AI落地难？可能你还没打好“地基”
全球企业纷纷全力投入人工智能(AI)，但许多企业开始意识到：若缺乏稳固的战略支撑，人工智能不仅表现欠佳，更会消耗资源、拖累基础设施并侵蚀利润空间。
这就是我们现在看到的悖论。根据Arm的《人工智能就绪指数报告》，82%的全球企业高管表示正在积极使用AI技术，其中有近9成计划未来三年增加AI预算。但仅有39%的企业制定了全面的AI战略，而为成功扩展AI做好基础设施或团队准备的企业则更少。
在Arm，我们与数千家机构携手合作，从超大规模云服务商、半导体初创企业，到汽车制造商和物联网创新者，这些机构正直面这一脱节问题。它们的共同认知是：缺乏战略支撑的AI不过是昂贵的实验。而战略的制定离不开三大支柱——可扩展的技术基础、值得信赖的数据实践，以及具备专业能力的人才。
人工智能决策失误的代价
不难理解为何众多企业争相涌入。AI承诺带来生产力飞跃、新增收入来源和运营效率提升。但人们常忽略的是碎片化应用所带来的代价。
这种现象在各部门重复部署的AI工具中可见一斑；在基础设施薄弱却期待过高的团队中屡见不鲜；在遭遇安全壁垒或伦理陷阱的模型部署中时有发生；在直到为时已晚才暴露的人才缺口里更是暴露无遗。
后果如何？资金浪费、投资回报延迟、机遇错失。根据《人工智能就绪指数报告》调研显示，近半数全球企业高管将数据质量问题视为成功的障碍，另有49%的受访者表示其组织缺乏实现AI落地所需的专业人才。
而压力正与日俱增。随着模型日益复杂、数据日益敏感，关于计算架构与数据流的技术决策如今已成为业务关键。AI已不再是工具，而是不可或缺的依赖。
无法用陈旧的基础设施支撑AI规模化发展
作为行业，我们正面临着计算思维方式的根本性转变。摩尔定律的步伐已然放缓，但AI对算力的渴求却在加速增长。事实上，杰文斯悖论揭示了一个规律：当技术进步提升效率(例如AI)，整体消耗量非但不会下降，反而会持续攀升。
过去单纯靠堆砌晶体管就能解决的问题，如今需要架构层面的创新——特别是当能耗和成本成为关键考量时。
正如笔者之前所言，电力是一种稀缺资源。这一现实正迫使行业从第一性原理重新思考计算架构。无论是在云端训练大模型，还是在边缘端部署经过优化的轻量化模型，能效架构都是实现规模化性能突破的关键所在。
这场变革的核心在于定制芯片与计算架构的重构。无论是AWS、谷歌等科技巨头，还是工业机器人、自动驾驶领域的创新企业，都在竞相开发与业务场景强绑定的专用硬件。这类解决方案绝非标准化CPU的简单替代，而是通过精准匹配AI负载特性，在能效比和算力密度之间实现最优平衡的创新实践。
简而言之，AI的未来并非千篇一律，而是为特定场景量身定制。
无论是超大规模企业训练数十亿级参数的模型，还是智能摄像头在设备端进行实时推理，其设计原则始终一致：以工作负载为核心。这正是可扩展AI战略与昂贵科学实验的根本区别。
人才、文化与长远规划
当然，仅靠计算能力无法实现目标。人工智能战略既要关注技术，更要重视人才。
在与合作伙伴共事的二十年中，笔者深刻认识到：变革性技术需要文化变革的支撑。正如我们的《人工智能就绪指数报告》所示，近半数企业坦言员工对AI的认知仍停留在基础层面，而仅有37%的企业制定了正式的变革管理计划。
这种差距既是风险也是机遇。那些取得成功的企业未必拥有最雄厚的预算或最宏大的抱负，而是那些致力于提升团队技能、统一领导层共识，并将AI能力深度融入企业运营方式，而非仅限于产品开发的企业。
我们亲眼见证了AI如何重塑开发者工作流程。我们的工程团队正使用生成式模型实现自动化调试、加速代码编写并优化测试流程，这些举措在无需增加人力的情况下缩短了产品上市周期。这些并非抽象收益，而是能够改变投资回报曲线的复合型生产力提升。
数据信任与监管摩擦
此外还有数据本身的问题。人工智能依赖数据运行，但其效能取决于数据治理、溯源机制和透明度的完善程度。
越来越多的组织开始提出棘手的问题：数据从何而来？归谁所有？如何在保障隐私的同时不影响性能？以及如何证明我们的模型是公平的？
从欧盟《人工智能法案》到新加坡的人工智能验证框架(AI Verify)，合规性已不再是未来的问题，而是全球运营的关键门槛。而保持领先的唯一途径，是构建主动而非被动应对伦理与安全问题的人工智能战略。
迈向真正有意义的投资回报率
将这一切串联起来的关键，在于计算能力与应用场景的匹配，雄心壮志与实际能力的平衡，以及风险与收益的权衡。AI的正确实施不仅是技术演示，更是创造竞争优势的引擎。
我们已看到初步迹象表明，以战略为导向的人工智能能带来更佳成效。在我们的研究中，拥有明确路线图的企业中，65%表示其AI项目已达到或超出投资回报预期。这正是夯实基础所获得的回报。
结语：AI是一项团队运动
若说高管们最该记住什么，那就是：AI的成功绝非跟风炒作，而是锻造适应变革、持续试错、稳健扩张的组织能力。
这要求对技术栈进行全方位投入：夯实算力底座、完善开发工具链、构建数据治理机制、强化人才梯队建设。必须清醒认识到AI是牵动全局的变革，更要明白投资回报没有捷径可走，一味地砸钱买不来成效，唯有持续建设方能制胜。
随着我们进入人工智能应用的下一阶段，那些舍得投入时间夯实基础的企业终将成为最后的赢家。
