2025年底，AI技术大会正在变成一种“企业标配”。炫酷的技术名词与激动人心的话语，让人不禁对AI这个“超级工具”加持的未来抱有相当的期待与向往。 但先别高兴得太早。翻一翻历史便会发现：每一种深刻改变世界运行方式的通用技术，都会走向同一个规律——它会创造大量价值，却很少自动把价值变成某一家公司的长期优势。蒸汽机、电力、电脑、互联网莫不如此：当它们普及之后，大家都会用上，于是胜负手从“你有没有”变成“你本来是谁”。 在12月11日TCL于广州举办的2025全球技术创新大会上，大会主题“AI for Real（AI向实）”，更像是TCL在回答这个灵魂追问：当AI成为标配，我们靠什么赢？

    TCL把答案拉回到企业技术应用最根本的三件事：
    1、是否拥有真实且持续的需求来源；2、是否拥有把方案落地为稳定成果的能力；3、是否拥有能长期迭代、持续纠错的组织机制。 换句话说，AI把“门槛”降低了，但把“本质”推到了台前。TCL创始人、董事长李东生在开场致辞中表示，TCL要做的是让AI真正落到产品、技术与产业里，创造实实在在的价值。 “下一波AI浪潮是物理AI”，这是黄仁勋给出的判断。作为深耕制造业40余年，年营收超3000亿元，通过TCL科技与TCL实业布局智能终端、半导体显示、新能源光伏三大产业的企业，TCL的业务分布广、链条纵深长，这并不天然等于优势，但它确实意味着：一旦AI能在这些链条里跑通并沉淀下来，便能通过实体经济对个体的工作与生活产生影响，跳出参数与模型的内卷，这更有可能形成一种更根本、更难被复制的竞争逻辑。

两类真实场景让TCL更像“AI放大镜受益者”
    很多企业谈AI时，会不自觉地走向“工具崇拜”，可管理者都知道，工具从来不负责结果。再好的工具，如果没有合适的场景、用法与协作方式，最后都可能只留下一堆“看上去很先进”的痕迹。 这也解释了为什么TCL在谈AI时，总喜欢把话题拉回“场景”和“价值”。听上去不性感，却非常关键——因为只有在真实场景里，AI才会得到验证、遇到边界、获得反馈，才谈得上判断其价值。 TCL恰好有两个能提供反馈的场域：一个是C端产品的用户使用日常，另一个B端的制造与研发体系。 C端：用户学习 vs. 学习用户
    TCL实业首席技术官孙力这样解释TCL智能终端的AI逻辑：“AI for Real的核心是‘不为做AI而做AI’，而是要找到用户的真实痛点和需求，与产品深度契合。” TCL希望AI与产品的结合能解决用户当下最真实的麻烦与不爽。落到C端，它更像一组很创新、很具体、很生活化的改进： 在娱乐场景里，TCL的电视屏显技术已是全球领先，但受线上视频带宽限制与片源老旧的影响，真实观看时画质往往跟不上。把AI增强画质与音质做进体验链条后，用户更容易把“好屏幕”用出该有的效果。 在居住场景里，以能耗大户空调为例，通过AI更智能的控制策略，空调在开机初期能节省40%的电力，稳定运行后还能进一步优化能耗。
    AI还围绕睡眠与舒适的体验逻辑进行了产品升级：毫米波雷达根据人的状态自动微调风感与温度，尽量减少夜晚被冷醒/热醒的不适；白天则面向健康空气管理，以负氧离子清新室内呼吸环境。交互上，AI理解指令的能力也得到提升，用户不必再苦思冥想“机器话术”，一句日常表达的“有点热”，空调能精准响应为“调低温度”。在洗衣时，洗衣机的智慧洗功能会自动感知衣物材质并调整参数，用户洗衣将从“我来选模式”进化到“我只要把衣服扔进去”。 
    雷鸟眼镜、AiMe则是两个令人非常惊喜的创新产品，令AI开始融入更广泛的生活场景中：雷鸟眼镜与阿里通义定制化合作，把实时问答、识别理解与多语种翻译（字幕/拍照翻译）做进眼镜，增强跨国交流便捷度。分体式AI陪伴机器人AiMe则隐藏在可爱的仿生外观之中，让自然交互与拟人化表达的陪伴“更有温度”。

    这些例子共同指向一点：AI在C端最有意义的地方，不是把产品变得“更聪明”，而是把产品变得“更体贴”——你不必去“学会新工具”，而是让工具更懂你怎么生活。用户使用过程中的小摩擦、小偏好、小误解、小惊喜，恰恰是最好的训练场，它们不断把AI拉回生活本身。
    TCL科技数字化负责人李冰这样总结：“AI实际地在创造TCL的产品价值，创造更好的客户体验，这正成为我们核心产品的竞争力。” B端：全产业链的降本、增效与提质 如果说C端的AI更像“把体验做得更懂人”，那B端的AI更像“让系统更会照看自己”。 
    在TCL华星的制造产线，你能很直观地看见这种变化。产线设备会随着时间出现波动，过去的处理方式很熟悉：人工抽检、导出数据、用表格算、再把新参数手动输回机台。工作不难，但特别吃人——过去在华星每天有三四百人专职负责这一基础工作，而且很多时候“发现问题”与“真正解决”之间隔着时间和流程。现在，在TCL华星开发的垂域大模型——星智大模型的支持下，产线管控更像一种自动闭环：检测数据一出来，系统就自动算、自动判断机台能力是否偏移，然后把参数“补回去”。 
    这件事听起来简单，但意义不小：它把“人盯数据”变成“系统自我纠偏”，把靠经验的反应，变成可复制的日常动作。作为TCL旗下的显示面板制造企业，TCL华星并不是传统意义的“装配厂”，而是一个负责OLED、MLED以及LCD等高端显示产品研发与量产的精密制造系统——工艺、设备、品质和交付的每个环节都决定着最终的屏幕质量与成本结构。
    也正因为这样，这里发生的AI落地，不太可能是“好看就行”，随着星智大模型迭代到3.0版本，其产品问题解析效率已提升20%，材料开发效率提升30%。 本次大会圆桌嘉宾姚卯青（智元合伙人、高级副总裁、具身业务部总裁）把这种“严肃性”说得很直接：如果AI在工业场景达不到人工节拍和足够高的成功率，就很难融入生产系统。
    也正因为难，B端一旦跑通，含金量会非常高——它意味着AI成为组织能力的一部分：更早发现问题、更快定位原因、更快复盘、更快改进；并且这些改变不是一次性的“省点成本”，而是慢慢长成一种新的运行习惯。 在制造端这样的案例还有很多：在TCL华星t4工厂OLED屏幕量产环节，系统可以自动进行缺陷分类，再给出针对性的处理策略，产生的直接效益超过2.48亿元；在印刷OLED显示产线，AI让产线切换地更顺、波动更小，效率提升数倍，批次不良率从70.3%降到4.17%。
    从这些我们可以看出，TCL的AI应用在B端已经沿着全产业链条铺开，驱动制造、研发、供应链，运营等环节持续革新，把“降本、增效与提质”变成一套可复用的日常能力。数据显示，2025年一年，落实AI应用为TCL创造的综合效益就达到了10亿元。

组织化推进走好AI应用的“最后一公里”

    很多公司做AI，最尴尬的时刻不是“做不出来”，而是“做出来了，用不起来”：业务部门觉得不贴合日常；技术团队觉得需求总在变；AI上线之后更是没人做维护。这就是AI的最后一公里：它离业务很近，但离真正落地仍差一步。而这一步，靠的往往不是再换一个工具，而是组织机制：谁来牵头？谁来对接？谁来把一次次试点沉淀成可复用的方法？说到底，实现更多一线的人“会用、敢用、用得久”，AI才会真正融入组织能力。 闫晓林博士（TCL科技首席技术官、TCL华星首席技术官、
    TCL工业研究院院长）将TCL的AI成功归功于算法团队与研发、制造等业务团队形成了紧密耦合的合作关系。 这种“最后一公里”的组织设计，体现在TCL的“共创机制”中，比如星智大模型3.0，通过把显示研发与制造的知识入口统一起来，便于跨团队的复用与迭代。再比如格创东智，作为TCL专注于工业软件与工业智能解决方案的公司，近年来格创东智与TCL工研院、TCL华星等产业单位已经落地150个AI项目，覆盖品质管理、设备管理、
    能碳管理、场内场外物流一体化等更深水的场景。这种合作的价值不只是“多做几个案例”，而是形成技术应用的方法论与平台能力，让AI更容易从试点走向规模化。 更能说明“组织化推进”的，其实是闫晓林博士谈及的，横跨全球与本地的人才培养计划：TCL将从东欧等地引进一支约50名顶尖人才的跨国团队到国内工作，与国内（或者改为本地）的研发力量协同攻关垂域多模态大模型。在一线业务中，
    TCL希望培养三千名对AI有基础认知的年轻员工——那些对新技术充满热情、“眼里有光”的销售、制造、研发等岗位的年轻人，能和专业AI团队形成协同，把AI用进工作里、融入流程中。 当这种“基础认知”在TCL全面铺开，AI便会真正渗透进业务的毛细血管中。这时AI已经不再是某个部门的项目，而是一种可以被更多业务人员使用、并持续迭代的协作方式。
    通用技术终将机会均等。AI迟早会成为每家公司桌面上的默认工具，但它也会更残酷地筛选：你是否有真实场景来驯化它？是否有组织能力让它持续运转？是否愿意长期投入把试点变成体系？ TCL的“向实”，至少给出了一套可检验的路径：
    • C端用真实体验打磨AI的“同理心”；• B端用严肃场景逼AI长出“可靠性”；• 组织端用“毛细血管式渗透”降低协作摩擦，把AI推入系统能力。 中国工程院丁文华院士在圆桌上对“向实”的解释很朴素：关键是让AI真正用到“有实际价值的地方”。这句话放在今天尤其像一句校准。也因此，AI更像一面放大镜：它不会自动把每家公司都推向成功，却会把“本来就有价值的公司”推得更远。