#
当算力账单撞上车间电表，AI的实体经济之路才刚起步
“现阶段，真正按结果收费还不好衡量和计算，所以不少AI软件，是按照企业消耗的Token总量来计费的，而不在乎到底多少人使用。毕竟，有些十个人的小团队，如果AI执行得好，完全可能比1000人的团队，对算力的消耗还要大。”
这段话道出了当前AI商业化的一个有趣现实：我们还在用“消耗量”而不是“产出值”来定价。这就像电力刚普及时，电厂按度收费，而不关心你用一度电制造了多少产品——因为那时的技术还无法精准衡量每度电的“效率”。
而AI要真正进入那99.5%的实体经济，最先撞上的，可能不是技术，而是人和电。
## 01 人：AI面前的“人”字墙
想象一下这个场景：一家汽车零部件厂的老师傅，看着车间里新安装的AI质检系统，眼神里写满了不信任——“我干了二十年，你告诉我机器比我眼尖？”
这不是个例。实体经济中，人的因素远比想象中复杂：
• 习惯的惯性：工厂老师傅们用经验积累的“手感”，不是几行代码能替代的。他们担心的是饭碗，抗拒的是改变，质疑的是“这铁疙瘩懂什么工艺”。• 信任的建立：AI给出的建议，在一线工人眼中可能只是“纸上谈兵”。要让工人真正相信AI的判断，需要的是时间的沉淀和实际效果的证明——这个过程比算法迭代要慢得多。• 技能的断层：当AI需要调试时，谁来修？实体经济缺乏既懂AI又懂工业的复合型人才。高校培养的AI人才更愿意去互联网大厂，而不是走进轰鸣的车间。• 组织的壁垒：生产、质检、物流、销售……每个环节的数据孤岛如何打通？各部门的利益如何协调？这些管理问题比技术难题更难啃。一位制造业CIO曾无奈地说：“我们不是缺AI技术，是缺能让AI落地的人。”
## 02 电：算力背后的硬约束
如果说“人”是软约束，那“电”就是硬天花板。
训练一个GPT-4级别的大模型，耗电量相当于120个美国家庭一年的用电量。而当AI开始大规模推理——也就是真正被企业日常使用时——电力消耗会更加惊人。
英伟达CEO黄仁勋曾估计，到2030年，全球AI数据中心的电力需求将增长到2020年的10倍以上。这还只是数据中心。如果AI全面进入工厂、港口、农场，每个终端设备的推理能耗累加起来，将是天文数字。
而现实是：
• 电网承载力有限：我国很多工业园区的电力容量已经是满负荷运转，新增AI算力意味着要扩建变电站，这不是几个月能完成的。• 电价成本的现实：实体经济利润本就微薄，一家利润率5%的制造企业，能承受多少电费上涨？• 碳排放的压力：在“双碳”目标下，高耗能的AI部署需要配套绿色能源，这又增加了实施的复杂度。有专家戏称：“未来AI的瓶颈不是芯片，是变压器。”
## 03 AI进实体的“三步走”
既然“人”和“电”是两道必过的关，AI进入实体经济的路径就很清晰了：
第一步：从“替代”到“增强”别一上来就说要取代工人，而是帮他们减轻负担、提高效率。AI作为“副驾驶”，人仍然是决策主体。这能降低人的抵触情绪。
第二步：从“通用”到“专用”实体经济不需要无所不能的AGI，需要的是懂钢铁、懂化工、懂农业的专用模型。专用模型的算力消耗更可控，也更适配特定场景的电力条件。
第三步：从“云端”到“边缘”把计算能力下沉到车间、田间、港口，减少数据传输的延迟和能耗。边缘AI将成为破解“电”约束的关键。
## 04 软件只是第一站
回到开头的话题。按Token计费的模式，本质上是AI产业的“发电厂阶段”——我们还在建电站、铺电网、装电表。这个阶段的规则很简单：用多少，付多少。
但当AI真正深入实体经济，计费模式必然会演进。未来可能出现按“效率提升”分成、按“良品率提高”付费、按“能耗节省”计价等更精细化的商业模式。
这就像电力普及后，出现了按用途定价的工业用电、商业用电、居民用电。AI产业的“电价体系”也必将更加多元化。
软件只是第一站。AI真要进入那99.5%的实体经济，最大的挑战不在代码行数，而在人与电这两道实实在在的关口。
谁能帮企业跨越“人”的障碍——让工人愿意用、会用、爱用AI；谁能帮企业解决“电”的焦虑——在有限的能耗下实现最大的智能——谁就能在这场实体经济AI化的浪潮中，真正拿到入场券。
否则，再先进的算法，也只能停留在PPT里，进不了车间，下不了田地，登不了货轮。
AI的星辰大海，不在云端，在人间。而人间的事，从来都不只是技术的事。