（问题）当前，“AI+产业”正从概念走向实操。
随着政策层面持续强调“人工智能、应用场景、产业发展”等重点方向，人工智能在制造、流通、金融服务与生产性服务等环节的应用需求快速增长。
但在落地推进过程中，多数行业仍存在“看得见潜力、落不下项目”的现实困境：技术链与产业链对接不紧密，数据要素跨主体、跨环节流转不顺畅，企业对智能化能力的需求与供给侧产品之间出现错位，部分应用停留在试点或单点提效阶段，难以形成可复制、可持续的商业闭环。
（原因）造成上述堵点，既有产业结构与数据基础的客观因素，也有技术路径选择与组织协同的现实制约。
一是产业知识分散在各环节，数据来源多元但标准不一，导致难以形成统一、可信、可计算的业务语义体系。
二是模型能力与产业专业性之间存在张力：面向特定行业的垂直模型往往受限于领域边界，难以沉淀全链条的知识与流程经验；通用模型覆盖面广，但在工业工艺、供应链规则、合规风控等专业场景中，仍需大量工程化与业务化改造才能稳定发挥价值。
三是许多企业数字化基础参差不齐，数据治理、流程改造与组织机制未同步推进，使得“模型上线”难以转化为“流程再造”和“经营增量”。
四是商业模式仍在探索期，若缺少可衡量的收益机制与持续迭代机制，应用容易陷入“展示型”或“工具型”，难以沉淀为能力平台。
（影响）这些堵点若长期存在，将影响产业智能化转型的整体节奏：一方面，企业可能因试错成本偏高而趋于谨慎，导致创新扩散速度放缓；另一方面，若数据与能力不能在产业链中有效连接，人工智能对降本增效、提升韧性、优化供需匹配的作用难以充分释放。
更重要的是，产业智能化的竞争并非单点技术比拼，而是以场景、数据、算法、流程和生态协作为一体的系统性竞争。
谁能率先形成可复制的规模化落地路径，谁就更可能在新一轮产业变革中占据先机。
（对策）针对“AI+产业”如何破题，杜新凯在会上提出应坚持“以应用场景为牵引、以产业需求为导向”，并推动构建能够支撑全产业智能化转型的“产业AI超级载体”。
其核心思路是把产业场景、数据要素、模型能力与服务体系打通，形成从数据沉淀到能力输出再到业务闭环的完整链路。
杜新凯认为，中国具备较为完备的产业体系和丰富的应用场景资源，这为人工智能落地提供了广阔空间；同时，人工智能技术的持续进步也将反向促进产业流程优化和效率提升，形成双向促进机制。
万联易达方面表示，通过构建产业互联网生态系统，依托线上平台与线下服务，在商品交易、物流仓储、数智金融、生产性服务等场景中沉淀了高质量可信数据，为面向产业的智能体定制提供支撑，并已推出产业大模型“万联摩尔”及覆盖多终端的多款智能体，计划到2026年底扩展至百余个智能体。
（前景）业内普遍认为，下一阶段“AI+产业”将从“模型能力展示”转向“业务系统重构”，从“单点应用”走向“链条协同”，从“工具叠加”走向“机制变革”。
在这一过程中，构建产业级的能力载体或平台化底座，将成为规模化落地的重要抓手：一是通过统一的数据治理与行业知识组织方式，提升数据要素的可用性与流通效率；二是通过可复用的智能体与标准化组件，降低企业应用门槛与迭代成本；三是通过与产业链上下游协同，推动形成更稳定的商业闭环与价值分配机制。
可以预期，谁能在真实场景中持续沉淀数据、完善行业知识体系并形成可度量的价值交付，谁就更可能在“AI+产业”的竞速中形成长期优势。
产业智能化转型是一场深刻的产业革命，既需要技术突破，更需要思维创新。
正如专家所言，构建AI超级载体的意义不仅在于技术整合，更是要建立技术与产业对话的新范式。
在数字经济蓬勃发展的今天，如何让技术创新真正服务于实体经济，将成为推动高质量发展的重要命题。
这既考验企业的实践智慧，也需要政策、资本、技术等多方力量的协同推进。