通过身体、传感器和环境交互形成感知、学习与行动能力。
核心技术:
- 视觉感知。
- 空间理解。
- 语言指令理解。
- 运动规划。
- 动作控制。
- 强化学习。
- 模仿学习。
13.3 VLA 模型
VLA(Vision-Language-Action)模型将视觉、语言和动作联系起来。
例如,机器人接收“拿起桌上的杯子”这一指令,需要完成:
- 识别桌面和杯子。
- 理解目标对象。
- 估计物体位置。
- 规划抓取路径。
- 控制机械臂执行动作。
- 根据传感器反馈调整动作。
13.4 具身智能系统流程
flowchart TB
A["物理环境"] --> B["传感器感知"]
B --> C["环境与物体理解"]
C --> D["任务与目标理解"]
D --> E["动作规划"]
E --> F["运动控制"]
F --> G["机器人执行"]
G --> H["环境反馈"]
H --> B
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#EAF3EC,stroke:#83A995,color:#315D49
style F fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style G fill:#E5F0E9,stroke:#83A995,color:#315D49
style H fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
具身智能的难点在于真实环境具有不确定性,模型不仅要理解信息,还要在物理约束下安全地执行动作。
十四、人工智能的主要产品形态
从用户和企业的角度看,AI 技术通常会以不同的产品形态交付。
同一项技术可能同时出现在多种产品形态中。
14.1 AI 原生应用(AI-native Application)
AI 是产品核心能力,而不是附加功能。
典型特征:
- 以模型能力为核心设计交互。
- 产品功能围绕 AI 能力构建。
- 用户通过自然语言或多模态输入完成任务。
- 产品价值高度依赖模型的理解、生成或决策能力。
例如:
- AI 对话助手。
- AI 写作工具。
- AI 图像生成平台。
- AI 视频创作工具。
- AI 编程产品。
14.2 AI 增强型软件(AI-enhanced Software)
在已有软件产品中集成 AI 功能,增强原有业务能力。
例如:
- 办公软件增加智能写作。
- 图片软件增加智能修图。
- CRM 增加客户分析。
- ERP 增加智能预测。
- IDE 增加代码补全。
这类产品的核心业务流程仍然存在,AI 主要用于提高效率或改善体验。
14.3 AI 助手(AI Assistant)
AI 助手以自然语言交互为主要入口,帮助用户处理信息和完成任务。
典型能力:
- 问答。
- 搜索。
- 写作。
- 总结。
- 翻译。
- 数据分析。
- 工具调用。
14.4 AI Agent 产品
Agent 产品不仅回答问题,还可以围绕目标执行多个步骤。
例如:
- 自动收集资料并生成报告。
- 自动处理邮件和日程。
- 自动分析代码并提交修改。
- 自动执行企业业务流程。
Agent 产品通常需要任务规划、工具执行、状态管理、权限控制和异常恢复能力。
14.5 AI API 与模型服务
模型能力可以通过 API 提供给开发者和企业。
典型服务:
- 文本生成 API。
- Embedding API。
- 图像生成 API。
- 语音识别 API。
- 语音合成 API。
- 多模态理解 API。
- 模型推理 API。
开发者不一定需要自己训练模型,就可以将 AI 能力集成到现有系统中。
14.6 AI 硬件产品
AI 能力也可以集成在物理设备中。
例如:
- AI PC。
- AI 手机。
- 智能摄像头。
- 智能音箱。
- 智能眼镜。
- AI 录音设备。
- 机器人。
- 自动驾驶系统。
硬件产品通常需要同时考虑模型能力、芯片算力、功耗、存储、网络连接和交互体验。
14.7 产品形态对比
| 产品形态 | 核心价值 | 主要用户 |
|---|---|---|
| AI 原生应用 | 直接提供 AI 能力 | 个人、企业 |
| AI 增强型软件 | 改造现有业务功能 | 企业、专业用户 |
| AI 助手 | 对话式信息处理 | 个人、办公用户 |
| AI Agent | 多步骤任务执行 | 个人、企业 |
| AI API | 提供可集成的模型能力 | 开发者、企业 |
| AI 硬件 | 将 AI 能力嵌入设备 | 消费者、行业客户 |