当前，人工智能技术加速迭代跃升，大模型与智能应用层出不穷，但与此同时，人工智能规模化落地难问题愈发凸显。6月23日，2026大连夏季达沃斯论坛召开，一场主题为“AI无处不在，却非一蹴而就”的分论坛中，多位学界与产业界嘉宾共同探讨上述行业困境。

　　清华大学苏世民书院院长薛澜认为，想要AI技术全面渗透社会，既需要硬件基建，即数据中心、能源供给等实体设施，也需要软性基建，即法律法规、行业监管体系。但目前软性基建的完善速度，远远跟不上前沿模型迭代速度。从政策视角来看，必须加速完善配套规则，才能推动技术快速普及。

　　ATT数据首席战略官Roli Agrawal表示，企业对AI大规模落地的顾虑并非成本，而是风险不可控，因此清晰的AI操作边界、权限管控、全流程问责机制，是AI产业规模化落地的前置条件。

　　孤立的AI模型就像“密封罐里的大脑”

　　分论坛中，薛澜认为，当前全球对AI的叙事分为三条主线，第一条为前沿大模型赛道的全球竞争，这也是媒体、行业关注的焦点，每天都有新模型问世，竞争白热化。但与之形成反差的第二条主线却鲜少有人关注，即前沿模型性能飞速提升后，在企业、高校、医疗机构等落地普及速度却异常缓慢，因此必须思考，为什么顶尖技术无法快速普及。第三条主线为AI高速发展背后潜藏的各类风险，这一问题逐渐获得关注。

　　AI规模化落地为何存在阻碍？薛澜分析，如以汽车工业发展史类比来看，早期汽车诞生时，没有配套公路，普及度极低，因此必须先修建公路，公众才有长途出行需求，随之配套加油站，出现不规范驾驶、安全事故后，会倒逼驾驶资格要求、监管法规出台。同理，想要AI技术全面渗透社会，两层基建缺一不可，一是硬件基建，即数据中心、能源供给等实体设施；二是软性基建，即法律法规、行业监管体系。

　　“但目前软性基建的完善速度，远远跟不上前沿模型迭代速度。从政策视角来看，我们必须加速完善配套规则，才能推动技术快速普及。”薛澜称。

　　Roli Agrawal也对此表示，孤立的AI模型很难产生真实价值，就像“密封罐里的大脑”，再强大，能发挥的作用也十分有限，无法对接真实产业。而真正的产业智能化，是一套完整闭环，需要通过传感器采集真实数据，依托低延迟网络传输，经过云端、边缘算力和智能运算，最终输出可落地的优化指令并完成生产迭代。任何一环缺失，AI都会沦为“纸面智能”。

　　“企业对AI大规模落地的顾虑并非成本，而是风险不可控。”Roli Agrawal认为，AI自主决策一旦出错，带来的损失会被产业场景成倍放大。目前全球普遍明确，企业需要为AI操作结果承担主体责任，这也意味着，清晰的AI操作边界、权限管控、全流程问责机制，是AI产业规模化落地的前置条件。

　　针对业内“监管规则会阻碍AI发展”的争议，薛澜认为，AI相关企业合规分为两条路径，包括外部政府监管政策以及企业内部自主合规体系。当前技术迭代太快，很多企业甚至无法预判自身AI业务会产生哪些潜在风险，很容易忽视合规建设。因此，越来越多企业已经意识到风险，主动搭建内部管控体系规避隐患，这也是行业主流发展方向。

　　“轻量化AI”为小公司提供市场机遇，正改写行业竞争格局

　　当前，通用大模型算力成本高、投入高，行业内卷加剧，但一些轻量化AI的快速成熟，让AI技术从“重资产竞赛”转向“轻量化落地”，改写行业竞争格局。

　　薛澜认为，轻量化模型会催生大量细分赛道的创业公司，快速落地各类垂直应用，AI智能体也给很多小公司创造了独特的市场机会，能够发展更快，找到自己的方向。

　　在业界看来，相较于通用大模型，轻量化AI更适配细分行业，能够精准对接工业、民生、服务业等垂直场景的个性化需求。

　　不过，技术提速也带来新的治理挑战和监管需求。薛澜认为，轻量化AI的发展会催生新的监管需求，原有监管体系难以完全覆盖，各国监管政策正在跟进。但行业永远是技术先行，规则滞后，核心挑战是如何让技术真正服务社会需求。